CN111898633A - 一种基于高光谱图像的海上舰船目标检测方法 - Google Patents
一种基于高光谱图像的海上舰船目标检测方法 Download PDFInfo
- Publication number
- CN111898633A CN111898633A CN202010567591.6A CN202010567591A CN111898633A CN 111898633 A CN111898633 A CN 111898633A CN 202010567591 A CN202010567591 A CN 202010567591A CN 111898633 A CN111898633 A CN 111898633A
- Authority
- CN
- China
- Prior art keywords
- samples
- target
- network
- data
- training
- 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.)
- Granted
Links
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
-
- 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
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/045—Combinations of networks
-
- 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
-
- 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
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V20/00—Scenes; Scene-specific elements
- G06V20/10—Terrestrial scenes
- G06V20/13—Satellite images
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V20/00—Scenes; Scene-specific elements
- G06V20/10—Terrestrial scenes
- G06V20/194—Terrestrial scenes using hyperspectral data, i.e. more or other wavelengths than RGB
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V2201/00—Indexing scheme relating to image or video recognition or understanding
- G06V2201/07—Target detection
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- General Engineering & Computer Science (AREA)
- Computing Systems (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Computational Linguistics (AREA)
- Biophysics (AREA)
- Biomedical Technology (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Health & Medical Sciences (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Biology (AREA)
- Astronomy & Astrophysics (AREA)
- Remote Sensing (AREA)
- Multimedia (AREA)
- Image Analysis (AREA)
Abstract
本发明公开了一种基于高光谱图像的海上舰船目标检测方法,本发明采用孪生网络策略,对增强后的目标数据以及原始背景数据进行预处理,形成对目标检测数据具有泛化性的训练数据像素对代替原始单个像素作为训练网络的输入,构造像素对代替单个像元输入,使得检测算法具有较理想的检测效果和较高实用性。将深度学习的思想引入到高光谱目标检测是通过构建深度网络结构将低级特征组合合并变换得到更高层次的抽象特征,特别是其中的卷积神经网络,利用卷积操作的网络层次,更适合于光谱特征的提取,从而提升检测精度。
Description
技术领域
本发明涉及高光谱图像的海上舰船目标检测领域,采用深度学习的方法,生成样本进行数据增强,并充分提取高光谱像素对特征,适用于高光谱目标检测领域的小样本少类别目标检测。
背景技术
