CN111812647B - 一种用于干涉合成孔径雷达相位解缠方法 - Google Patents
一种用于干涉合成孔径雷达相位解缠方法 Download PDFInfo
- Publication number
- CN111812647B CN111812647B CN202010665347.3A CN202010665347A CN111812647B CN 111812647 B CN111812647 B CN 111812647B CN 202010665347 A CN202010665347 A CN 202010665347A CN 111812647 B CN111812647 B CN 111812647B
- Authority
- CN
- China
- Prior art keywords
- data
- training
- unwrapped
- loss
- unwrapping
- 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.)
- Active
Links
- 238000000034 method Methods 0.000 title claims abstract description 44
- 238000012549 training Methods 0.000 claims abstract description 53
- 238000003062 neural network model Methods 0.000 claims abstract description 12
- ORILYTVJVMAKLC-UHFFFAOYSA-N Adamantane Natural products C1C(C2)CC3CC1CC2C3 ORILYTVJVMAKLC-UHFFFAOYSA-N 0.000 claims description 6
- 238000012937 correction Methods 0.000 claims description 5
- 239000011159 matrix material Substances 0.000 claims description 4
- 238000010587 phase diagram Methods 0.000 claims description 4
- 238000005457 optimization Methods 0.000 claims description 2
- 238000013528 artificial neural network Methods 0.000 description 15
- 230000006870 function Effects 0.000 description 11
- 230000000694 effects Effects 0.000 description 8
- 210000002569 neuron Anatomy 0.000 description 7
- 230000004913 activation Effects 0.000 description 6
- 238000010586 diagram Methods 0.000 description 5
- 238000011176 pooling Methods 0.000 description 4
- 238000004364 calculation method Methods 0.000 description 3
- 238000005516 engineering process Methods 0.000 description 3
- 230000001133 acceleration Effects 0.000 description 2
- 238000013135 deep learning Methods 0.000 description 2
- 230000007547 defect Effects 0.000 description 2
- 238000012886 linear function Methods 0.000 description 2
- 238000011160 research Methods 0.000 description 2
- 238000013519 translation Methods 0.000 description 2
- 230000004931 aggregating effect Effects 0.000 description 1
- 238000013473 artificial intelligence Methods 0.000 description 1
- 238000013527 convolutional neural network Methods 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 238000000605 extraction Methods 0.000 description 1
- 238000005305 interferometry Methods 0.000 description 1
- 238000013507 mapping Methods 0.000 description 1
- 238000005259 measurement Methods 0.000 description 1
