CN112101251B - 基于可变卷积神经网络的sar自动目标识别方法 - Google Patents

基于可变卷积神经网络的sar自动目标识别方法 Download PDF

Info

Publication number
CN112101251B
CN112101251B CN202010987328.2A CN202010987328A CN112101251B CN 112101251 B CN112101251 B CN 112101251B CN 202010987328 A CN202010987328 A CN 202010987328A CN 112101251 B CN112101251 B CN 112101251B
Authority
CN
China
Prior art keywords
layer
sar
convolution
representing
variable
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
Application number
CN202010987328.2A
Other languages
English (en)
Other versions
CN112101251A (zh
Inventor
裴季方
黄钰林
汪志勇
霍伟博
王陈炜
张寅�
杨海光
杨建宇
张永伟
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.)
University of Electronic Science and Technology of China
Original Assignee
University of Electronic Science and Technology of China
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 University of Electronic Science and Technology of China filed Critical University of Electronic Science and Technology of China
Priority to CN202010987328.2A priority Critical patent/CN112101251B/zh
Publication of CN112101251A publication Critical patent/CN112101251A/zh
Application granted granted Critical
Publication of CN112101251B publication Critical patent/CN112101251B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • 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
    • 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
    • G06F18/2415—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on parametric or probabilistic models, e.g. based on likelihood ratio or false acceptance rate versus a false rejection rate
    • 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

Abstract

本发明公开一种基于可变卷积神经网络的SAR自动目标识别方法，应用于雷达目标识别领域，针对现有技术中存在的SAR图像目标的散射特性以及形态特征并没有被网络充分挖掘、利用，整体识别性能并没有太大提升的问题；本发明通过数据扩充，并基于模块中增加额外偏移量的空间采样位置的想法，使得卷积核在输入特征图谱的采样点发生偏移，集中于感兴趣的区域或目标，克服了SAR目标不同方位角的影响，缓解了SAR图像样本量不足的问题，避免了特征提取不充分的情况，泛化能力强，能够有效地利用SAR目标特有的形态、散射信息，实现目标精准识别分类。