随着遥感卫星技术的飞速发展,光学遥感影像的分辨率逐步提高,对遥感影像上的关键目标进行检测与识别具有重要研究价值和现实意义,舰船是海上最重要的运输载体,也是军事活动中的重点打击目标,对其进行检测与识别在民用和军事领域都有巨大的应用前景。遥感图像具有成像清晰直观、细节丰富,分辨率高等优点,在舰船检测方面有着很大的优势,基于遥感影像的舰船目标检测技术作为一种主动式的舰船动态监测新兴技术,使得大范围,远距离的监测成为可能,极大地丰富军事、海事部门的监测手段。
高光谱遥感能够以连续光谱对同一目标同时成像,能够鉴别背景像元与伪装目标的光谱特征的不同,发现军事装备。高光谱目标检测根据光谱信息中异常点与背景统计特征的差异来进行检测,致力于在高光谱图像上寻找与先验目标光谱相似的像素点,使其作为目标从广阔的背景中分离出来。因此可以将高光谱图像目标检测看作是二分类问题,即对图像进行像素级的分类,确定哪些是目标,哪些是背景。高光谱遥感数据中蕴含了丰富的地物光谱信息,能发掘纹理、边缘等空间特征无法或难以探测的地面目标,对于影像中小像素甚至亚像素目标或成份的检测与识别非常有利。因此,利用高光谱遥感影像进行目标检测与识别,一直是高光谱遥感数据信息处理领域比较活跃的研究方向,也是高光谱遥感技术在军事上的重要应用之一。高光谱目标检测在经历了十多年的发展后,从早期的单一光谱信息利用方式,慢慢转变为空间信息与光谱信息相结合的使用策略。在基于高光谱遥感影像的小目标检测研究中,人们提出过不同的方法。例如:光谱匹配、混合光谱分解和正交子空间投影等方法是比较常用的目标检测算法。但这些方法属于监督分析方法,需要预先描述兴趣目标的特征模型参数,再通过对原始影像数据进行匹配、分解、变换等操作进而突出目标点;此外,这些方法仅局限在对光谱信息的处理上,存在目标先验知识的依赖。
借助预警雷达获取的图像数据检测舰船目标是传统的舰船检测技术之一,但由于小型舰船目标具有较为严重的海面背景杂波现象,背景杂波的雷达回波信号强于目标回波特性,淹没了目标的反射特性,使得误检和漏检率较高。基于高光谱图像的海上舰船目标检测方法充分利用舰船目标与海水背景的光谱差异,在实现舰船位置、形状等空间特征探测的同时,捕获了舰船目标的光谱信息,有利于目标材质分析、目标属性信息判定,在船只识别、监控、跟踪方面发挥重要作用。
为改善海上舰船面向突发情况的实时响应力,海上舰船检测系统需具备良好的实时性以及鲁棒性。受海洋季风影响,海洋环境气候复杂多变,实际遥感影像存在云块、光照、雾气、海浪等不确定因素的干扰。传统海上舰船目标检测算法在复杂海洋背景下,受限于太阳光照、海面雾气及船舶自身分布状况等海面不确定因素的影响,虚警率高,难以满足舰船智能检测的需要。而深度学习模型在特征学习方面具有突出的优势,多隐层的多层感知器结构使其能够学习到刻画数据本质特性的特征,该类特征具备更为丰富的信息储量,提高检测和目标识别性能。基于深度学习的海上舰船目标检测算法具有独特优势,该方法结合神经网络在大数据特征学习方面的优势,可以快速有效地从海量数据中以层次学习的方法提取目标的代表性和区别性特征。
发明内容
针对以上问题,本发明提出了一种基于高光谱图像的海上舰船目标检测方法,依赖于神经网络在大数据特征学习方面具有独特优势,快速有效地从海量数据中提取目标的代表性和区别性特征。高光谱图像目标检测属于小样本问题,为了解决训练样本的稀少问题,本发明主要从样本生成的角度出发,解决样本不足问题。由于高光谱遥感图像的维度高达几十甚至上百,标签样本采集困难,无法直接使用单个像素的光谱特征构建及训练深度卷积神经网络分类器,拟采用孪生网络策略,对增强后的目标数据以及原始背景数据进行预处理,形成对目标检测数据具有泛化性的训练数据像素对代替原始单个像素作为训练网络的输入,构造像素对代替单个像元输入,使得检测算法具有较理想的检测效果和较高实用性。具体包括步骤:
S1,结合U-net思想,改进自动编码器,利用输出与输入近似的约束性质,使用解码器的输出层数据作为生成的目标样本数据;
S2,数据预处理,制作训练数据对,从目标类和背景类中分别选择样本,来自同一类即相似类的标签为0,来自不同类即相异类的标签为1;
S3,输入深度网络提取特征,采用孪生网络思想,共享两路网络的权值,约束两路输出,学习样本光谱间的相似性和差异性;
S4,测试阶段使用投票策略,匹配未知样本,寻找与先验目标光谱相似的像素点;
进一步地,步骤S1、S2、S3、S4具体包括:
S101,选择高光谱数据图中所有可获取像素点作为训练样本,利用输出近似输入的性质,约束UAE网络的训练,提升网络的生成样本能力;
S102,选择某几个先验样本作为已知样本,作为测试样本,生成新的目标样本。为了保证与背景样本间的数据平衡性,目标样本的数量为背景样本数量的二倍,生成大约1000个目标样本;
S201,对应1000个目标样本所属的目标类,随机选择500个背景样本点,作为背景类;
S202,分别从数据的目标点和背景点中选出一些样本,然后将同目标类的样本相互配对得到一组新的样本,我们把这组样本归为相似类,标记为0;相似地,由目标类和背景类之间的样本配对后得到的样本归为相异类,标记为1。这样就得到了数量非常充足的训练样本,使用训练集中的成对样本进行训练;
