CN111126570A - 预训练复数全卷积神经网络的sar目标分类方法 - Google Patents

预训练复数全卷积神经网络的sar目标分类方法 Download PDF

Info

Publication number
CN111126570A
CN111126570A CN201911345759.2A CN201911345759A CN111126570A CN 111126570 A CN111126570 A CN 111126570A CN 201911345759 A CN201911345759 A CN 201911345759A CN 111126570 A CN111126570 A CN 111126570A
Authority
CN
China
Prior art keywords
complex
layer
convolutional
convolution
neural network
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Pending
Application number
CN201911345759.2A
Other languages
English (en)
Inventor
喻玲娟
胡跃虹
仓明杰
谢晓春
黄光华
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Jiangxi University of Science and Technology
Buddhist Tzu Chi General Hospital
Original Assignee
Buddhist Tzu Chi General Hospital
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Buddhist Tzu Chi General Hospital filed Critical Buddhist Tzu Chi General Hospital
Priority to CN201911345759.2A priority Critical patent/CN111126570A/zh
Publication of CN111126570A publication Critical patent/CN111126570A/zh
Pending legal-status Critical Current

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/045—Combinations of networks
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
    • G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods
    • G06N3/084—Backpropagation, e.g. using gradient descent

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • Evolutionary Computation (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Artificial Intelligence (AREA)
  • General Physics & Mathematics (AREA)
  • General Engineering & Computer Science (AREA)
  • General Health & Medical Sciences (AREA)
  • Software Systems (AREA)
  • Molecular Biology (AREA)
  • Computing Systems (AREA)
  • Biophysics (AREA)
  • Biomedical Technology (AREA)
  • Mathematical Physics (AREA)
  • Computational Linguistics (AREA)
  • Health & Medical Sciences (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Evolutionary Biology (AREA)
  • Image Analysis (AREA)

Abstract

本发明涉及一种预训练复数全卷积神经网络的SAR目标分类方法，该方法的步骤包括：步骤S1:根据复数全卷积神经网络结构，改进复数卷积自编码器结构；步骤S2:采用训练样本进行复数卷积自编码器的训练；步骤S3:将训练好的复数卷积自编码器中的编码器参数初始化复数全卷积神经网络，进一步采用训练样本微调复数全卷积神经网络；步骤S4:采用训练好的复数全卷积神经网络对测试样本进行分类，本发明针对基于复数卷积神经网络的SAR图像目标识别中，因训练样本数少而带来的过拟合问题，采用复数卷积自编码器预训练复数全卷积神经网络，实现用少量训练样本获取高的目标识别率。