- 238000003058 natural language processing Methods 0.000 description 1
- 238000012545 processing Methods 0.000 description 1
- 238000004445 quantitative analysis Methods 0.000 description 1
- 238000012360 testing method Methods 0.000 description 1
- 230000017105 transposition Effects 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01S—RADIO DIRECTION-FINDING; RADIO NAVIGATION; DETERMINING DISTANCE OR VELOCITY BY USE OF RADIO WAVES; LOCATING OR PRESENCE-DETECTING BY USE OF THE REFLECTION OR RERADIATION OF RADIO WAVES; ANALOGOUS ARRANGEMENTS USING OTHER WAVES
- G01S13/00—Systems using the reflection or reradiation of radio waves, e.g. radar systems; Analogous systems using reflection or reradiation of waves whose nature or wavelength is irrelevant or unspecified
- G01S13/88—Radar or analogous systems specially adapted for specific applications
- G01S13/89—Radar or analogous systems specially adapted for specific applications for mapping or imaging
- G01S13/90—Radar or analogous systems specially adapted for specific applications for mapping or imaging using synthetic aperture techniques, e.g. synthetic aperture radar [SAR] techniques
- G01S13/9094—Theoretical aspects
-
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Remote Sensing (AREA)
- Physics & Mathematics (AREA)
- Radar, Positioning & Navigation (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- General Health & Medical Sciences (AREA)
- Mathematical Physics (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- Biophysics (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- Biomedical Technology (AREA)
- Computational Linguistics (AREA)
- Software Systems (AREA)
- Artificial Intelligence (AREA)
- Life Sciences & Earth Sciences (AREA)
- Health & Medical Sciences (AREA)
- Electromagnetism (AREA)
- Computer Networks & Wireless Communication (AREA)
- Radar Systems Or Details Thereof (AREA)
Abstract
本发明公开了一种用于干涉合成孔径雷达相位解缠方法,将获取的待解缠数据输入神经网络模型中的生成器中,经过卷积和反卷积运算后,输出解缠完成的解缠数据,然后根据所述解缠数据与真实相位数据对应的的损失值,调整训练参数;最后根据调整后的所述训练参数进行训练,并利用AdaDelta算法策略对训练过程进行优化,直至所述损失值小于阈值,完成解缠,提高相位解缠算法的效率。
Description
技术领域
本发明涉及遥测遥感和深度神经网络交叉技术领域,尤其涉及一种用于干涉合成孔径雷达相位解缠方法。
背景技术
合成孔径雷达干涉测量技术(InSAR)是在合成孔径雷达技术(SAR)的基础上为满足测量高精度的高程信息发展而来的。它通过两副天线同时观测(单轨模式)或两次近平行的观测(重复轨道模式)对同一场景进行成像,提取其包含目标与天线几何关系的相位信息,得到场景的数字高程图(DEM)。当今的合成孔径雷达探测技术主要是为取得数字高程信息(DEM),而后做地表沉降、植被分类等后续测算,取得数字高程的第一步也是最关键的步骤就是相位解缠,将真实相位从缠绕相位中还原出来,相位解缠作为基础,相位解缠的好坏直接影响后续的数据处理,可以说起决定性作用,当今的相位解缠算法主要存在如下不足:第一,必须假定其为连续相位,局限性大,根据真实数据观察,数据中有很多是非连续相位;且当今算法解缠的方法复杂度高,计算量大,难以符合实时性要求;第二,算法复杂度高、计算量大,导致难以符合实时性要求;第三,由于算法的缺陷,易产生无法解缠的孤岛,导致相位解缠算法的效率较低。
