CN112132104A - 一种基于环路生成对抗网络的isar舰船目标图像域增强识别方法 - Google Patents
一种基于环路生成对抗网络的isar舰船目标图像域增强识别方法 Download PDFInfo
- Publication number
- CN112132104A CN112132104A CN202011070409.2A CN202011070409A CN112132104A CN 112132104 A CN112132104 A CN 112132104A CN 202011070409 A CN202011070409 A CN 202011070409A CN 112132104 A CN112132104 A CN 112132104A
- Authority
- CN
- China
- Prior art keywords
- isar
- image
- layer
- output matrix
- original
- 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
- 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
- G06F18/21—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
- 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
- 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
- G06N3/044—Recurrent networks, e.g. Hopfield 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
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/045—Combinations of networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/20—Image preprocessing
- G06V10/30—Noise filtering
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)
- Bioinformatics & Cheminformatics (AREA)
- Molecular Biology (AREA)
- Computational Linguistics (AREA)
- Biophysics (AREA)
- Biomedical Technology (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Health & Medical Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Bioinformatics & Computational Biology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Biology (AREA)
- Multimedia (AREA)
- Astronomy & Astrophysics (AREA)
- Remote Sensing (AREA)
- Image Analysis (AREA)
Abstract
一种基于环路生成对抗网络的ISAR舰船目标图像域增强识别方法,涉及雷达目标识别领域。本发明是为了解决现有对舰船类别识别的准确率低的问题。对数据库中存储的多种舰船类别的舰船原始ISAR图像和原始光学图像分别进行预处理,分别得到原始ISAR图像数据集和原始光学图像数据集;将原始ISAR图像数据集和原始光学图像数据集作为1个训练集,采用环路生成对抗网络对训练集进行训练,得到训练好的环路生成对抗网络;对待测试的舰船ISAR图像或光学图像并进行预处理得到待测试的ISAR图像或光学图像;采用训练好的环路生成对抗网络解析待测试的ISAR图像或光学图像,得到同时具有光学特征和ISAM特征的新图像;采用卷积神经网络解析新图像得到舰船类别。它用于识别图像。
Description
技术领域
本发明涉及舰船ISAR像识别方法。属于雷达目标识别领域。
背景技术
逆合成孔径雷达(Inverse synthetic aperture radar,ISAR)通过向探测目标发射信号并且接受目标回波的方式完成目标成像。现有的分类识别方法有:1、采用不变矩阵特征和形态特征在飞行目标的二维ISAR图像识别上的应用,采用最近邻分类器与神经网络进行分类,得到了良好的效果;
2、利用改进的MUSIC-2D方法重构雷达目标图像,利用傅里叶描述子与不变矩特征,采用自组织神经网络实现了不同军用飞机的分类;
3、提出了基于多种形态特征的SVM分类器系统,对实测数据取得了良好的分类效果。