Description

基于可变卷积神经网络的SAR自动目标识别方法
技术领域
本发明属于雷达目标识别领域，特别涉及一种目标信息以及类别自动获取的技术。
背景技术
合成孔径雷达(Synthetic Aperture Radar,SAR)是一种高分辨率成像雷达，能在不受光照和气候条件等限制情况下实现全天时、全天候的对地观测，在航空测量、卫星海洋观测、战场感知侦察、农林环境监测、地质地貌勘探等领域有广泛的应用前景，具有极高的民用与军用价值。SAR自动目标识别(Automatic Target Recognition,ATR)是一种基于现代信号处理和模式识别等理论的图像解译技术，其大致可分为检测、鉴别和分类三级流程，旨在获取感兴趣区域可能包含的目标类别，为战场情报分析提供有力支撑。
目前，在SAR ATR的过程中，主要是通过基于模板的方法和基于模型的方法对目标进行有效识别。但传统方法存在效率较低、实时性较差、算法复杂度较高等问题，同时在人工经验影响下难以提取出最优的目标特征，使得系统的识别性能有所下降。随着近几年深度学习的不断发展，其在图像处理、数据挖掘等领域取得了很多成果。凭借其优异的自动化学习能力和特征提取能力，基于深度学习的SAR ATR成为了一个新的热门研究方向。
在深度学习与SAR目标识别领域结合方面，文献“Morgan D AE.Deepconvolutional neural networks for ATR from SAR imagery[C]//Algorithms forSynthetic Aperture Radar Imagery XXII.International Society for Optics andPhotonics,2015,9475:94750F.”将一种深度卷积神经网络应用到SAR十类目标识别问题中，并取得了很好的识别效果，但是网络所需的训练样本量过大，输入样本量较少情况下容易产生过拟合，使得网络的泛化能力较差。文献“Chen S,Wang H,Xu F,et al.Targetclassification using the deep convolutional networks for SAR images[J].IEEETransactions on Geoscience and Remote Sensing,2016,54(8):4806-4817.”用卷积层代替全连接层进行分类，减少了网络的参数量，降低了计算耗时。然而，SAR图像目标的散射特性以及形态特征并没有被网络充分挖掘、利用，整体识别性能并没有太大提升。
发明内容
为解决上述技术问题，本发明提出一种基于可变卷积神经网络的SAR自动目标识别方法，能够有效地利用SAR目标特有的形态、散射信息，实现目标精准识别分类。
本发明采用的技术方案为：一种基于可变卷积神经网络的SAR自动目标识别方法，包括：
S1、获取原始SAR图像；
S2、对步骤S1获取的SAR图像进行预处理；
S3、构建基于可变卷积的深度神经网络；
S4、采用步骤S2得到的SAR图像对步骤S3构建的基于可变卷积的深度神经网络进行训练，从而得到SAR目标识别网络模型。
所述步骤S2具体包括以下分步骤：
S21、根据SAR目标方位角，将原始SAR图像旋转至同一方向；
S22、对经过S21处理后的旋转图像进行数据扩充，以图像像素中心点为基点进行一次随机裁剪。
步骤S3所述的基于可变卷积的深度神经网络，包括五个隐含层，分别记为第一层隐含层、第二层隐含层、第三层隐含层、第四层隐含层、第五层隐含层；所述第一层隐含层为可变卷积层接最大池化层；第二层隐含层为可变卷积层接最大池化层；第三层隐含层为卷积层和最大池化层；第四层隐含层为卷积层；第五层隐含层为卷积层接Softmax。
所述可变卷积层的卷积核在输入特征图谱的采样点发生偏移，集中于感兴趣的区域或目标。
所述可变卷积层通过输入特征图谱中的像素点重排列实现。