发明内容
本发明的目的在于提供一种用于干涉合成孔径雷达相位解缠方法,提高相位解缠算法的效率。
为实现上述目的,本发明提供了一种用于干涉合成孔径雷达相位解缠方法,包括:
将获取的待解缠数据输入神经网络模型中进行训练,得到解缠数据;
根据所述解缠数据与真实相位数据的损失值,调整训练参数;
根据调整后的所述训练参数训练,并对训练过程进行优化,完成解缠。
其中,将获取的待解缠数据输入神经网络模型中进行训练,得到解缠数据,包括:
将获取的待解缠数据输入神经网络模型中的生成器中,经过卷积和反卷积运算后,输出解缠完成的解缠数据。
其中,根据调整后的所述训练参数训练,并对训练过程进行优化,完成解缠,包括:
根据调整后的所述训练参数对所述待解缠数据进行训练,所述解缠数据和所述真实相位数据之间的所述损失值减小,并利用AdaDelta算法策略对训练过程进行优化,直至所述损失值小于阈值,完成解缠。
本发明的一种用于干涉合成孔径雷达相位解缠方法,将获取的待解缠数据输入神经网络模型中的生成器中,经过卷积和反卷积运算后,输出解缠完成的解缠数据,然后根据所述解缠数据与真实相位数据对应的的损失值,调整训练参数;最后根据调整后的所述训练参数进行训练,并利用AdaDelta算法策略对训练过程进行优化,直至所述损失值小于阈值,完成解缠,提高相位解缠算法的效率。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案,下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍,显而易见地,下面描述中的附图仅仅是本发明的一些实施例,对于本领域普通技术人员来讲,在不付出创造性劳动的前提下,还可以根据这些附图获得其他的附图。
图1是本发明提供的一种用于干涉合成孔径雷达相位解缠方法的步骤示意图。
图2是本发明提供的生成器的网络结构图。
图3是本发明提供的判别器的网络结构图。
具体实施方式
下面详细描述本发明的实施例,所述实施例的示例在附图中示出,其中自始至终相同或类似的标号表示相同或类似的元件或具有相同或类似功能的元件。下面通过参考附图描述的实施例是示例性的,旨在用于解释本发明,而不能理解为对本发明的限制。
请参阅图1,本发明提供一种用于干涉合成孔径雷达相位解缠方法,包括:
S101、将获取的待解缠数据输入神经网络模型中进行训练,得到解缠数据。
具体的,将获取的待解缠数据输入神经网络模型中的生成器中,经过卷积和反卷积运算后,输出解缠完成的解缠数据,其中,所述生成器主要包括卷积和反卷积器,其他还包括激活函数、正则化等过程,具体结构如图2提供的生成器网络结构图所示,按照图2中的箭头指向,对输入的所述待解缠数据进行训练,输出解缠后的解缠数据。
而所述神经网络在计算机视觉、自然语言处理和语音识别等领域取得的瞩目成绩使人们相信深度学习是人们进入通用人工智能时代的一种途径。深度学习来源于人们对人工神经网络的研究,最初的人工神经网络只能处理简单的逻辑运算和拟合线性函数,随着反向传播(Back Propagation)算法的提出和计算机算力的显著提升,训练更复杂更深的深度神经网络成为可能。
假设C为一个L层的卷积神经网络,其第i层网络的输出为xi=f(xi-1),其中xi-1表示第i-1层网络的输出,f(.)表示该层网络对前一层输出的映射。对于训练一个N分类模型而言,假设训练样本数量为M个,以平方误差为例计算损失函数L:
在每次迭代过程中,利用梯度下降算法对每层网络的神经元权值进行更新。设Wt为第t次迭代后的权值,则权值更新表示为:
常用神经网络层包括卷积层、池化层、激活层、反卷积层和全连接层和输入输出层。
首先针对卷积层,在神经网络中,如果采用全连接的神经网络结构,则对于一副输入图像,需要图像中的每一个像素都需要一个神经元与之连接,即隐含层神经元数量等同于待处理图像的像素数量,因此随着层数增加整个网络的参数规模变得异常庞大,在当前计算机的运算能力下将难以训练。卷积层的提出缓解上述问题。一方面,卷积层采用局部连接的方式,使用卷积核按照固定步长扫描图像全局,这样就减少了神经元的数量;另一方面,同一卷积核遍历整幅输入图像时保持权值共享,即属于同一特征图的神经元与输入数据相连后,将会使用相同的权值参数。
池化层往往紧随卷积层之后,其作用在于过滤冗余特征同时减少参数防止过拟合,本质上是对卷积层所提取到的特征进行聚合统计。池化操作对图像具有平移不变性,即原始图片经过微小平移之后的池化特征仍然保持不变。
最初的神经网络只能拟合线形函数,即便可以将层数不断累加,但是网络的输出仍然与输入保持着线性关系。引入激活层之后,由于激活函数具有非线性,整个神经网络就相当于一个非线性函数,可以用来求解一些非线性问题。实际使用中,我们需要根据任务的不同选择性质相符的激活函数,常见的激活函数包括:Sigmoid、Relu、Leaky ReLU、Tanh、Maxout等。
反卷积又被称为转置卷积,卷积层的前向传播过程就是反卷积层的反向传播过程;卷积层的前向传播是为了将数据由高维向低维转换,从而提取其中的特征,而反卷积则是由低维向高维转换,将特征转换为相应的信息。
一般在输出层之前会加全连接层,即输入的所有神经元与输出的所有神经元之间全部连接,有研究表明,全连接层在特征提取上相比其他层而言有最好的效果,同时也有最大的计算复杂度。