4、采用模板匹配的方法研究了舰船的分类和识别,他们提取了ISAR图像的中心轴,并采用形态特征完成后续步骤取得了不错的效果。
4、针对图像质量的问题,提出了判别的方法,并且提出了调整图像方位的形式,用于改善识别率。
5、使用重构三维模型的方法,利用重构数据和已有的模型进行比较来进行分类识别,重构是基于舰船的多张ISAR像的。
6、采用模板比较、匹配的方式进行了军用船只的分类和识别。该方式不仅针对于单图的情况,多图也同样适用,提取的特征类型较多,不仅包括轮廓等几何特征,还包括上层编码等特征。
7、对舰船目标识别则采用了上层结构的不变距特征。这些方法虽然都能够完成对目标的分类识别,但识别准确率相较于光学图像而言仍然较低,而且大多改善识别准确率的方法都是从特征提取这方面着手,在特征提取方式固定的条件下改进识别准确率的研究目前还比较少。
生成对抗网络(Generative Adversarial Network,GAN)自从2014年被提出以来就凭借其优秀的生成图像能力在图像处理领域飞速发展。
面对噪声具有随机性的这一现状,设计了条件对抗生成网络(conditional GAN,cGAN),具体是在生成网络以及判别网络的输入端又增加了一个标签信息,并且使用该信息来引导生成网络将随机噪声生成我们期待的图像内容。
现有提出了图像翻译的概念,将对抗生成网络引入到了图像翻译中,实现了从图像像素到像素的转换,在文中利用输入-输出图像对来进行训练学习的方式实现了两种不同风格图像之间的转换,并优化了生成器和鉴别器的结构,取得了相当好的图像生成结果。虽然在图像生成领域对抗生成网络得到了快速发展,但是在图像识别这一领域的研究还有待深入。
综上,现有技术存在对舰船ISAR像识别准确率低。
发明内容
本发明是为了解决现有对舰船类别识别的准确率低的问题。现提供一种基于环路生成对抗网络的ISAR舰船目标图像域增强识别方法。
一种基于环路生成对抗网络的ISAR舰船目标图像域增强识别方法,所述方法包括以下步骤:
步骤1、对数据库中存储的多种舰船类别的舰船原始ISAR图像和原始光学图像分别进行预处理,分别得到原始ISAR图像数据集和原始光学图像数据集,所述原始ISAR图像为具有ISAM特征的图像,所述原始光学图像为具有光学特征的图像;
步骤2、将原始ISAR图像数据集和原始光学图像数据集作为1个训练集,采用环路生成对抗网络对所述训练集进行训练,得到训练好的环路生成对抗网络;
步骤3、采集待测试的舰船ISAR图像或光学图像并进行预处理,得到待测试的ISAR图像或光学图像;
步骤4、采用训练好的环路生成对抗网络对待测试的ISAR图像或光学图像进行解析,得到同时具有光学特征和ISAM特征的新图像;
步骤5、采用卷积神经网络对所述新图像进行解析,得到舰船类别。
优选地,步骤1中,对数据库中存储的已知舰船类别的舰船原始ISAR图像进行预处理的具体过程为:
采用自适应滤波算法对原始ISAR图像进行去噪处理,得到去噪后的原始ISAR图像;
将所述去噪后的原始ISAR图像进行归一化处理,得到原始ISAR图像数据集;
对数据库中存储的已知舰船类别的原始光学图像进行预处理的具体过程为:
对所述原始光学图像进行灰度化,得到灰度化后的原始光学图像;
将所述灰度化后的原始光学图像进行归一化处理,得到原始光学图像数据集。
优选地,采用自适应滤波算法对原始ISAR图像进行去噪处理,得到去噪后的原始ISAR图像的具体过程为:
自适应滤波器是以权重M值为自适应调节参数的环形对称滤波器,该滤波器以n为窗口宽度对输入的多种舰船类别的舰船ISAR图像进行自适应滤波,滤波后每个原始ISAR图像中的各像元表达式为:
当Cl>Cmax时:g’ij=gij
式中,g’ij为平滑处理后的像元灰度值,gij为平滑窗口中各像元原始灰度图,为窗口内像元灰度平均值,Mij=exp(-Aij×Tij),σij为平滑窗口中像元值的方差,Mij为平滑窗口中各个像元的权重指数,Tij为平滑窗口内中心像元到邻像元的绝对距离,n2是平滑窗口的大小, L为成像视数;
由滤波后的多个像元构成去噪后的每个原始ISAR图像。
优选地,将所述去噪后的原始ISAR图像进行归一化处理,得到原始ISAR图像数据集的具体过程为:
将去噪后的原始ISAR图像中的舰船位置移动到去噪后的原始ISAR图像的中心,对移动后的每个原始ISAR图像进行编号,构建原始ISAR图像数据集。
优选地,对移动后的每个原始ISAR图像均调整为256×256像素,对调整后的每个原始ISAR图像进行编号。
优选地,步骤2中,得到训练好的环路生成对抗网络的具体过程为:
步骤21、将原始ISAR图像数据集和原始光学图像数据集分别输入到环路生成对抗网络中的一号生成器和二号生成器,分别生成具有光学特征的图像数据集和具有ISAR特征的图像数据集;
步骤22、将具有光学特征的图像数据集输入至二号生成器,由二号生成器生成同时带有光学特征和ISAR特征的图像数据集,同时将具有ISAR特征的图像数据集输入至一号生成器,由一号生成器生成同时带有光学特征和ISAR特征的图像数据集;
步骤23、由环路生成对抗网络中的一号鉴别器对具有光学特征的图像数据集和原始光学图像数据集中的光学特征进行比较,直到一号鉴别器输出辨识概率值为0.5,一号鉴别器停止比较工作,