Description

预训练复数全卷积神经网络的SAR目标分类方法
技术领域
本发明涉及雷达信号处理领域，尤其涉及一种预训练复数全卷积神 经网络的SAR目标分类方法，解决SAR目标分类过程中，因训练样本 数少而带来的过拟合问题，从而实现用少量训练样本获取较高的目标识 别率。
背景技术
合成孔径雷达SAR自动目标识别能够解决人工解读SAR图像所耗 费的人力和物力资源问题，一直是SAR领域的研究热点之一。近年来， 随着深度学习的发展，基于深度学习的SAR自动目标识别取得迅猛发 展。卷积神经网络是一种常用的深度学习网络，已广泛应用于SAR图像 中各类目标的分类和识别中。
卷积神经网络最早被直接应用于SAR目标识别。由于SAR图像训 练样本数少，基于卷积神经网络的SAR目标识别容易出现过拟合问题。 为了解决该问题，一些改进的方法被提出，如，卷积神经网络结构的改 进、数据集的扩充、迁移学习和卷积神经网络相结合，以及无监督训练 和卷积神经网络相结合等。然而，这些方法均采用SAR图像幅度信息进 行分类，而没有考虑SAR图像的相位信息。
事实上，SAR图像的相位信息也包含有目标特征。为了有效地处理 复数SAR图像数据，复数卷积神经网络得到研究。Zhang等人提出了一 种基于利用复数卷积神经网络的SAR图像目标识别方法。机载Flevoland 数据集和Oberfaffenhofen数据集的实验结果表明，采用复数卷积神经网 络能够比传统的实数卷积神经网络具有更高的平均正确识别率(Zhimian Zhang,Haipeng Wang,Feng Xu,and Ya-Qiu Jin,“Complex-valuedconvolutional neural network and its application in polarimetric SAR imageclassification”,IEEE Transaction Geoscience and Remote Sensing,2017, 55(12):7177-7188)。但是，该方法仍然存在因训练样本数少而带来的过 拟合问题。若采用复数卷积自编码器预训练复数卷积神经网络，后再进 行复数卷积神经网络的微调，则能够有效地减少过拟合问题，进而提高 目标的识别率。
发明内容
本发明目的是提供一种预训练复数全卷积神经网络的SAR目标分 类方法，能够在少量训练样本情况下获取较高的目标识别率。
为达到上述目的，本发明提供一种预训练复数全卷积神经网络的 SAR目标分类方法的步骤包括：
步骤S1:根据复数全卷积神经网络结构，改进复数卷积自编码器结 构；
步骤S2:采用训练样本进行复数卷积自编码器的训练；
步骤S3:将训练好的复数卷积自编码器中的编码器参数初始化复数 全卷积神经网络，进一步采用训练样本微调复数全卷积神经网络；
步骤S4:采用训练好的复数全卷积神经网络对测试样本进行分类。
所述复数全卷积神经网络为实虚两路全卷积神经网络。
本发明的有益效果是：针对基于复数卷积神经网络的SAR图像目标 识别中，因训练样本数少而带来的过拟合问题，采用复数卷积自编码器 预训练复数全卷积神经网络，实现用少量训练样本获取高的目标识别 率。
附图说明
图1是本发明中预训练复数全卷积神经网络的SAR目标分类方法的 总流程图；
图2是本发明中实虚两路复数全卷积神经网络的结构图；
图3是本发明中预训练复数全卷积神经网络的SAR目标分类方法应 用于MSTAR数据集中，复数全卷积神经网络和卷积自编码器的网络参 数设置图；
图4是本发明中预训练复数全卷积神经网络的SAR目标分类方法应 用于MSTAR数据集获得的目标十分类混淆矩阵；
图5是采用和不采用复数卷积自编码器预训练复数全卷积神经网络 两种分类方法应用于MSTAR数据集获得的识别结果的对比。
具体实施方式
为使本发明的目的、技术方案和优点更加清楚明白，以下结合具体 实施例，并参照附图，对本发明作进一步地详细说明。
图1示出了本发明中一种预训练复数全卷积神经网络的SAR目标分 类方法的总流程图。该方法具体实现步骤如下：
步骤S1：根据复数全卷积神经网络结构，改进复数卷积自编码器结 构，分为以下两个步骤：
步骤S11：设计实虚两路复数全卷积神经网络结构，如图2所示。 实虚两路复数全卷积神经网络包括：步长为s的卷积层、取模层、Softmax 分类层，每个卷积层后均有一个激活函数。其中，s为大于等于2的正 整数。
考虑任意的第l(l＝1,2,……,L-1)层卷积层的前向传播，其中L+1是实 虚两路复数全卷积神经网络的总层数。假定输入特征图为
Figure BDA0002333298500000031
Figure BDA0002333298500000034
即为第l-1层卷积层的输出，其中I为总的输入通道数。当l 为1时，则第l-1层表示输入图像。设输入特征图的宽度和高度分别表 示为H1和H2。进一步假定用于第i幅特征图的第j(j＝1,2,……J)个卷积核权重为
Figure BDA0002333298500000032
其中J为总的输出通道数，卷积核的大小为K1×K2，则输 出第j通道的复数特征图的实部和虚部分别为，
Figure BDA0002333298500000033
和
Figure BDA0002333298500000041
其中，(x,y)为特征图的像素单元，x∈[0,H1-1]，y∈[0,H2-1]，(u,v)为卷 积核的像素单元。σ(·)代表激活函数，
Figure BDA0002333298500000042
为第j通道的复数偏置。
Figure BDA0002333298500000043
表 示实部，
Figure BDA0002333298500000044
表示虚部。
激活函数σ(·)选取为，
Figure BDA0002333298500000045
考虑取模层的前向传播。假定实虚两路复数全卷积神经网络的隐藏 层中，最后一个卷积层能获取1×K的复数特征矢量，其中K为目标的总 类别数，则复数特征矢量中第k(k＝1,2,…K)个元素取模运算后的幅值为，
Figure BDA0002333298500000046
考虑Softmax分类层的前向传播，训练样本属于第k类的概率为，
Figure BDA0002333298500000047
步骤S12：改进复数卷积自编码器结构。改进后的复数卷积自编码 器中编码器结构包括：步长为s的卷积层；解码器结构包括：上采样层 和步长为1的卷积层。其中，编码器和解码器中每个卷积层后均有一个 激活函数。
由于步长为s的卷积层的前向传播和复数全卷积神经网络相同，接 下来分别考虑解码器中上采样层和步长为1的卷积层的前向传播。
假设复数卷积自编码器共有L′层，考虑任意的第l(l∈[2,L′-1])层上 采样层的前向传播。假设第l-1层输出特征图中每个像素单元被上采样 为G×G，则第l层上采样后的输出可以表示为，