输入层是将输入数据转换成网络要求的特殊形状,即将二维或者三维矩阵“拉直”,使其成为一维矩阵;输出层根据网络的特定任务呈现不同的结构,输出特定结构的数据。
S102、根据所述解缠数据与真实相位数据的损失值,调整训练参数。
具体的,将输出的所述解缠数据与真实相位数据在所述神经网络模型中的判别器中进行计算,得到所述解缠数据与所述真实相位数据之间的损失值,其中,所述判别器的网络结构如图3所示,主要有卷积层、全零填充层、正则化等构成;利用交叉熵损失函数进行计算:
其中,L是损失,sj的是分类的概率值,yi为指示变量,如果该类别和样本类别相同则为1,否则为0,当所述损失值为零时,则所述生成器调整训练参数,若所述损失值为1,则生成器中的训练参数不变。
S103、根据调整后的所述训练参数训练,并对训练过程进行优化,完成解缠。
具体的,根据调整后的所述训练参数对所述待解缠数据进行训练,所述解缠数据和所述真实相位数据之间的所述损失值减小,即生成的解缠后的数据与真实相位不断接近,而在调整训练参数进行训练的过程中,所述生成器中的损失函数由两部分组成,分别是真实相位图和生成器生成的解缠相位图的均方差lossG、鉴别器输出和全1矩阵的交叉熵lossD:
losstotal=lossG+lossD
然后利用AdaDelta算法策略对训练过程进行优化,使用的为Adam优化器,其算法思想为:首先,Adam中动量直接并入了梯度一阶矩(指数加权)的估计。其次,相比于缺少修正因子导致二阶矩估计可能在训练初期具有很高偏置的RMSProp,Adam包括偏置修正,修正从原点初始化的一阶矩(动量项)和(非中心的)二阶矩估计。
算法描述:
AdaDelta算法策略可以表示为:
其中,mt和vt分别为一阶动量项和二阶动量项。β1,β2为动力值;分别为各自的修正值。Wt表示t时刻即第t迭代模型的参数,gt=ΔJ(Wt)表示t次迭代代价函数关于W的梯度大小;ε是一个取值很小的数为了避免分母为0。
在不断的训练和优化后,直至所述损失值小于阈值或者符合误差要求后,完成解缠,在实际使用神经网络解缠时,丢掉判别器,单独使用生成网络,输入待解缠数据输出解缠后的数据,从而快速准确的完成相位解缠。
本发明所涉及的用于干涉合成孔径雷达相位解缠方法完全不同于传统的算法解缠方法,由于解缠本身就是一个无法完全正确解算的过程,所以传统算法解缠方式往往有很多先决条件,如传统算法解缠首先要假设相位连续,且噪声不能太大,但是真实数据往往是存在不连续性的,所以导致解缠效果不好。本发明方法对待解缠相位没有任何要求,噪声加大只会导致解缠效果误差增大而不会像传统方法无法解缠,本设计的方法没有任何先决条件。
本发明的解缠方法与传统解缠算法在CPU上运行时间如下表所示:
解缠算法 | 蚁群算法 | 枝切法 | 神经网络解缠法 |
运行时间 | 9.88s | 2.13s | 0.19s |
从上表可以看出,本算法在CPU上的运行速度已经是传统算法的十倍以上,因为是深度神经网络算法,GPU对其有非常好的加速效果,如果使用GPU加速,其解缠一幅图所用时间与CPU相比至少提高十倍以上,故利用GPU加速本深度神经网络的解缠速度将会是传统算法的百倍以上,使未来解缠可以满足实时性的要求。
在用传统算法解缠的出现了无法解缠的孤岛,这些孤岛位置传统算法无法解缠;而使用本发明设计方法解缠的解缠效果和真实效果基本一致,通过定量分析,即计算真实相位和神经网络解缠相位的均方差为0.399,远远优于传统算法的2.665,所以根据实际测试,本发明设计的方法在解缠效果方面远远优于传统算法,特别是传统算法产生孤岛效应时,本发明设计的解缠算法不会产生孤岛。
本发明的一种用于干涉合成孔径雷达相位解缠方法,将获取的待解缠数据输入神经网络模型中的生成器中,经过卷积和反卷积运算后,输出解缠完成的解缠数据,然后根据所述解缠数据与真实相位数据对应的的损失值,调整训练参数;最后根据调整后的所述训练参数进行训练,并利用AdaDelta算法策略对训练过程进行优化,直至所述损失值小于阈值,完成解缠,提高相位解缠算法的效率。
以上所揭露的仅为本发明一种较佳实施例而已,当然不能以此来限定本发明之权利范围,本领域普通技术人员可以理解实现上述实施例的全部或部分流程,并依本发明权利要求所作的等同变化,仍属于发明所涵盖的范围。
Claims (2)
1.一种用于干涉合成孔径雷达相位解缠方法,其特征在于,包括:
将获取的待解缠数据输入神经网络模型中进行训练,得到解缠数据;
根据所述解缠数据与真实相位数据的损失值,调整训练参数;
根据调整后的所述训练参数训练,并对训练过程进行优化,完成解缠,包括:
根据调整后的所述训练参数对所述待解缠数据进行训练,所述解缠数据和所述真实相位数据之间的所述损失值减小,其中,在调整训练参数进行训练的过程中,生成器中的损失函数由两部分组成,分别是真实相位图和生成器生成的解缠相位图的均方差lossG、鉴别器输出和全1矩阵的交叉熵lossD:
losstotal=lossG+lossD
利用AdaDelta算法策略对训练过程进行优化,使用Adam优化器,其算法思想为:首先,Adam中动量直接并入了梯度一阶矩的估计;其次,Adam包括偏置修正,修正从原点初始化的一阶矩和二阶矩估计;
算法描述:
AdaDelta算法策略表示为:
其中,mt和vt分别为一阶动量项和二阶动量项;β1,β2为动力值;分别为各自的修正值;Wt表示t时刻即第t迭代模型的参数,gt=ΔJ(Wt)表示t次迭代代价函数关于W的梯度大小;ε是一个取值很小的数为了避免分母为0;
在不断的训练和优化后,直至所述损失值小于阈值或者符合误差要求,完成解缠。
2.如权利要求1所述的用于干涉合成孔径雷达相位解缠方法,其特征在于,将获取的待解缠数据输入神经网络模型中进行训练,得到解缠数据,包括:
将获取的待解缠数据输入神经网络模型中的生成器中,经过卷积和反卷积运算后,输出解缠完成的解缠数据。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010665347.3A CN111812647B (zh) | 2020-07-11 | 2020-07-11 | 一种用于干涉合成孔径雷达相位解缠方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010665347.3A CN111812647B (zh) | 2020-07-11 | 2020-07-11 | 一种用于干涉合成孔径雷达相位解缠方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN111812647A CN111812647A (zh) | 2020-10-23 |
CN111812647B true CN111812647B (zh) | 2022-06-21 |
Family
ID=72843324
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010665347.3A Active CN111812647B (zh) | 2020-07-11 | 2020-07-11 | 一种用于干涉合成孔径雷达相位解缠方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111812647B (zh) |
Families Citing this family (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112381172B (zh) * | 2020-11-28 | 2022-09-16 | 桂林电子科技大学 | 一种基于U-net的InSAR干涉图像相位解缠方法 |
CN112986994B (zh) * | 2021-02-06 | 2023-11-17 | 中国人民解放军国防科技大学 | 一种sar层析参考网快速生成方法 |
CN113268701B (zh) * | 2021-03-08 | 2023-01-03 | 桂林电子科技大学 | 一种基于网络流的枝切法相位解缠方法 |
CN117523344B (zh) * | 2024-01-08 | 2024-03-19 | 南京信息工程大学 | 一种基于相位质量加权卷积神经网络的干涉相位解缠方法 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105467390A (zh) * | 2016-01-12 | 2016-04-06 | 重庆大学 | 一种基于地基InSAR的桥梁形变近距离监测方法 |
CN109541596A (zh) * | 2018-11-28 | 2019-03-29 | 中国电子科技集团公司电子科学研究院 | 基于深度学习算法的InSAR图像处理方法及装置 |
CN109712183A (zh) * | 2018-11-28 | 2019-05-03 | 天津大学 | 基于深度学习的电子散斑干涉智能信息提取方法 |
CN110472667A (zh) * | 2019-07-19 | 2019-11-19 | 广东工业大学 | 基于反卷积神经网络的小目标分类方法 |
Family Cites Families (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US6943724B1 (en) * | 2002-10-30 | 2005-09-13 | Lockheed Martin Corporation | Identification and tracking of moving objects in detected synthetic aperture imagery |
US8026840B2 (en) * | 2005-10-28 | 2011-09-27 | Raytheon Company | Biometric radar system and method for identifying persons and positional states of persons |
US7737877B2 (en) * | 2007-03-22 | 2010-06-15 | Harris Corporation | Method and apparatus for processing SAR images based on a complex anisotropic diffusion filtering algorithm |
US9978013B2 (en) * | 2014-07-16 | 2018-05-22 | Deep Learning Analytics, LLC | Systems and methods for recognizing objects in radar imagery |
US10365606B2 (en) * | 2017-04-07 | 2019-07-30 | Thanh Nguyen | Apparatus, optical system, and method for digital holographic microscopy |
CN109712109A (zh) * | 2018-11-06 | 2019-05-03 | 杭州电子科技大学 | 一种基于残差卷积神经网络的光学图像相位解缠绕方法 |