由环路生成对抗网络中的二号鉴别器对具有ISAR特征的图像数据集和原始ISAR图像数据集中的ISAR特征进行比较,直到二号鉴别器输出辨识概率值为0.5,二号鉴别器停止比较工作,结合一号鉴别器的辨识概率值,此时的环路生成对抗网络为训练好的环路生成对抗网络。
优选地,步骤S5中,采用卷积神经网络对所述新图像进行解析,得到舰船类别的具体过程为:
将同时具有光学特征和ISAM特征的新图像输入到卷积神经网络,经过卷积神经网络内的两层卷积层处理后,得到舰船类别。
优选地,一号生成器和二号生成器均包括三层卷积层、四层稠密模块和三层反卷积层;
以将原始ISAR图像数据集和输入到一号生成器中,生成具有光学特征的图像数据集,为例,说明一号生成器和二号生成器的处理过程:
将原始ISAR图像数据集依次输入至三层卷积层进行卷积处理,得到经过三层卷积层解码后的输出矩阵;
将经过三层卷积层解码后的输出矩阵依次输入至第一层稠密模块和第二层稠密模块,得到经过两层稠密模块解码后的输出矩阵;
将经过第二层卷积层解码后的输出矩阵输入至第三层稠密模块,得到经过第三层稠密模块解码后的输出矩阵;
将经过第三层稠密模块解码后的输出矩阵输入至第四层稠密模块,得到经过第四层稠密模块解码后的输出矩阵;
将经过两层稠密模块解码后的输出矩阵处理后的输出矩阵输入到第一层反卷积层,得到经过第一层反卷积层解码后的输出矩阵;
将经过第四层稠密模块解码后的输出矩阵和经过第一层反卷积层解码后的输出矩阵相加,得到一号输出矩阵;
将一号输出矩阵输入至第二层反卷积层,得到经过第二层反卷积层解码后的输出矩阵;
将经过第二层反卷积层解码后的输出矩阵输入至第三层反卷积层,得到经过第三层反卷积层解码后的输出矩阵,该输出矩阵为具有光学特征的图像数据集。
优选地,每层稠密模块均包括稠密层和瓶颈层,
将经过三层卷积层解码后的输出矩阵依次输入至第一层稠密层进行卷积处理,经过第一层稠密层处理后的输出矩阵输入至第一层瓶颈层进行卷积处理,得到经过第一层瓶颈层处理后的输出矩阵,将所述经过第一层瓶颈层处理后的输出矩阵与经过第一层稠密层处理后的输出矩阵相加,得到二号输出矩阵,
将二号输出矩阵输入至第二层稠密层进行卷积处理,经过第二层稠密层处理后的输出矩阵输入至第二层瓶颈层进行卷积处理,得到经过第二层瓶颈层处理后的输出矩阵,将所述经过第二层瓶颈层处理后的输出矩阵与经过第一层稠密层处理后的输出矩阵相加,得到三号输出矩阵,
将三号输出矩阵输入至第三层稠密层进行卷积处理,经过第三层稠密层处理后的输出矩阵输入至第三层瓶颈层进行卷积处理,得到经过第三层瓶颈层处理后的输出矩阵,将所述经过第三层瓶颈层处理后的输出矩阵、经过第一层稠密层处理后的输出矩阵和经过第二层稠密层处理后的输出矩阵相加,得到四号输出矩阵,
将四号输出矩阵输入至第四层稠密层进行卷积处理,经过第四层稠密层处理后的输出矩阵输入至第四层瓶颈层进行卷积处理,得到经过第四层瓶颈层处理后的输出矩阵,将所述经过第四层瓶颈层处理后的输出矩阵、经过第一层稠密层处理后的输出矩阵、经过第二层稠密层处理后的输出矩阵和经过第三层稠密层处理后的输出矩阵相加,得到经过第四层稠密模块解码后的输出矩阵。
优选地,一号鉴别器和二号鉴别器均包括四层卷积层、1层池化层和非线性激活函数,
由具有光学特征的图像数据集和原始光学图像数据集输入至一号鉴别器内,依次经过四层卷积层、1层池化层和非线性激活函数进行处理,得到辨识概率;
由具有ISAR特征的图像数据集和原始ISAR图像数据集输入至二号鉴别器内,依次经过四层卷积层、1层池化层和非线性激活函数进行处理,得到辨识概率。
本发明的有益效果为:
本申请想要获得同时具有光学特征和ISAM特征的新图像,因为该新图像中具有光学特征,光学特征包含更多细节信息,更有助于准确识别舰船类别,识别率高。因此,采用环路生成对抗网络(LOOP-GAN网络)学习原始ISAR图像数据集和原始光学图像数据集,从而得到训练好的环路生成对抗网络(LOOP-GAN网络),当将待测试的ISAR图像输入至训练好的环路生成对抗网络时,该网络就会得到同时具有光学特征和ISAM特征的新图像。再利用卷积神经网络从同时具有光学特征和ISAM特征的新图像的特征中待测试的舰船类别,采用LOOP-GAN网络与卷积神经网络识别舰船类型,提高了识别效率,识别的准确性高。本申请可应用于海上舰船目标识别的领域,利用本申请中所提出的方式对ISAR像进行处理,得到了细节信息更多的光学特征,有很好的目标的分类识别效果,并且识别效率很高。
附图说明
图1是本申请的一种基于环路生成对抗网络的ISAR舰船目标图像域增强识别方法的流程图;
图2是环路生成对抗网络的一号生成器或二号生成器的结构图;
图3是环路生成对抗网络的一号鉴别器或二号鉴别器的结构图;
图4是生成器中的稠密模块的结构图;
图5是卷积神经网络的整体模型图;
图6是对舰船目标仿真的ISAR图像;
图7是舰船ISAR图像预处理后的结果图;
图8是舰船光学图像预处理后的结果图;
图9是待测试的舰船ISAR图像经过卷积神经网络两次卷积之后提取的卷积特征结果图;
图10是待测试的舰船光学图像经过卷积神经网络两次卷积之后提取的卷积特征结果图。
具体实施方式