本发明的有益效果：与现有技术相比，本发明的方法克服了SAR目标不同方位角的影响，缓解了SAR图像样本量不足的问题，避免了特征提取不充分的情况，泛化能力强，能够有效地利用SAR目标特有的形态、散射信息，实现目标精准识别分类。
附图说明
图1为本发明方法流程图；
图2为本实施方式具体网络结构示意图；
图3为本实施方式可变卷积特征提取示意图；
图4为本实施方式可变卷积计算流程示意图；
图5为本实施方式的SAR目标识别结果；
图6为本实施方式在不同样本量条件下的SAR目标识别结果。
具体实施方式
为便于本领域技术人员理解本发明的技术内容，下面结合附图对本发明内容进一步阐释。
A.获取原始SAR图像：
采集分辨率相同的目标图像及其对应的方位角数据，其中，方位角分布于0°到360°范围内。
B.预处理原始SAR图像：
B.1首先对所获取的合成孔径雷达目标图像，根据步骤A中获取的SAR目标方位角，以该角度将原始SAR图像旋转至同一方向。像素点之间的映射变换满足公式(1)、(2)。
Figure BDA0002689679580000031
Figure BDA0002689679580000032
其中，
Figure BDA0002689679580000033
表示图像逆时针旋转的角度，x,y分别表示原始图像的横坐标和纵坐标，x′,y′分别表示旋转后图像的横坐标和纵坐标。
B.2对步骤B.1处理得到的旋转图像进行数据扩充，以图像像素中心点为基点进行一次随机裁剪。首先，获取未平移前裁剪图像的左上角像素点横纵坐标值xtl和ytl：
xtl＝round[(m-(si-1))/2] (3)
ytl＝round[(n-(si-1))/2] (4)
其中，si表示裁剪后图像尺寸，m和n分别代表原始图像的长宽，round[·]为四舍五入取整运算。
然后，通过公式(5)的计算即可获得裁剪后的图像：
Inew＝I(xtl+i:xtl+i+si-1,ytl+j:ytl+j+si-1) (5)
其中，i和j分别代表图像在横纵轴上平移的距离，I和Inew分别表示原始图像和随机裁剪后的图像。
C.构建基于可变卷积的深度神经网络：
在步骤B的基础上，进行深度神经网络的搭建。如图2所示为本发明实例的具体网络结构，其中，(可变)卷积层表示方法为“(卷积核大小)(可变)卷积，(特征图谱数目)/(修正线性单元)”；池化层表示方法为“(池化窗口大小)最大池化”。整个网络可分为五个隐含层：前两层是交替的可变卷积层和最大池化层，用于提取目标的形态特征和散射特性；第三层是卷积层和最大池化层，第四层是卷积层，进行进一步的特征提取与数据压缩；第五层是卷积层接Softmax，充当分类器，获取图像样本的分类标签；同时在网络中采用了随机失活技术，提高网络的泛化能力。
可变卷积是基于模块中增加额外偏移量的空间采样位置的想法，使得卷积核在输入特征图谱的采样点发生偏移，集中于感兴趣的区域或目标，从形式上看是卷积核形状发生了改变。如图3所示为本发明实例中的可变卷积进行特征提取的示意图，根据输入特征图谱中SAR目标的特性，卷积核自适应调整各采样点的位置，提取出目标的最优特征。在实际中，通过输入特征图谱中的像素点重排列来实现这一操作。如图4所示，重排列后特征图谱上的像素点可通过原始索引值与经过卷积得到的索引偏置相加，然后获取索引值对应原始图像中像素值而产生，计算如公式(6)所示：
xnew(m,n)＝x(m+om,n+on) (6)
其中，x(m,n)和xnew(m,n)分别代表原始图像和经过重排列后图像上的横坐标为m纵坐标为n的像素点；om和on分别代表原始图像上像素点在横轴和纵轴上的偏移量，通过对输入特征图谱进行一次尺寸大小不变、输出通道数为输入通道数两倍的卷积可以获得它们的具体数值；对于索引超出范围的取值，按情况取为0或者范围最大值，对于索引值不为整数的情况，通过双线性插值的方法获取像素值。经过以上操作，最终获得重排列后的特征图谱，对其进行一次普通卷积获得输出特征图谱。