S301,在训练阶段使用孪生网络思想,通过两路输入共享网络权值,约束两路输出,达到如下目的:最小化来自相同类别的一对样本的损失函数值,最大化来自不同类别的一堆样本的损失函数值;
S302,训练过程中按照9:1的数量比划分训练集和验证集,及时监测网络的训练过程;
S401,对于一个待检测像素,将它与周围的像素进行配对,然后作为输入送入训练好的模型中;
S402,通过训练好的孪生网络鉴别已配对样本间的相似性和差异性,并给出相似性度量分数,网络的输出是一个C+1维的张量,每一行代表每一个像素对属于这些类别的概率;
S403,使用投票策略,结合相似性度量分数值,匹配待测样本与已知样本,给出待测样本的标签。
将深度学习的思想引入到高光谱目标检测是通过构建深度网络结构将低级特征组合合并变换得到更高层次的抽象特征,特别是其中的卷积神经网络,利用卷积操作的网络层次,更适合于光谱特征的提取,从而提升检测精度。在本方案中的孪生网络学习策略对增强后的目标数据以及原始背景数据进行预处理,形成对目标检测数据具有泛化性的训练数据像素对代替单个原始像素作为训练网络参数的输入,构造像素对代替单个像元输入,从数据中去学习一个相似性度量增强目标检测效果,使得检测算法具有较理想的检测效果和实用性。
附图说明
下面结合附图和实施例对本发明进一步说明。
图1为本发明的流程图;
图2为UAE生成样本的示意图;
图3为数据预处理阶段样本匹配的示意图;
图4是网络细节信息的示意图;
图5为孪生网络提取特征的流程图;
具体实施方式
以下结合附图和实施例对本发明进行详细说明。
图2为UAE生成样本的示意图;对于可见光图片,样本增强的手段有很多,例如旋转、翻折、加噪等等。但这些方式难以用在以像素级的光谱为单位的高光谱目标检测中,因为光谱之中并不具备空间信息,所以旋转与翻折等手段无疑会破坏原有的光谱信息,可能会使其变为完全不同的另一类光谱。而加噪的方式无法使光谱具有多样性,这样即使增加了很多样本,但它们的本质都是一样的,并没有让多样性增加。生成样本的方式则可以解决这些问题,因此以具有生成能力的自编码器(Auto Encoder,AE)为基础加以改进,搭建了一个样本生成器UAE,从而解决了目标样本不足的问题。AE的模型架构通常由编码器与解码器两大组件构成。编码器通过深度网络中常见的卷积等操作,以编码权重及偏置变量将输入映射到隐层子空间中,形成隐层特征,经编码操作获取隐层表示特征后,解码器借助该隐层表示特征对输入量进行反向重构,AE网络的训练通过最小化输入与重构量之间的误差而驱动。利用AE输出逼近输入的特性,将输出层作为我们想要的输出,也就是生成的结果。然而简单的AE是无法拟合复杂的光谱特性的,并且也不能很好地保存原始的纹理信息,因此借鉴U-Net的思想,提出了一个带有直连接路径以及左右对称结构的AE,这里记为U-AE。改进后的U-AE模型由5个卷阶层、一个最大值池化层、一个上采样层和一个直连接路径组成。与原始的全连接层相比,卷积层的加入在减少参数的同时,可以提取更深层的特征。上采样操作代替了池化层的操作,用来增加光谱的分辨率,以将输出拓展回输入的维度。为了确保可以保存纹理特征,从低级特征到上采样的高级特征间由一个直连接路径拼接在一起。
图3为数据预处理阶段样本匹配的示意图;孪生网络从数据中去学习一个相似性度量,用这个学习出来的度量去比较和匹配新的未知类别的样本,被应用于那些类别数多或者整个训练样本无法用于之前方法训练的分类问题。主要思想是通过一个函数将输入映射到目标空间,在目标空间使用简单的距离(欧式距离等)进行对比相似度。在训练阶段去最小化来自相同类别的一对样本的损失函数值,最大化来自不同类别的一堆样本的损失函数值。给定一组映射函数GW(X),其中参数为W,我们的目的就是去找一组参数W。使得当X1和X2属于同一个类别的时候,相似性度量EW(X1,X2)=||GW(X1)-GW(X2)||是一个较小的值,当X1和X2属于不同的类别的时候,相似性度量EW(X1,X2)=||GW(X1)-GW(X2)||较大。对于目标检测数据而言,目标点之间的光谱相似度高,而与背景点的相似度较低。利用这一特性可对数据进行如下处理:我们分别从数据的目标点和背景点中选出一些样本,然后将同目标类的样本相互配对得到一组新的样本,我们把这组样本归为相似类,标记为0;相似地,由目标类和背景类之间的样本配对后得到的样本归为相异类,标记为1。这样就得到了数量非常充足的训练样本,使用训练集中的成对样本进行训练。当X1和X2来自相同类别的时候,最小化损失函数EW(X1,X2),当X1和X2来自不同类别的时候,最大化EW(X1,X2)。
图4是整个网络的细节信息,利用深度网络抽取特征。假设输入的高光谱数据的光谱维数d=200,第一个卷积层(C1)用十个1×9×1的卷积核对1×200×1的输入进行滤波处理,产生一个1×192×10的张量(192=200-9+1,周围无填充)。多个卷积层之后一般会接有一个池化层。为了得到high-level的特征,将上述卷积层和池化层进行交换堆叠,使网络变的更深。