Figure BDA0002333298500000048
其中，upsampling(·)表示上采样函数，(m,n)表示上采样过程中的像素单 元，m∈[0,G-1]，n∈[0,G-1]。
考虑任意的第l(l∈[2,L′])层步长为1的卷积层的前向传播。假定输入 特征图为
Figure BDA0002333298500000051
即为第l-1层卷积层的输出，其中I′为总 的输入通道数。进一步假定第i幅特征图的第j(j＝1,2,……J′)个卷积核 权重为
Figure BDA0002333298500000052
其中J′为总的输出通道数，则输出第j通道的复数特征图的 实部和虚部分别为，
Figure BDA0002333298500000053
和
Figure BDA0002333298500000054
其中，激活函数σ(·)选取为，
Figure BDA0002333298500000055
步骤S2：采用训练样本进行复数卷积自编码器的训练，分为以下四 个步骤：
步骤S21：推导复数卷积自编码器中解码器的后向传播公式及网络 参数更新公式。考虑单个训练样本下，复数卷积自编码器的损失函数为，
Figure BDA0002333298500000056
其中，I表示输入图像，OL′表示输出图像。
定义δ为后向传播误差，则输出层的后向传播误差的实部和虚部分 别为，
Figure BDA0002333298500000061
和
Figure BDA0002333298500000062
考虑任意步长为1的第l层卷积层的后向传播误差，其中第i通道 误差的实部和虚部分别为，
Figure BDA0002333298500000063
和
Figure BDA0002333298500000064
进一步可得，任意步长为1的第l层卷积层的权重参数
Figure BDA0002333298500000068
梯度的实 部和虚部分别为，
Figure BDA0002333298500000065
和
Figure BDA0002333298500000066
任意步长为1的第l层卷积层的偏置参数
Figure BDA0002333298500000067
梯度的实部和虚部分别 为，
Figure BDA0002333298500000071
和
Figure BDA0002333298500000072
相应地，权重参数
Figure BDA0002333298500000073
的实部和虚部的更新公式分别为，
Figure BDA0002333298500000074
和
Figure BDA0002333298500000075
偏置参数
Figure BDA0002333298500000076
的实部和虚部的更新公式分别为，
Figure BDA0002333298500000077
和
Figure BDA0002333298500000078
其中，t表示训练时间，η表示学习速率。
考虑任意第l层上采样层的后向传播误差的实部和虚部分别为，
Figure BDA0002333298500000079
和
Figure BDA00023332985000000710
其中，downsampling(·)表示下采样函数，σ′(·)表示激活函数的导数。
步骤S22：推导复数卷积自编码器中编码器的后向传播公式及网络 参数更新公式。
考虑任意步长为s的第l层卷积层的后向传播误差，其中第i通道 误差的实部和虚部分别为
Figure BDA0002333298500000081
和
Figure BDA0002333298500000082
进一步可得，任意步长为s的第l层卷积层的权重参数
Figure BDA0002333298500000083
梯度的实 部和虚部分别为，
Figure BDA0002333298500000084
和
Figure BDA0002333298500000085
偏置参数
Figure BDA0002333298500000086
梯度的实部和虚部分别为，
Figure BDA0002333298500000087
和
Figure BDA0002333298500000088
相应地，步长为s的卷积层的权重和偏置参数的实部和虚部的更新 公式和步长为1的卷积层的情况相同。
步骤S23：随机初始化改进的复数卷积自编码器的网络参数。
步骤S24：采用训练样本训练复数卷积自编码器网络。
步骤S3：将训练好的复数卷积自编码器中的编码器参数初始化复数 全卷积神经网络，进一步采用训练样本微调复数全卷积神经网络，分为 以下三个步骤：
步骤S31：推导复数全卷积神经网络的后向传播公式及网络参数更 新公式。
采用交叉熵函数作为复数全卷积神经网络的损失函数，
Figure BDA0002333298500000091
式中，qk代表训练样本的真实分类结果。如果训练样本的标签为k，则qk为1，否则为0。
Softmax分类层的后向传播误差为，
Figure BDA0002333298500000092
取模层的后向传播误差的实部和虚部分别为，
Figure BDA0002333298500000093
和
Figure BDA0002333298500000094
其中，
Figure BDA0002333298500000095
为前向传播过程中的相角。
步长为s的卷积层的后向传播误差及网络参数更新，与复数卷积自 编码器中的过程相同。
步骤S32：将训练好的复数卷积自编码器中的编码器参数初始化复 数全卷积神经网络。
步骤S33：采用训练样本微调复数全卷积神经网络。
步骤S4:采用训练好的复数全卷积神经网络对测试样本进行分类。
本发明的效果可通过以下仿真进一步说明。
1.实验条件和方法：
实验仿真环境：Keras,Linux
实验方法：分别为无预训练复数全卷积神经网络分类方法和本发 明，其中无预训练复数全卷积神经网络也是实虚两路复数全卷积神经网 络。
2.实验内容与结果分析：
实验内容：本发明使用的是MSTAR数据集的十类目标。图3左边 部分为所采用的复数全卷积神经网络结构及参数；图3右边部分为所采 用的复数卷积自编码器的结构及参数。
仿真1，用本发明以及无预训练复数全卷积神经网络分类方法进行 分类实验，本发明得到的混淆矩阵如图4所示，两种方法的平均正确识 别率如图5所示。
从图5可以看出，本发明的分类结果比无预训练复数全卷积神经网 络分类方法具有更高的平均正确识别率。
以上所述，仅为本发明中的具体实施方式，但本发明的保护范围并 不局限于此，任何熟悉该技术的人在本发明所揭露的技术范围内，可理 解想到的变换或替换，都应涵盖在本发明的包含范围之内。