D.训练深度神经网络：
D.1首先，初始化网络权重wl，其分布如公式(7)所示：
Figure BDA0002689679580000041
Figure BDA0002689679580000042
其中，l表示当前卷积层数，hl、wl分别表示卷积层中卷积核的高和宽，dl表示当前卷积层卷积核的个数，
Figure BDA0002689679580000043
表示当前权重张量中的输入单位数量；然后，将偏置项bl初始化为一常数0.1。
D.2网络初始化完成后，进行前向传播，以
Figure BDA0002689679580000044
表示第l层(l≥2)第t个特征图谱，若第l层为卷积层，则
Figure BDA0002689679580000051
其中，
Figure BDA0002689679580000052
表示第l-1层第s个输入特征图谱，
Figure BDA0002689679580000053
表示连接第s个输入特征图谱和第t个输出特征图谱的卷积核，
Figure BDA00026896795800000513
表示偏置项，取值为0.1，σ(·)表示非线性激活函数，符号“*”表示卷积运算；
若第l层为可变卷积层，首先获取第l-1层特征图谱经过重排列后的图像：
Figure BDA0002689679580000054
Figure BDA0002689679580000055
其中，
Figure BDA0002689679580000056
表示第l-1层特征图谱经过重排列后的图像，(om,on)∈O，O为索引偏置集合，
Figure BDA0002689679580000057
为对应可变卷积的卷积核和偏置项，c表示输入通道数，符号
Figure BDA0002689679580000058
表示填充为Same的卷积运算。然后，对获取的图像进行一次卷积：
Figure BDA0002689679580000059
若第l层为池化层，则
Figure BDA00026896795800000510
其中，r1、r2表示池化窗口的大小，sd表示池化步长，u、v为坐标取值偏移量；
到达输出层后，输出经过Softmax分类器处理，可得当前样本属于第i类的后验概率为
Figure BDA00026896795800000511
其中，kl表示该层的输入，C表示总类别数，下标i表示当前样本类别，下标c表示计算时的样本类别遍历。
D.3计算代价函数值。本发明方法采用交叉熵损失函数作为网络的代价函数，其计算公式为
Figure BDA00026896795800000512
其中，p(i)表示目标类别是第i类的真实概率，w、b分别表示网络中权重与偏置项的集合。
D.4采用基于自适应梯度的后向传播算法对网络参数进行更新，具体计算公式为
Figure BDA0002689679580000061
其中，mt和vt分别为一阶动量项和二阶动量项；β1、β2为动力值大小；
Figure BDA0002689679580000062
分别为各自的修正值；wt表示第t次迭代模型的权重，gt＝ΔJ(wt)表示t次迭代代价函数关于w的梯度大小；η表示学习率；δ是一个取值很小的数，用于避免分母为0；而偏置项b的更新策略则和w一样。
图5为训练完成后本实施方式的SAR目标识别结果，图6为不同训练样本量条件下的SAR目标识别结果。从结果可以看出，本发明可以充分利用SAR目标的信息特征，在训练样本量减少的情况下仍能保持优异的识别性能。
本领域的普通技术人员将会意识到，这里所述的实施例是为了帮助读者理解本发明的原理，应被理解为本发明的保护范围并不局限于这样的特别陈述和实施例。对于本领域的技术人员来说，本发明可以有各种更改和变化。凡在本发明的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本发明的权利要求范围之内。