下面将结合本发明实施例中的附图,对本能够实施例中的技术方案进行清除、完整地描述,显然,所描述的实施例仅仅是发明一部分实时例,而不是全部的实施例。基于本发明中的实施例,本领域普通技术人员在没有做出创造性劳动的前提下所获得的所有其他实施例,都属于本发明保护的范围。
下面结合附图和具体实施例对本发明作进一步说明。
实施例1:
本发明提供的一种基于环路生成对抗网络的ISAR舰船目标图像域增强识别方法,如图1所示,所述方法包括以下步骤:
步骤1、对数据库中存储的多种舰船类别的舰船原始ISAR图像和原始光学图像分别进行预处理,分别得到原始ISAR图像数据集和原始光学图像数据集,所述原始ISAR图像为具有ISAM特征的图像,所述原始光学图像为具有光学特征的图像;
步骤2、将原始ISAR图像数据集和原始光学图像数据集作为1个训练集,采用环路生成对抗网络对所述训练集进行训练,得到训练好的环路生成对抗网络;
步骤3、采集待测试的舰船ISAR图像或光学图像并进行预处理,得到待测试的ISAR图像或光学图像;
步骤4、采用训练好的环路生成对抗网络对待测试的ISAR图像或光学图像进行解析,得到同时具有光学特征和ISAM特征的新图像;
步骤5、采用卷积神经网络对所述新图像进行解析,得到舰船类别。
具体地,本发明首次将基于不匹配数据的LOOP-GAN网络应用于舰船ISAR像识别领域,利用已知舰船类别的原始ISAR图像和原始光学图像训练网络。其中原始ISAR图像和原始光学图像消除了配对的限制,即可以使用不同角度不同传感器不同舰船种类得到的光学图像和ISAR图像,算法的自适应性较强。
对同时具有光学特征和ISAM特征的新图像和仅采用舰船ISAR像进行分类识别的效果进行了对比,当训练次数为30时,仅采用舰船ISAR像识别准确率为63.33%,而同时具有光学特征和ISAM特征的新图像识别算法准确率为80.00%;当训练次数为100时,仅采用舰船ISAR像识别准确率为83.33%,仅采用舰船ISAR像识别得到的由ISAR图像特征组成的图像结果如图9所示,采用本发明同时具有光学特征和ISAM特征的新图像识别(得到由光学图像特征组成的新图像)准确率为93.33%,同时具有光学特征和ISAM特征的新图像如图10所示,经过卷积神经网络提取的特征为192维向量。可看出本发明同时具有光学特征和ISAM特征的新图像识别准确率高于仅采用舰船ISAR像识准确别率,说明本发明提高了对舰船ISAR像识别准确率,说明本发明的有效性。可见,现有的对ISAR进行特征提取的方式不能得到同时具有光学特征和ISAM特征的新图像,因此,不具有高的识别率,而本申请相比现有识别方式识别率高。
本申请中环路生成对抗网络采用ADAM优化算法对训练集进行训练。图像批处理大小取为30。算法的参数为:
利用卷积神经网络对生成图像进行目标识别率分析,以此减轻网络的计算量,进而自动提取参数,卷积神经网络的参数:
最终得到同时具有光学特征和ISAM特征的新图像,该新图像为标签向量,若是对3类舰船进行分类识别,那么得到的3类舰船的标签向量形式为:[1,0,0],表示第一类舰船;[0,1,0],表示第二类舰船;[0,0,1],表示第三类舰船。所以得到的标签向量大小也是1×3,根据其最大值所在位置判定其是第几类船只,比如最大值位于第一个位置,图像是第一类舰船,第二类第三类同理。判定的类别与实际类别进行比较得到舰船目标的识别准确率。在本例中,将采用LOOP-GANs网络和仅采用舰船ISAR像进行分类识别的效果进行了对比,如下表所示。
可见,本申请的识别率相比现有方法识别率高。
经过仿真结果表明:本申请提出的基于LOOP-GAN网络的舰船ISAR图像识别方法能利用ISAR图像生成较为准确清晰的光学图像,并且经卷积神经网络进行目标识别率较高,具有很强的理论研究及工程应用价值。图6是对舰船目标仿真的ISAR图像;图7是舰船ISAR图像预处理后的结果图。图8是舰船光学图像预处理后的结果图。
卷积神经网络的结构如图5所示,卷积神经网络对由光学图像特征组成的新图像的解析过程为:将28像素×28像素的图像依次输入至第一层卷积层、第一层池化层、第二层卷积层和第二层池化层,最终得到由光学图像特征组成的新图像,其中经过第一层卷积层输出6个特征图,每个特征图均为24像素×24像素;经过第一层池化层输出6个特征图,每个特征图均为12像素×12像素;经过第二层卷积层输出12个特征图,每个特征图均为8像素×8像素;经过第二层池化层输出12个特征图,每个特征图均为4像素×4像素;最终得到由光学图像特征组成的新图像为1像素×192像素。
本发明的一种较优实施例中,步骤1中,对数据库中存储的已知舰船类别的舰船原始ISAR图像进行预处理的具体过程为:
采用自适应滤波算法对原始ISAR图像进行去噪处理,得到去噪后的原始ISAR图像;
将所述去噪后的原始ISAR图像进行归一化处理,得到原始ISAR图像数据集;
对数据库中存储的已知舰船类别的原始光学图像进行预处理的具体过程为:
对所述原始光学图像进行灰度化,得到灰度化后的原始光学图像;
将所述灰度化后的原始光学图像进行归一化处理,得到原始光学图像数据集。
本发明的一种较优实施例中,采用自适应滤波算法对原始ISAR图像进行去噪处理,得到去噪后的原始ISAR图像的具体过程为:
自适应滤波器是以权重M值为自适应调节参数的环形对称滤波器,该滤波器以n为窗口宽度对输入的多种舰船类别的舰船ISAR图像进行自适应滤波,滤波后每个原始ISAR图像中的各像元表达式为:
当Cl>Cmax时:g’ij=gij
式中,g’ij为平滑处理后的像元灰度值,gij为平滑窗口中各像元原始灰度图,为窗口内像元灰度平均值,Mij=exp(-Aij×Tij),σij为平滑窗口中像元值的方差,Mij为平滑窗口中各个像元的权重指数,Tij为平滑窗口内中心像元到邻像元的绝对距离,n2是平滑窗口的大小,L为成像视数;
由滤波后的多个像元构成去噪后的每个原始ISAR图像。
本发明的一种较优实施例中,将所述去噪后的原始ISAR图像进行归一化处理,得到原始ISAR图像数据集的具体过程为:
将去噪后的原始ISAR图像中的舰船位置移动到去噪后的原始ISAR图像的中心,对移动后的每个原始ISAR图像进行编号,构建原始ISAR图像数据集。
具体地,将去噪后的原始ISAR图像中的舰船位置移动到去噪后的原始ISAR图像的中心,使舰船图像更清楚的显示。对图像进行编号,使图像有规律的排列再数据集中。
本发明的一种较优实施例中,对移动后的每个原始ISAR图像均调整为256×256像素,对调整后的每个原始ISAR图像进行编号。
本发明的一种较优实施例中,步骤2中,得到训练好的环路生成对抗网络的具体过程为:
步骤21、将原始ISAR图像数据集和原始光学图像数据集分别输入到环路生成对抗网络中的一号生成器和二号生成器,分别生成具有光学特征的图像数据集和具有ISAR特征的图像数据集;
步骤22、将具有光学特征的图像数据集输入至二号生成器,由二号生成器生成同时带有光学特征和ISAR特征的图像数据集,同时将具有ISAR特征的图像数据集输入至一号生成器,由一号生成器生成同时带有光学特征和ISAR特征的图像数据集;
步骤23、由环路生成对抗网络中的一号鉴别器对具有光学特征的图像数据集和原始光学图像数据集中的光学特征进行比较,直到一号鉴别器输出辨识概率值为0.5,一号鉴别器停止比较工作,
由环路生成对抗网络中的二号鉴别器对具有ISAR特征的图像数据集和原始ISAR图像数据集中的ISAR特征进行比较,直到二号鉴别器输出辨识概率值为0.5,二号鉴别器停止比较工作,结合一号鉴别器的辨识概率值,此时的环路生成对抗网络为训练好的环路生成对抗网络。
具体地,步骤23中,由环路生成对抗网络中的一号鉴别器对具有光学特征的图像数据集和原始光学图像数据集中的光学特征进行比较,当具有光学特征的图像数据集与原始光学数据集具有相同的光学特征时(具有相同的风格时),此时一号鉴别器无法区分出具有光学特征的图像数据集和原始光学数据集,输出辨识概率值为0.5;
由环路生成对抗网络中的二号鉴别器对具有ISAR特征的图像数据集和原始ISAR图像数据集中的ISAR特征进行比较,当具有ISAR特征的图像数据集与原始ISAR图像数据集具有相同的ISAR特征时(具有相同的风格时),此时一号鉴别器无法区分出具有ISAR特征的图像数据集和原始ISAR图像数据集,输出辨识概率值为0.5。
本申请中的图像域指图1中步骤2至步骤4中的数据集。
图1给出了对两类舰船进行训练的方法,
图1中含有ISAR特征的数据集中包括三个ISAR图像,三个ISAR图像从上至下依次命名为第一个ISAR图像至第三个ISAR图像,光学图像域中包括三个光学图像,三个光学图像从上至下依次命名为第一个光学图像至第三个光学图像;
第一个ISAR图像代表的是具有ISAR特征的图像,第二个ISAR图像是代表的原始ISAR图像,第三个ISAR图像代表的是由二号生成器生成同时带有光学特征和ISAR特征的图像。
第一个光学图像代表的是由一号生成器生成同时带有光学特征和ISAR特征的图像,第二个光学图像代表的是具有光学特征的图像,第三个光学图像代表的是原始光学图像。
第二个ISAR图像经过一号生成器生成第二个光学图像,而第二个光学图像经过二号生成器生成第三个ISAR图像,第三个ISAR图像是尽量和第二个ISAR图像中的ISAR特征相似相似。这是一个循环。一号生成器为了能够通过一号鉴别器,就会生成尽量和第三个光学图像接近的图像,从而损失第二个ISAR图像的性质,为了抑制这种情况的产生,需要在将第二个光学图像经过二号生成器生成第三个ISAR图像,在生成回第三个ISAR图像,通过限制第二个ISAR图像和第三个ISAR图像尽量ISAR特征相似,来保证第三个光学图像尽可能的保留第二个ISAR图像的一些性质。
而第三个光学图像经过二号生成器生成第一个ISAR图像,然后ISAR图像经过一号生成器生第一个光学图像,第一个光学图像尽量是尽量和第三个ISAR图像中的ISAR特征相似相似。这是另一个循环。每个循环是一类舰船,图1中给出了对2类舰船进行训练的例子。二号生成器为了能够通过二号鉴别器,就会生成尽量和第二个ISAR图像接近的图像,从而损失第三个光学图像的性质,为了抑制这种情况的产生,需要在将第一个ISAR图像经过一号生成器生成第一个光学图像,在生成回第三个光学图像,通过限制第一个光学图像和第三个光学图像尽量光学特征相似,来保证第三个光学图像尽可能的保留第三个ISAR图像的一些性质。