Claims (5)

1.一种预训练复数全卷积神经网络的SAR目标分类方法，其特征在于，该方法的步骤包括：
步骤S1:根据复数全卷积神经网络结构，改进复数卷积自编码器结构；
步骤S2:采用训练样本进行复数卷积自编码器的训练；
步骤S3:将训练好的复数卷积自编码器中的编码器参数初始化复数全卷积神经网络，进一步采用训练样本微调复数全卷积神经网络；
步骤S4:采用训练好的复数全卷积神经网络对测试样本进行分类。
2.根据权利要求1所述的预训练复数全卷积神经网络的SAR目标分类方法，其特征在于，所述复数全卷积神经网络为实虚两路全卷积神经网络。
3.根据权利要求1所述的预训练复数全卷积神经网络的SAR目标分类方法，其特征在于，根据复数全卷积神经网络结构，改进复数卷积自编码器结构的步骤如下：
步骤S11：设计实虚两路复数全卷积神经网络结构。实虚两路复数全卷积神经网络包括：步长为s的卷积层、取模层、Softmax分类层，每个卷积层后均有一个激活函数。其中，s为大于等于2的正整数。
考虑任意的第l(l＝1,2,……,L-1)层卷积层的前向传播，其中L+1是实虚两路复数全卷积神经网络的总层数。假定输入特征图为
Figure FDA0002333298490000011
Figure FDA0002333298490000012
即为第l-1层卷积层的输出，其中I为总的输入通道数。当l为1时，则第l-1层表示输入图像。设输入特征图的宽度和高度分别表示为H1和H2，进一步假定用于第i幅特征图的第j(j＝1,2,……J)个卷积核权重为
Figure FDA0002333298490000013
其中J为总的输出通道数，卷积核的大小为K1×K2，则输出第j通道的复数特征图的实部和虚部分别为，
Figure FDA0002333298490000014
和
Figure FDA0002333298490000021
其中，(x,y)为特征图的像素单元，x∈[0,H1-1]，y∈[0,H2-1]，(u,v)为卷积核的像素单元。σ(·)代表激活函数，
Figure FDA0002333298490000022
为第j通道的复数偏置。
Figure FDA0002333298490000023
表示实部，
Figure FDA0002333298490000024
表示虚部。
激活函数σ(·)选取为，
Figure FDA0002333298490000025
考虑取模层的前向传播。假定实虚两路复数全卷积神经网络的隐藏层中，最后一个卷积层能获取1×K的复数特征矢量，其中K为目标的总类别数，则复数特征矢量中第k(k＝1,2,…K)个元素取模运算后的幅值为，
Figure FDA0002333298490000026
考虑Softmax分类层的前向传播，训练样本属于第k类的概率为，
Figure FDA0002333298490000027
步骤S12：改进复数卷积自编码器结构。改进后的复数卷积自编码器中编码器结构包括：步长为s的卷积层；解码器结构包括：上采样层和步长为1的卷积层。其中，编码器和解码器中每个卷积层后均有一个激活函数。
由于步长为s的卷积层的前向传播和复数全卷积神经网络相同，接下来分别考虑解码器中上采样层和步长为1的卷积层的前向传播。
假设复数卷积自编码器共有L′层，考虑任意的第l(l∈[2,L′-1])层上采样层的前向传播。假设第l-1层输出特征图中每个像素单元被上采样为G×G，则第l层上采样后的输出可以表示为，
Figure FDA0002333298490000028
其中，upsampling(·)表示上采样函数，(m,n)表示上采样过程中的像素单元，m∈[0,G-1]，n∈[0,G-1]。
考虑任意的第l(l∈[2,L′])层步长为1的卷积层的前向传播。假定输入特征图为
Figure FDA0002333298490000031
即为第l-1层卷积层的输出，其中I′为总的输入通道数。进一步假定第i幅特征图的第j(j＝1,2,……J′)个卷积核权重为
Figure FDA0002333298490000032
其中J′为总的输出通道数，则输出第j通道的复数特征图的实部和虚部分别为，
Figure FDA0002333298490000033
和
Figure FDA0002333298490000034
其中，激活函数σ(·)选取为，
Figure FDA0002333298490000035
4.根据权利要求1所述的预训练复数全卷积神经网络的SAR目标分类方法，其特征在于，采用训练样本进行复数卷积自编码器的训练的步骤如下：
步骤S21：推导复数卷积自编码器中解码器的后向传播公式及网络参数更新公式。考虑单个训练样本下，复数卷积自编码器的损失函数为，
Figure FDA0002333298490000036
其中，I表示输入图像，OL′表示输出图像。
定义δ为后向传播误差，则输出层的后向传播误差的实部和虚部分别为，
Figure FDA0002333298490000041
和