Claims (5)

1.一种基于可变卷积神经网络的SAR自动目标识别方法，其特征在于，包括：
S1、获取原始SAR图像；
S2、对步骤S1获取的SAR图像进行预处理；
S3、构建基于可变卷积的深度神经网络；所述神经网络每一层参数分别代表卷积核尺寸以及特征图数目，Relu代表修正线性单元，卷积核尺寸可变；
S4、采用步骤S2得到的SAR图像对步骤S3构建的基于可变卷积的深度神经网络进行训练，从而得到SAR目标识别网络模型；
训练过程包括：
D.1首先，初始化网络权重wl，其分布如公式(7)所示：
Figure FDA0003630882930000011
Figure FDA0003630882930000012
其中，l表示当前卷积层数，hl、wl分别表示卷积层中卷积核的高和宽，dl表示当前卷积层卷积核的个数，
Figure FDA0003630882930000013
表示当前权重张量中的输入单位数量；然后，将偏置项bl初始化为一常数0.1；
D.2网络初始化完成后，进行前向传播，以ft l表示第l层第t个特征图谱，l≥2，若第l层为卷积层，则
Figure FDA0003630882930000014
其中，
Figure FDA0003630882930000015
表示第l-1层第s个输入特征图谱，
Figure FDA0003630882930000016
表示连接第s个输入特征图谱和第t个输出特征图谱的卷积核，
Figure FDA0003630882930000017
表示偏置项，取值为0.1，σ(·)表示非线性激活函数，符号“*”表示卷积运算；
若第l层为可变卷积层，首先获取第l-1层特征图谱经过重排列后的图像：
Figure FDA0003630882930000018
Figure FDA0003630882930000019
其中，
Figure FDA0003630882930000021
表示第l-1层特征图谱经过重排列后的图像，(om,on)∈O，O为索引偏置集合，
Figure FDA0003630882930000022
为对应可变卷积的卷积核和偏置项，c表示输入通道数，符号
Figure FDA0003630882930000023
表示填充为Same的卷积运算；然后，对获取的图像进行一次卷积：
Figure FDA0003630882930000024
若第l层为池化层，则
Figure FDA0003630882930000025
其中，r1、r2表示池化窗口的大小，sd表示池化步长，u、v为坐标取值偏移量；
到达输出层后，输出经过Softmax分类器处理，可得当前样本属于第i类的后验概率为
Figure FDA0003630882930000026
其中，kl表示该层的输入，C表示总类别数，下标i表示当前样本类别，下标c表示计算时的样本类别遍历；
D.3计算代价函数值，采用交叉熵损失函数作为网络的代价函数，其计算公式为
Figure FDA0003630882930000027
其中，p(i)表示目标类别是第i类的真实概率，w、b分别表示网络中权重与偏置项的集合；
D.4采用基于自适应梯度的后向传播算法对网络参数进行更新，具体计算公式为
Figure FDA0003630882930000028
其中，mt和vt分别为一阶动量项和二阶动量项；β1、β2为动力值大小；
Figure FDA0003630882930000029
分别为各自的修正值；wt表示第t次迭代模型的权重，gt＝ΔJ(wt)表示t次迭代代价函数关于w的梯度大小；η表示学习率；δ是一个取值很小的数，用于避免分母为0；而偏置项b的更新策略则和w一样。
2.根据权利要求1所述的一种基于可变卷积神经网络的SAR自动目标识别方法，其特征在于，所述步骤S2具体包括以下分步骤：
S21、根据SAR目标方位角，将原始SAR图像旋转至同一方向；
S22、对经过S21处理后的旋转图像进行数据扩充，以图像像素中心点为基点进行一次随机裁剪。
3.根据权利要求1所述的一种基于可变卷积神经网络的SAR自动目标识别方法，其特征在于，步骤S3所述的基于可变卷积的深度神经网络，包括五个隐含层，分别记为第一层隐含层、第二层隐含层、第三层隐含层、第四层隐含层、第五层隐含层；所述第一层隐含层为可变卷积层接最大池化层；第二层隐含层为可变卷积层接最大池化层；第三层隐含层为卷积层和最大池化层；第四层隐含层为卷积层；第五层隐含层为卷积层接Softmax。
4.根据权利要求3所述的一种基于可变卷积神经网络的SAR自动目标识别方法，其特征在于，所述可变卷积层的卷积核在输入特征图谱的采样点发生偏移，集中于感兴趣的区域或目标。
5.根据权利要求4所述的一种基于可变卷积神经网络的SAR自动目标识别方法，其特征在于，所述可变卷积层通过输入特征图谱中的像素点重排列实现。
CN202010987328.2A 2020-09-18 2020-09-18 基于可变卷积神经网络的sar自动目标识别方法 Active CN112101251B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202010987328.2A CN112101251B (zh) 2020-09-18 2020-09-18 基于可变卷积神经网络的sar自动目标识别方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202010987328.2A CN112101251B (zh) 2020-09-18 2020-09-18 基于可变卷积神经网络的sar自动目标识别方法