本发明的一种较优实施例中,步骤S5中,步骤S5中,采用卷积神经网络对所述新图像进行解析,得到舰船类别的具体过程为:
将同时具有光学特征和ISAM特征的新图像输入到卷积神经网络,经过卷积神经网络内的两层卷积层处理后,得到舰船类别。
本发明的一种较优实施例中,一号生成器和二号生成器均包括三层卷积层、四层稠密模块和三层反卷积层;
以将原始ISAR图像数据集和输入到一号生成器中,生成具有光学特征的图像数据集,为例,说明一号生成器和二号生成器的处理过程:
将经过三层卷积层解码后的输出矩阵依次输入至第一层稠密模块和第二层稠密模块,得到经过两层稠密模块解码后的输出矩阵;
将经过第二层卷积层解码后的输出矩阵输入至第三层稠密模块,得到经过第三层稠密模块解码后的输出矩阵;
将经过第三层稠密模块解码后的输出矩阵输入至第四层稠密模块,得到经过第四层稠密模块解码后的输出矩阵;
将经过两层稠密模块解码后的输出矩阵处理后的输出矩阵输入到第一层反卷积层,得到经过第一层反卷积层解码后的输出矩阵;
将经过第四层稠密模块解码后的输出矩阵和经过第一层反卷积层解码后的输出矩阵相加,得到一号输出矩阵;
将一号输出矩阵输入至第二层反卷积层,得到经过第二层反卷积层解码后的输出矩阵;
将经过第二层反卷积层解码后的输出矩阵输入至第三层反卷积层,得到经过第三层反卷积层解码后的输出矩阵,该输出矩阵为由光学图像特征组成的数据集。
具体地,本发明采用稠密模块并使用了跳跃性连接,可以有效的利用参数,减少网络冗余,从而减小计算量,大大提高算法的计算速度和网络的计算速度。
本申请在网络中加入了稠密模块,引入稠密模块可以有效的减少梯度消失现象,有效的利用特征,一定程度上减少了参数的数量,加强了特征的传递,提高网络生成图像的质量。
本申请的三层卷积层、四层稠密模块和三层反卷积层均采用批量正则化和relu激活函数进行处理,内部处理使用的卷积核、滤波器数量和卷积步长不同,
第一层卷积层卷积核的大小为7×7,滤波器的数量为64,卷积步长为1,第二层卷积层卷积核的大小为3×3,滤波器的数量为128,卷积步长为2,第三层卷积层卷积核的大小为3×3,滤波器的数量为256,卷积步长为2,第一层反卷积层卷积核的大小为3×3,滤波器的数量为128,卷积步长为1/2,第二层反卷积卷积核的大小为3×3,滤波器的数量为64,卷积步长为1/2,第三层反卷积卷积核的大小为7×7,滤波器的数量为128×128,卷积步长为1。
本申请2个生成器均三层卷积层、四层稠密模块和三层反卷积层,该结构的设计结果识别率高。
本发明的一种较优实施例中,如图4所示,每层稠密模块均包括稠密层和瓶颈层,
将经过三层卷积层解码后的输出矩阵依次输入至第一层稠密层进行卷积处理,经过第一层稠密层处理后的输出矩阵输入至第一层瓶颈层进行卷积处理,得到经过第一层瓶颈层处理后的输出矩阵,将所述经过第一层瓶颈层处理后的输出矩阵与经过第一层稠密层处理后的输出矩阵相加,得到二号输出矩阵,
将二号输出矩阵输入至第二层稠密层进行卷积处理,经过第二层稠密层处理后的输出矩阵输入至第二层瓶颈层进行卷积处理,得到经过第二层瓶颈层处理后的输出矩阵,将所述经过第二层瓶颈层处理后的输出矩阵与经过第一层稠密层处理后的输出矩阵相加,得到三号输出矩阵,
将三号输出矩阵输入至第三层稠密层进行卷积处理,经过第三层稠密层处理后的输出矩阵输入至第三层瓶颈层进行卷积处理,得到经过第三层瓶颈层处理后的输出矩阵,将所述经过第三层瓶颈层处理后的输出矩阵、经过第一层稠密层处理后的输出矩阵和经过第二层稠密层处理后的输出矩阵相加,得到四号输出矩阵,
将四号输出矩阵输入至第四层稠密层进行卷积处理,经过第四层稠密层处理后的输出矩阵输入至第四层瓶颈层进行卷积处理,得到经过第四层瓶颈层处理后的输出矩阵,将所述经过第四层瓶颈层处理后的输出矩阵、经过第一层稠密层处理后的输出矩阵、经过第二层稠密层处理后的输出矩阵和经过第三层稠密层处理后的输出矩阵相加,得到经过第四层稠密模块解码后的输出矩阵。
具体地,本申请生成器和鉴别器层数的设计结果识别率相比其他层数结构高。
瓶颈层采用批量正则化和relu激活函数进行处理,卷积核大小为1×1,滤波器数量为32。
本发明的一种较优实施例中,一号鉴别器和二号鉴别器均包括四层卷积层、1层池化层和非线性激活函数,
由光学图像特征组成的数据集和原始光学图像数据集输入至一号鉴别器内,依次经过四层卷积层、1层池化层和非线性激活函数进行处理,得到辨识概率;
由ISAR图像特征组成的数据集和原始ISAR图像数据集输入至二号鉴别器内,依次经过四层卷积层、1层池化层和非线性激活函数进行处理,得到辨识概率。
具体地,非线性激活函数采用sigmoid激活函数。
Claims (10)
1.一种基于环路生成对抗网络的ISAR舰船目标图像域增强识别方法,其特征在于,所述方法包括以下步骤:
步骤1、对数据库中存储的多种舰船类别的舰船原始ISAR图像和原始光学图像分别进行预处理,分别得到原始ISAR图像数据集和原始光学图像数据集,所述原始ISAR图像为具有ISAM特征的图像,所述原始光学图像为具有光学特征的图像;
步骤2、将原始ISAR图像数据集和原始光学图像数据集作为1个训练集,采用环路生成对抗网络对所述训练集进行训练,得到训练好的环路生成对抗网络;