C1之后的层包括1×3的卷积层,池化层,还有ReLU激活层。池化层在卷积层之后,主要是用降采样来获取一个相比卷积层更低分辨率的表示。第二个卷积层(C2)用十个1×3×10的卷积核对输入张量进行滤波,得到和C1层一样的张量,然后使用一个1×3的池化层来减小光谱维度。值得说明的是,一个1×5的卷积层通常使用两个1×3的卷积层来代替,因为这样可以增大模型的非线性特性并且减少参数。在每个池化层之后,卷积核的个数都会被加倍(例如,在C3层中,有20个1×3×10的卷积核,得到的是一个1×62×20的张量)。网络中总共有三个池化层,大小分别为1×3、1×2、1×2。使用1×2的池化层主要是因为这样可以保留更多的信息,因为随着网络层数的加深,抽取的特征也会对后面的分类更有用。
在上述的深层卷积神经结构中,有三个池化层用来减小光谱维度。一旦光谱维度被减小到一定的值(例如13),C7张量就被送入两个全连接层(即FC1和FC2)。传统网络中的全连接层在这里被转化成卷积层,例如80个1×13×40的卷积核作用在C7张量上,得到一个1×1×80的张量。网络最后连接一个softmax层用来做分类。
和传统的神经网络类似,卷积神经网络的训练主要包括两步:前向传播和反向传播。前者使用网络现在的参数来计算网络的分类结果,而后者则是负责更新网络中那些可学习的参数。
图5是孪生网络提取特征的流程图;该网络可以区分那些新的没有经过训练的类别的样本。这里设网络分别输出低维空间的结果为GW(X1)和GW(X2),它们是由X1和X2经过网络映射得到的。然后将两个输出结果使用能量函数EW(X1,X2)进行比较。假设损失函数只和输入和参数有关,损失函数的形式为:
其中EW(X1,X2)=||GW(X1)-GW(X2)||,Q是一个常量。
在高光谱图像中,相邻像素在很大程度上都属于同类物质,因此在检测阶段使用带有投票策略的联合检测。针对待检测像素,将其与周围像素配对,然后作为输入送入训练好的模型中。网络输出是一个C+1维的张量,每行代表每个像素对属于这些类的概率(类别的标签从0到C,并且标签为0的第C+1类会在之后计算中被剔除)。
Claims (5)
1.一种基于高光谱图像的海上舰船目标检测方法,其特征在于:具体包括步骤:
S1,结合U-net,改进自动编码器,利用输出与输入约束性质,使用解码器的输出层数据作为生成的目标样本数据;
S2,数据预处理,制作训练数据对,从目标类和背景类中分别选择样本,来自同一类即相似类的标签为0,来自不同类即相异类的标签为1;
S3,输入深度网络提取特征,采用孪生网络思想,共享两路网络的权值,约束两路输出,学习样本光谱间的相似性和差异性;
S4,测试阶段使用投票策略,匹配未知样本,寻找与先验目标光谱相似的像素点。
2.根据权利要求1所述的一种基于高光谱图像的海上舰船目标检测方法,其特征在于:步骤S1具体包括:
S101,选择高光谱数据图中所有可获取像素点作为训练样本,利用输出近似输入的性质,约束UAE网络的训练,提升网络的生成样本能力;
S102,选择某几个先验样本作为已知样本,作为测试样本,生成新的目标样本;为保证与背景样本间的数据平衡性,目标样本的数量为背景样本数量的二倍,生成大约1000个目标样本。
3.根据权利要求1所述的一种基于高光谱图像的海上舰船目标检测方法,其特征在于:步骤S2具体包括:S201,对应1000个目标样本所属的目标类,随机选择500个背景样本点,作为背景类;
S202,分别从数据的目标点和背景点中选出一些样本,然后将同目标类的样本相互配对得到一组新的样本,我们把这组样本归为相似类,标记为0;相似地,由目标类和背景类之间的样本配对后得到的样本归为相异类,标记为1;这样就得到了数量非常充足的训练样本,使用训练集中的成对样本进行训练。
4.根据权利要求1所述的一种基于高光谱图像的海上舰船目标检测方法,其特征在于:步骤S3具体包括:S301,在训练阶段使用孪生网络思想,通过两路输入共享网络权值,约束两路输出,达到如下目的:最小化来自相同类别的一对样本的损失函数值,最大化来自不同类别的一堆样本的损失函数值;
S302,训练过程中按照9:1的数量比划分训练集和验证集,及时监测网络的训练过程。
5.根据权利要求1所述的一种基于高光谱图像的海上舰船目标检测方法,其特征在于:步骤S4具体包括:S401,对于一个待检测像素,将它与周围的像素进行配对,然后作为输入送入训练好的模型中;
S402,通过训练好的孪生网络鉴别已配对样本间的相似性和差异性,并给出相似性度量分数,网络的输出是一个C+1维的张量,每一行代表每一个像素对属于这些类别的概率;
S403,使用投票策略,结合相似性度量分数值,匹配待测样本与已知样本,给出待测样本标签。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010567591.6A CN111898633B (zh) | 2020-06-19 | 2020-06-19 | 一种基于高光谱图像的海上舰船目标检测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010567591.6A CN111898633B (zh) | 2020-06-19 | 2020-06-19 | 一种基于高光谱图像的海上舰船目标检测方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN111898633A true CN111898633A (zh) | 2020-11-06 |