Publications (2)

Publication Number Publication Date
CN112101251A CN112101251A (zh) 2020-12-18
CN112101251B true CN112101251B (zh) 2022-06-10

Family

ID=73760427

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202010987328.2A Active CN112101251B (zh) 2020-09-18 2020-09-18 基于可变卷积神经网络的sar自动目标识别方法

Country Status (1)

Country Link
CN (1) CN112101251B (zh)

Families Citing this family (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113436138B (zh) * 2021-03-31 2023-07-21 成都飞机工业（集团）有限责任公司 一种基于数字图像的航空结构件识别的图像预处理方法
CN113505833A (zh) * 2021-07-12 2021-10-15 电子科技大学 基于多视角可变卷积神经网络的雷达自动目标识别方法
CN114581510B (zh) * 2022-02-28 2022-11-29 扬州宝祥节能科技有限公司 基于模式识别的卷帘窗阻力点定位方法及人工智能系统

Family Cites Families (12)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR102403330B1 (ko) * 2017-11-15 2022-05-30 주식회사 세진마인드 텍스트 데이터를 표현하는 가상 핑거프린트를 생성 및 활용하기 위한 기법
CN108038445B (zh) * 2017-12-11 2020-09-15 电子科技大学 一种基于多视角深度学习框架的sar自动目标识别方法
CN108345856B (zh) * 2018-02-09 2021-01-12 电子科技大学 基于异构卷积神经网络集成的sar自动目标识别方法
CN108510467B (zh) * 2018-03-28 2022-04-08 西安电子科技大学 基于深度可变形卷积神经网络的sar图像目标识别方法
CN110321910B (zh) * 2018-03-29 2021-05-28 中国科学院深圳先进技术研究院 面向点云的特征提取方法、装置及设备
CN108564025A (zh) * 2018-04-10 2018-09-21 广东电网有限责任公司 一种基于可变形卷积神经网络的红外图像物体识别方法
CN110197255A (zh) * 2019-04-29 2019-09-03 杰创智能科技股份有限公司 一种基于深度学习的可变形卷积网络
CN110163275B (zh) * 2019-05-16 2021-10-29 西安电子科技大学 基于深度卷积神经网络的sar图像目标分类方法
CN111178432B (zh) * 2019-12-30 2023-06-06 武汉科技大学 多分支神经网络模型的弱监督细粒度图像分类方法
CN111340189B (zh) * 2020-02-21 2023-11-24 之江实验室 一种空间金字塔图卷积网络实现方法
CN111667019B (zh) * 2020-06-23 2023-03-24 哈尔滨工业大学 基于可变形分离卷积的高光谱图像分类方法
CN111667030B (zh) * 2020-07-13 2023-04-07 华东理工大学 基于深度神经网络实现遥感图像目标检测的方法、系统及其存储介质

Also Published As

Publication number Publication date
CN112101251A (zh) 2020-12-18

Similar Documents

Publication Publication Date Title
CN112101251B (zh) 基于可变卷积神经网络的sar自动目标识别方法
CN108038445B (zh) 一种基于多视角深度学习框架的sar自动目标识别方法
Grohnfeldt et al. Jointly sparse fusion of hyperspectral and multispectral imagery
CN107067405B (zh) 基于尺度优选的遥感影像分割方法
Alqurashi et al. An assessment of the impact of urbanization and land use changes in the fast-growing cities of Saudi Arabia
CN108428220B (zh) 静止轨道卫星序列遥感影像海岛礁区域自动几何校正方法
CN113128134A (zh) 一种矿区生态环境演变驱动因子权重量化分析方法
Wang et al. On deep learning-based bias correction and downscaling of multiple climate models simulations
CN108960190B (zh) 基于fcn图像序列模型的sar视频目标检测方法
CN108345856B (zh) 基于异构卷积神经网络集成的sar自动目标识别方法
CN110728197B (zh) 基于深度学习的单木级树种识别方法
Chen et al. SwinSTFM: Remote sensing spatiotemporal fusion using Swin transformer
CN107688776A (zh) 一种城市水体提取方法
CN109712149A (zh) 一种基于小波能量和模糊c均值的图像分割方法
Aires et al. Convolutional neural networks for satellite remote sensing at coarse resolution. Application for the SST retrieval using IASI
Kumar et al. Multi-sensor multi-resolution image fusion for improved vegetation and urban area classification
Guo et al. A flexible object-level processing strategy to enhance the weight function-based spatiotemporal fusion method
Jing et al. Cloud removal for optical remote sensing imagery using the SPA-CycleGAN network
CN108509835B (zh) 基于DFIC超像素的PolSAR图像地物分类方法
Feng et al. Super-Resolution-Aided Sea Ice Concentration Estimation From AMSR2 Images by Encoder–Decoder Networks With Atrous Convolution
CN113505833A (zh) 基于多视角可变卷积神经网络的雷达自动目标识别方法
CN114693755B (zh) 多模图像最大矩与空间一致性的非刚性配准方法及系统
CN110909821A (zh) 基于作物参考曲线进行高时空分辨率植被指数数据融合的方法
Zhou et al. Superpixel-based time-series reconstruction for optical images incorporating SAR data using autoencoder networks
Zhang et al. Segmentation of typhoon cloud image by combining a discrete stationary wavelet transform with a continuous wavelet transform

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