步骤3、采集待测试的舰船ISAR图像或光学图像并进行预处理,得到待测试的ISAR图像或光学图像;
步骤4、采用训练好的环路生成对抗网络对待测试的ISAR图像或光学图像进行解析,得到同时具有光学特征和ISAM特征的新图像;
步骤5、采用卷积神经网络对所述新图像进行解析,得到舰船类别。
2.根据权利要求1所述一种基于环路生成对抗网络的ISAR舰船目标图像域增强识别方法,其特征在于,步骤1中,对数据库中存储的已知舰船类别的舰船原始ISAR图像进行预处理的具体过程为:
采用自适应滤波算法对原始ISAR图像进行去噪处理,得到去噪后的原始ISAR图像;
将所述去噪后的原始ISAR图像进行归一化处理,得到原始ISAR图像数据集;
对数据库中存储的已知舰船类别的原始光学图像进行预处理的具体过程为:
对所述原始光学图像进行灰度化,得到灰度化后的原始光学图像;
将所述灰度化后的原始光学图像进行归一化处理,得到原始光学图像数据集。
3.根据权利要求2所述一种基于环路生成对抗网络的ISAR舰船目标图像域增强识别方法,其特征在于,采用自适应滤波算法对原始ISAR图像进行去噪处理,得到去噪后的原始ISAR图像的具体过程为:
自适应滤波器是以权重M值为自适应调节参数的环形对称滤波器,该滤波器以n为窗口宽度对输入的多种舰船类别的舰船ISAR图像进行自适应滤波,滤波后每个原始ISAR图像中的各像元表达式为:
当Cl>Cmax时:g′ij=gij
式中,g′ij为平滑处理后的像元灰度值,gij为平滑窗口中各像元原始灰度图,为窗口内像元灰度平均值,Mij=exp(-Aij×Tij),σij为平滑窗口中像元值的方差,Mij为平滑窗口中各个像元的权重指数,Tij为平滑窗口内中心像元到邻像元的绝对距离,n2是平滑窗口的大小,L为成像视数;
由滤波后的多个像元构成去噪后的每个原始ISAR图像。
4.根据权利要求2所述一种基于环路生成对抗网络的ISAR舰船目标图像域增强识别方法,其特征在于,将所述去噪后的原始ISAR图像进行归一化处理,得到原始ISAR图像数据集的具体过程为:
将去噪后的原始ISAR图像中的舰船位置移动到去噪后的原始ISAR图像的中心,对移动后的每个原始ISAR图像进行编号,构建原始ISAR图像数据集。
5.根据权利要求4所述一种基于环路生成对抗网络的ISAR舰船目标图像域增强识别方法,其特征在于,对移动后的每个原始ISAR图像均调整为256×256像素,对调整后的每个原始ISAR图像进行编号。
6.根据权利要求1所述一种基环路生成对抗网络的ISAR舰船目标图像域增强识别方法,其特征在于,步骤2中,得到训练好的环路生成对抗网络的具体过程为:
步骤21、将原始ISAR图像数据集和原始光学图像数据集分别输入到环路生成对抗网络中的一号生成器和二号生成器,分别生成具有光学特征的图像数据集和具有ISAR特征的图像数据集;
步骤22、将具有光学特征的图像数据集输入至二号生成器,由二号生成器生成同时带有光学特征和ISAR特征的图像数据集,同时将具有ISAR特征的图像数据集输入至一号生成器,由一号生成器生成同时带有光学特征和ISAR特征的图像数据集;
步骤23、由环路生成对抗网络中的一号鉴别器对具有光学特征的图像数据集和原始光学图像数据集中的光学特征进行比较,直到一号鉴别器输出辨识概率值为0.5,一号鉴别器停止比较工作,
由环路生成对抗网络中的二号鉴别器对具有ISAR特征的图像数据集和原始ISAR图像数据集中的ISAR特征进行比较,直到二号鉴别器输出辨识概率值为0.5,二号鉴别器停止比较工作,结合一号鉴别器的辨识概率值,此时的环路生成对抗网络为训练好的环路生成对抗网络。
7.根据权利要求1所述一种基于环路生成对抗网络的ISAR舰船目标图像域增强识别方法,其特征在于,步骤S5中,采用卷积神经网络对所述新图像进行解析,得到舰船类别的具体过程为:
将同时具有光学特征和ISAM特征的新图像输入到卷积神经网络,经过卷积神经网络内的两层卷积层处理后,得到舰船类别。
8.根据权利要求6所述一种基于环路生成对抗网络的ISAR舰船目标图像域增强识别方法,其特征在于,一号生成器和二号生成器均包括三层卷积层、四层稠密模块和三层反卷积层;
以将原始ISAR图像数据集和输入到一号生成器中,生成具有光学特征的图像数据集,为例,说明一号生成器和二号生成器的处理过程:
将原始ISAR图像数据集依次输入至三层卷积层进行卷积处理,得到经过三层卷积层解码后的输出矩阵;
将经过三层卷积层解码后的输出矩阵依次输入至第一层稠密模块和第二层稠密模块,得到经过两层稠密模块解码后的输出矩阵;
将经过第二层卷积层解码后的输出矩阵输入至第三层稠密模块,得到经过第三层稠密模块解码后的输出矩阵;
将经过第三层稠密模块解码后的输出矩阵输入至第四层稠密模块,得到经过第四层稠密模块解码后的输出矩阵;
将经过两层稠密模块解码后的输出矩阵处理后的输出矩阵输入到第一层反卷积层,得到经过第一层反卷积层解码后的输出矩阵;
将经过第四层稠密模块解码后的输出矩阵和经过第一层反卷积层解码后的输出矩阵相加,得到一号输出矩阵;
将一号输出矩阵输入至第二层反卷积层,得到经过第二层反卷积层解码后的输出矩阵;