CN109886880B (zh) * | 2019-01-03 | 2021-02-26 | 杭州电子科技大学 | 一种基于U-Net分割网络的光学图像相位解缠绕方法 |
CN110163817B (zh) * | 2019-04-28 | 2021-06-18 | 浙江工业大学 | 一种基于全卷积神经网络的相位主值提取方法 |
-
2020
- 2020-07-11 CN CN202010665347.3A patent/CN111812647B/zh active Active
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105467390A (zh) * | 2016-01-12 | 2016-04-06 | 重庆大学 | 一种基于地基InSAR的桥梁形变近距离监测方法 |
CN109541596A (zh) * | 2018-11-28 | 2019-03-29 | 中国电子科技集团公司电子科学研究院 | 基于深度学习算法的InSAR图像处理方法及装置 |
CN109712183A (zh) * | 2018-11-28 | 2019-05-03 | 天津大学 | 基于深度学习的电子散斑干涉智能信息提取方法 |
CN110472667A (zh) * | 2019-07-19 | 2019-11-19 | 广东工业大学 | 基于反卷积神经网络的小目标分类方法 |
Non-Patent Citations (1)
Title |
---|
"Deep learning approaches for unwrapping phase images with steep spatial gradients: a simulation";Gili Dardikman等;《2018 ICSEE International Conference on the Science of Electrical Engineering》;20181231;第1-4页 * |
Also Published As
Publication number | Publication date |
---|---|
CN111812647A (zh) | 2020-10-23 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111812647B (zh) | 一种用于干涉合成孔径雷达相位解缠方法 | |
CN109949255B (zh) | 图像重建方法及设备 | |
CN110188685B (zh) | 一种基于双注意力多尺度级联网络的目标计数方法及系统 | |
WO2022036777A1 (zh) | 基于卷积神经网络的人体动作姿态智能估计方法及装置 | |
CN107316013B (zh) | 基于nsct变换和dcnn的高光谱图像分类方法 | |
CN110232341B (zh) | 基于卷积-堆叠降噪编码网络的半监督学习图像识别方法 | |
CN108062756A (zh) | 基于深度全卷积网络和条件随机场的图像语义分割方法 | |
CN110135580A (zh) | 一种卷积网络全整型量化方法及其应用方法 | |
CN113392931B (zh) | 基于自监督学习及多任务学习的高光谱开放集分类方法 | |
CN110287777B (zh) | 一种自然场景下的金丝猴躯体分割算法 | |
CN111861906B (zh) | 一种路面裂缝图像虚拟增广模型建立及图像虚拟增广方法 | |
CN110909801A (zh) | 基于卷积神经网络的数据分类方法、系统、介质及设备 | |
CN107516128A (zh) | 一种基于ReLU激活函数的卷积神经网络的花卉识别方法 | |
CN112837320B (zh) | 一种基于并行空洞卷积的遥感影像语义分割方法 | |
CN114972885B (zh) | 基于模型压缩的多模态遥感图像分类方法 | |
Li et al. | Densely connected network for impulse noise removal | |
CN111144500A (zh) | 基于解析高斯机制的差分隐私深度学习分类方法 | |
CN115965862A (zh) | 基于掩码网络融合图像特征的sar舰船目标检测方法 | |
CN114758224A (zh) | 一种基于深度学习的垃圾分类检测方法 | |
CN112581626B (zh) | 一种基于非参数化和多注意力机制的复杂曲面测量系统 | |
CN114092803A (zh) | 基于遥感图像的云检测方法、装置、电子设备及介质 | |
Kim et al. | Hybrid deep learning framework for reduction of mixed noise via low rank noise estimation | |
Yadav et al. | Design of CNN architecture for Hindi Characters | |
CN107358625A (zh) | 基于SPP Net和感兴趣区域检测的高分辨SAR图像变化检测方法 | |
CN106971392A (zh) | 一种结合dt‑cwt和mrf的遥感图像变化检测方法与装置 |
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 | ||
GR01 | Patent grant | ||
GR01 | Patent grant |