CN111898633B CN111898633B (zh) | 2023-05-05 |
Family
ID=73206345
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010567591.6A Active CN111898633B (zh) | 2020-06-19 | 2020-06-19 | 一种基于高光谱图像的海上舰船目标检测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111898633B (zh) |
Cited By (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112784774A (zh) * | 2021-01-27 | 2021-05-11 | 山东农业大学 | 一种基于数据增强的小样本高光谱分类方法 |
CN112816474A (zh) * | 2021-01-07 | 2021-05-18 | 武汉大学 | 一种基于目标感知的深度孪生网络高光谱视频目标跟踪方法 |
CN112949422A (zh) * | 2021-04-30 | 2021-06-11 | 西北工业大学 | 一种基于自监督光谱匹配框架的高光谱目标检测方法 |
CN113095409A (zh) * | 2021-04-13 | 2021-07-09 | 西安电子科技大学 | 基于注意力机制和权值共享的高光谱图像分类方法 |
CN113095145A (zh) * | 2021-03-15 | 2021-07-09 | 南京理工大学 | 像素对匹配与双窗口判别的高光谱异常检测深度学习方法 |
CN113128518A (zh) * | 2021-03-30 | 2021-07-16 | 西安理工大学 | 基于孪生卷积网络和特征混合的sift误匹配检测方法 |
CN113705501A (zh) * | 2021-09-02 | 2021-11-26 | 浙江索思科技有限公司 | 一种基于图像识别技术的海上目标检测方法和系统 |
CN113723482A (zh) * | 2021-08-20 | 2021-11-30 | 西安电子科技大学 | 基于多示例孪生网络的高光谱目标检测方法 |
CN113870254A (zh) * | 2021-11-30 | 2021-12-31 | 中国科学院自动化研究所 | 目标对象的检测方法、装置、电子设备及存储介质 |
CN114549985A (zh) * | 2022-02-23 | 2022-05-27 | 清华大学 | 一种基于自监督对比学习的目标检测方法及系统 |
CN112949422B (zh) * | 2021-04-30 | 2024-06-04 | 西北工业大学 | 一种基于自监督光谱匹配框架的高光谱目标检测方法 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20120140981A1 (en) * | 2008-07-17 | 2012-06-07 | Chemlmage Corporation | System and Method for Combining Visible and Hyperspectral Imaging with Pattern Recognition Techniques for Improved Detection of Threats |
CN108960143A (zh) * | 2018-07-04 | 2018-12-07 | 北京航空航天大学 | 一种高分辨率可见光遥感图像中的舰船检测深度学习方法 |
CN109583425A (zh) * | 2018-12-21 | 2019-04-05 | 西安电子科技大学 | 一种基于深度学习的遥感图像船只集成识别方法 |
CN110222773A (zh) * | 2019-06-10 | 2019-09-10 | 西北工业大学 | 基于不对称分解卷积网络的高光谱图像小样本分类方法 |
CN111027509A (zh) * | 2019-12-23 | 2020-04-17 | 武汉大学 | 一种基于双流卷积神经网络的高光谱图像目标检测方法 |
-
2020
- 2020-06-19 CN CN202010567591.6A patent/CN111898633B/zh active Active
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20120140981A1 (en) * | 2008-07-17 | 2012-06-07 | Chemlmage Corporation | System and Method for Combining Visible and Hyperspectral Imaging with Pattern Recognition Techniques for Improved Detection of Threats |