Figure FDA0002333298490000042
考虑任意步长为1的第l层卷积层的后向传播误差，其中第i通道误差的实部和虚部分别为，
Figure FDA0002333298490000043
和
Figure FDA0002333298490000044
进一步可得，任意步长为1的第l层卷积层的权重参数
Figure FDA0002333298490000045
梯度的实部和虚部分别为，
Figure FDA0002333298490000046
和
Figure FDA0002333298490000047
任意步长为1的第l层卷积层的偏置参数
Figure FDA0002333298490000048
梯度的实部和虚部分别为，
Figure FDA0002333298490000051
和
Figure FDA0002333298490000052
相应地，权重参数
Figure FDA0002333298490000053
的实部和虚部的更新公式分别为，
Figure FDA0002333298490000054
和
Figure FDA0002333298490000055
偏置参数
Figure FDA0002333298490000056
的实部和虚部的更新公式分别为，
Figure FDA0002333298490000057
和
Figure FDA0002333298490000058
其中，t表示训练时间，η表示学习速率。
考虑任意第l层上采样层的后向传播误差的实部和虚部分别为，
Figure FDA0002333298490000059
和
Figure FDA00023332984900000510
其中，downsampling(·)表示下采样函数，σ′(·)表示激活函数的导数。
步骤S22：推导复数卷积自编码器中编码器的后向传播公式及网络参数更新公式。
考虑任意步长为s的第l层卷积层的后向传播误差，其中第i通道误差的实部和虚部分别为
Figure FDA0002333298490000061
和
Figure FDA0002333298490000062
进一步可得，任意步长为s的第l层卷积层的权重参数
Figure FDA0002333298490000063
梯度的实部和虚部分别为，
Figure FDA0002333298490000064
和
Figure FDA0002333298490000065
偏置参数
Figure FDA0002333298490000066
梯度的实部和虚部分别为，
Figure FDA0002333298490000067
和
Figure FDA0002333298490000068
相应地，步长为s的卷积层的权重和偏置参数的实部和虚部的更新公式和步长为1的卷积层的情况相同。
步骤S23：随机初始化改进的复数卷积自编码器的网络参数。
步骤S24：采用训练样本训练复数卷积自编码器网络。
5.根据权利要求1所述的预训练复数全卷积神经网络的SAR目标分类方法，其特征在于，将训练好的复数卷积自编码器中的编码器参数初始化复数全卷积神经网络，进一步采用训练样本微调复数全卷积神经网络的步骤如下：
步骤S31：推导复数全卷积神经网络的后向传播公式及网络参数更新公式。
采用交叉熵函数作为复数全卷积神经网络的损失函数，
Figure FDA0002333298490000071
式中，qk代表训练样本的真实分类结果。如果训练样本的标签为k，则qk为1，否则为0。
Softmax分类层的后向传播误差为，
Figure FDA0002333298490000072
取模层的后向传播误差的实部和虚部分别为，
Figure FDA0002333298490000073
和
Figure FDA0002333298490000074
其中，
Figure FDA0002333298490000075
为前向传播过程中的相角。
步长为s的卷积层的后向传播误差及网络参数更新，与复数卷积自编码器中的过程相同。
步骤S32：将训练好的复数卷积自编码器中的编码器参数初始化复数全卷积神经网络。
步骤S33：采用训练样本微调复数全卷积神经网络。
CN201911345759.2A 2019-12-24 2019-12-24 预训练复数全卷积神经网络的sar目标分类方法 Pending CN111126570A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201911345759.2A CN111126570A (zh) 2019-12-24 2019-12-24 预训练复数全卷积神经网络的sar目标分类方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201911345759.2A CN111126570A (zh) 2019-12-24 2019-12-24 预训练复数全卷积神经网络的sar目标分类方法