CN108960143A (zh) * | 2018-07-04 | 2018-12-07 | 北京航空航天大学 | 一种高分辨率可见光遥感图像中的舰船检测深度学习方法 |
CN109583425A (zh) * | 2018-12-21 | 2019-04-05 | 西安电子科技大学 | 一种基于深度学习的遥感图像船只集成识别方法 |
CN110222773A (zh) * | 2019-06-10 | 2019-09-10 | 西北工业大学 | 基于不对称分解卷积网络的高光谱图像小样本分类方法 |
CN111027509A (zh) * | 2019-12-23 | 2020-04-17 | 武汉大学 | 一种基于双流卷积神经网络的高光谱图像目标检测方法 |
Cited By (15)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112816474A (zh) * | 2021-01-07 | 2021-05-18 | 武汉大学 | 一种基于目标感知的深度孪生网络高光谱视频目标跟踪方法 |
CN112784774A (zh) * | 2021-01-27 | 2021-05-11 | 山东农业大学 | 一种基于数据增强的小样本高光谱分类方法 |
CN113095145A (zh) * | 2021-03-15 | 2021-07-09 | 南京理工大学 | 像素对匹配与双窗口判别的高光谱异常检测深度学习方法 |
CN113128518A (zh) * | 2021-03-30 | 2021-07-16 | 西安理工大学 | 基于孪生卷积网络和特征混合的sift误匹配检测方法 |
CN113095409A (zh) * | 2021-04-13 | 2021-07-09 | 西安电子科技大学 | 基于注意力机制和权值共享的高光谱图像分类方法 |
CN112949422A (zh) * | 2021-04-30 | 2021-06-11 | 西北工业大学 | 一种基于自监督光谱匹配框架的高光谱目标检测方法 |
CN112949422B (zh) * | 2021-04-30 | 2024-06-04 | 西北工业大学 | 一种基于自监督光谱匹配框架的高光谱目标检测方法 |
CN113723482B (zh) * | 2021-08-20 | 2024-04-02 | 西安电子科技大学 | 基于多示例孪生网络的高光谱目标检测方法 |
CN113723482A (zh) * | 2021-08-20 | 2021-11-30 | 西安电子科技大学 | 基于多示例孪生网络的高光谱目标检测方法 |
CN113705501A (zh) * | 2021-09-02 | 2021-11-26 | 浙江索思科技有限公司 | 一种基于图像识别技术的海上目标检测方法和系统 |
CN113705501B (zh) * | 2021-09-02 | 2024-04-26 | 浙江索思科技有限公司 | 一种基于图像识别技术的海上目标检测方法和系统 |
CN113870254B (zh) * | 2021-11-30 | 2022-03-15 | 中国科学院自动化研究所 | 目标对象的检测方法、装置、电子设备及存储介质 |
CN113870254A (zh) * | 2021-11-30 | 2021-12-31 | 中国科学院自动化研究所 | 目标对象的检测方法、装置、电子设备及存储介质 |
CN114549985A (zh) * | 2022-02-23 | 2022-05-27 | 清华大学 | 一种基于自监督对比学习的目标检测方法及系统 |
CN114549985B (zh) * | 2022-02-23 | 2023-01-31 | 清华大学 | 一种基于自监督对比学习的目标检测方法及系统 |
Also Published As
Publication number | Publication date |
---|---|
CN111898633B (zh) | 2023-05-05 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111898633B (zh) | 一种基于高光谱图像的海上舰船目标检测方法 | |
CN111738112B (zh) | 基于深度神经网络和自注意力机制的遥感船舶图像目标检测方法 | |
Wu et al. | Inshore ship detection based on convolutional neural network in optical satellite images | |
Zhang et al. | A new benchmark and an attribute-guided multilevel feature representation network for fine-grained ship classification in optical remote sensing images | |