Publications (1)

Publication Number Publication Date
CN111126570A true CN111126570A (zh) 2020-05-08

Family

ID=70501863

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201911345759.2A Pending CN111126570A (zh) 2019-12-24 2019-12-24 预训练复数全卷积神经网络的sar目标分类方法

Country Status (1)

Country Link
CN (1) CN111126570A (zh)

Cited By (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113030902A (zh) * 2021-05-08 2021-06-25 电子科技大学 一种基于孪生复网络的少样本雷达车辆目标识别方法
CN113109780A (zh) * 2021-03-02 2021-07-13 西安电子科技大学 基于复数密集连接神经网络的高分辨距离像目标识别方法
CN113240047A (zh) * 2021-06-02 2021-08-10 西安电子科技大学 基于部件解析多尺度卷积神经网络的sar目标识别方法
CN113420659A (zh) * 2021-04-27 2021-09-21 中国电子科技集团公司第十四研究所 一种基于复数卷积网络的sar图像目标识别方法
CN113469083A (zh) * 2021-07-08 2021-10-01 西安电子科技大学 基于抗锯齿卷积神经网络的sar图像目标分类方法及系统
CN113537020A (zh) * 2021-07-07 2021-10-22 中国人民解放军国防科技大学 基于改进神经网络的复数sar图像目标识别方法