CN111753677B (zh) | 基于特征金字塔结构的多角度遥感船舶图像目标检测方法 | |
CN109871902B (zh) | 一种基于超分辨率对抗生成级联网络的sar小样本识别方法 | |
Chang et al. | Change detection of land use and land cover in an urban region with SPOT-5 images and partial Lanczos extreme learning machine | |
Zhang et al. | A domain adaptation neural network for change detection with heterogeneous optical and SAR remote sensing images | |
CN113643284B (zh) | 基于卷积神经网络的极化合成孔径雷达图像舰船检测方法 | |
Liu et al. | Joint classification of hyperspectral and multispectral images for mapping coastal wetlands | |
Yu et al. | A hybrid capsule network for land cover classification using multispectral LiDAR data | |
Ji et al. | Few-shot scene classification of optical remote sensing images leveraging calibrated pretext tasks | |
Yu et al. | CapViT: Cross-context capsule vision transformers for land cover classification with airborne multispectral LiDAR data | |
Bragilevsky et al. | Deep learning for Amazon satellite image analysis | |
Xu et al. | Feature-based constraint deep CNN method for mapping rainfall-induced landslides in remote regions with mountainous terrain: An application to Brazil | |
CN116152678A (zh) | 小样本条件下基于孪生神经网络的海洋承灾体识别方法 | |
CN112906564B (zh) | 用于无人机载sar图像自动目标识别的智能决策支持系统设计及实现方法 | |
Zhang et al. | Evaluation and improvement of generalization performance of SAR ship recognition algorithms | |
Li et al. | LF-CNN: Deep Learning-Guided Small Sample Target Detection for Remote Sensing Classification. | |
Chen et al. | Class-aware domain adaptation for coastal land cover mapping using optical remote sensing imagery | |
Guan et al. | Fishing vessel classification in SAR images using a novel deep learning model | |
Drees et al. | Multi-modal deep learning with sentinel-3 observations for the detection of oceanic internal waves | |
CN116363526A (zh) | MROCNet模型构建与多源遥感影像变化检测方法及系统 | |
Lv et al. | Multi-scale attentive region adaptive aggregation learning for remote sensing scene classification | |
Zhu et al. | S 3 trm: spectral-spatial unmixing of hyperspectral imagery based on sparse topic relaxation-clustering model |
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 |