Cited By (10)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113109780A (zh) * 2021-03-02 2021-07-13 西安电子科技大学 基于复数密集连接神经网络的高分辨距离像目标识别方法
CN113109780B (zh) * 2021-03-02 2022-08-05 西安电子科技大学 基于复数密集连接神经网络的高分辨距离像目标识别方法
CN113420659A (zh) * 2021-04-27 2021-09-21 中国电子科技集团公司第十四研究所 一种基于复数卷积网络的sar图像目标识别方法
CN113030902A (zh) * 2021-05-08 2021-06-25 电子科技大学 一种基于孪生复网络的少样本雷达车辆目标识别方法
CN113030902B (zh) * 2021-05-08 2022-05-17 电子科技大学 一种基于孪生复网络的少样本雷达车辆目标识别方法
CN113240047A (zh) * 2021-06-02 2021-08-10 西安电子科技大学 基于部件解析多尺度卷积神经网络的sar目标识别方法
CN113240047B (zh) * 2021-06-02 2022-12-02 西安电子科技大学 基于部件解析多尺度卷积神经网络的sar目标识别方法
CN113537020A (zh) * 2021-07-07 2021-10-22 中国人民解放军国防科技大学 基于改进神经网络的复数sar图像目标识别方法
CN113469083A (zh) * 2021-07-08 2021-10-01 西安电子科技大学 基于抗锯齿卷积神经网络的sar图像目标分类方法及系统
CN113469083B (zh) * 2021-07-08 2024-05-31 西安电子科技大学 基于抗锯齿卷积神经网络的sar图像目标分类方法及系统

Similar Documents

Publication Publication Date Title
CN111126570A (zh) 预训练复数全卷积神经网络的sar目标分类方法
Gao et al. Earthformer: Exploring space-time transformers for earth system forecasting
Han et al. A deep learning method for bias correction of ECMWF 24–240 h forecasts
Chen et al. Target classification using the deep convolutional networks for SAR images
CN106355151B (zh) 一种基于深度置信网络的三维sar图像目标识别方法
Tao et al. A deep neural network modeling framework to reduce bias in satellite precipitation products
Liu et al. Decision fusion of sparse representation and support vector machine for SAR image target recognition
Gao et al. A novel active semisupervised convolutional neural network algorithm for SAR image recognition
CN110895682B (zh) 一种基于深度学习的sar目标识别方法
CN106296734B (zh) 基于极限学习机和boosting多核学习的目标跟踪方法
Wang et al. SAR target recognition based on probabilistic meta-learning
Zhang et al. Polarimetric HRRP recognition based on ConvLSTM with self-attention
Wang et al. Target detection and recognition based on convolutional neural network for SAR image
CN114819061A (zh) 一种基于迁移学习的稀疏sar目标分类方法及装置
CN114943253A (zh) 一种基于元学习模型的射频指纹小样本识别方法
Leinonen et al. Unsupervised classification of snowflake images using a generative adversarial network and K-medoids classification
CN111832580A (zh) 结合少样本学习与目标属性特征的sar目标识别方法
CN109063750B (zh) 基于cnn和svm决策融合的sar目标分类方法
Lagerquist et al. Can we integrate spatial verification methods into neural network loss functions for atmospheric science?
Giroux et al. T-fftradnet: Object detection with swin vision transformers from raw adc radar signals
Wang Remote sensing image semantic segmentation algorithm based on improved ENet network
CN116482618B (zh) 基于多损失特征自校准网络的雷达有源干扰识别方法
CN114519384B (zh) 一种基于稀疏sar幅度-相位图像数据集的目标分类方法
CN116503712A (zh) 一种基于自监督对比学习的雷达目标识别方法
CN116597300A (zh) 一种融合并对齐视觉特征与散射拓扑特征的无监督域自适应sar目标识别方法

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination
RJ01 Rejection of invention patent application after publication
RJ01 Rejection of invention patent application after publication

Application publication date: 20200508