将经过第二层反卷积层解码后的输出矩阵输入至第三层反卷积层,得到经过第三层反卷积层解码后的输出矩阵,该输出矩阵为具有光学特征的图像数据集。
9.根据权利要求8所述一种基于环路生成对抗网络的ISAR舰船目标图像域增强识别方法,其特征在于,每层稠密模块均包括稠密层和瓶颈层,
将经过三层卷积层解码后的输出矩阵依次输入至第一层稠密层进行卷积处理,经过第一层稠密层处理后的输出矩阵输入至第一层瓶颈层进行卷积处理,得到经过第一层瓶颈层处理后的输出矩阵,将所述经过第一层瓶颈层处理后的输出矩阵与经过第一层稠密层处理后的输出矩阵相加,得到二号输出矩阵,
将二号输出矩阵输入至第二层稠密层进行卷积处理,经过第二层稠密层处理后的输出矩阵输入至第二层瓶颈层进行卷积处理,得到经过第二层瓶颈层处理后的输出矩阵,将所述经过第二层瓶颈层处理后的输出矩阵与经过第一层稠密层处理后的输出矩阵相加,得到三号输出矩阵,
将三号输出矩阵输入至第三层稠密层进行卷积处理,经过第三层稠密层处理后的输出矩阵输入至第三层瓶颈层进行卷积处理,得到经过第三层瓶颈层处理后的输出矩阵,将所述经过第三层瓶颈层处理后的输出矩阵、经过第一层稠密层处理后的输出矩阵和经过第二层稠密层处理后的输出矩阵相加,得到四号输出矩阵,
将四号输出矩阵输入至第四层稠密层进行卷积处理,经过第四层稠密层处理后的输出矩阵输入至第四层瓶颈层进行卷积处理,得到经过第四层瓶颈层处理后的输出矩阵,将所述经过第四层瓶颈层处理后的输出矩阵、经过第一层稠密层处理后的输出矩阵、经过第二层稠密层处理后的输出矩阵和经过第三层稠密层处理后的输出矩阵相加,得到经过第四层稠密模块解码后的输出矩阵。
10.根据权利要求6所述一种基于环路生成对抗网络的ISAR舰船目标图像域增强识别方法,其特征在于,一号鉴别器和二号鉴别器均包括四层卷积层、1层池化层和非线性激活函数,
由具有光学特征的图像数据集和原始光学图像数据集输入至一号鉴别器内,依次经过四层卷积层、1层池化层和非线性激活函数进行处理,得到辨识概率;
由具有ISAR特征的图像数据集和原始ISAR图像数据集输入至二号鉴别器内,依次经过四层卷积层、1层池化层和非线性激活函数进行处理,得到辨识概率。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011070409.2A CN112132104B (zh) | 2020-10-09 | 2020-10-09 | 一种基于环路生成对抗网络的isar舰船目标图像域增强识别方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011070409.2A CN112132104B (zh) | 2020-10-09 | 2020-10-09 | 一种基于环路生成对抗网络的isar舰船目标图像域增强识别方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN112132104A true CN112132104A (zh) | 2020-12-25 |
CN112132104B CN112132104B (zh) | 2021-08-03 |
Family
ID=73843834
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202011070409.2A Active CN112132104B (zh) | 2020-10-09 | 2020-10-09 | 一种基于环路生成对抗网络的isar舰船目标图像域增强识别方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112132104B (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112949555A (zh) * | 2021-03-17 | 2021-06-11 | 西安电子科技大学 | 基于目标先验信息的空间目标isar图像分类方法 |
Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105574809A (zh) * | 2015-12-16 | 2016-05-11 | 天津大学 | 基于矩阵指数的电磁暂态仿真图形处理器并行计算方法 |
CN106128471A (zh) * | 2016-08-26 | 2016-11-16 | 西南交通大学 | 一种收缩变步长子带回声消除方法 |
CN107358626A (zh) * | 2017-07-17 | 2017-11-17 | 清华大学深圳研究生院 | 一种利用条件生成对抗网络计算视差的方法 |
CN110022422A (zh) * | 2019-04-19 | 2019-07-16 | 吉林大学 | 一种基于密集连接网络的视频帧序列生成方法 |
CN110120033A (zh) * | 2019-04-12 | 2019-08-13 | 天津大学 | 基于改进的U-Net神经网络三维脑肿瘤图像分割方法 |
CN110210422A (zh) * | 2019-06-05 | 2019-09-06 | 哈尔滨工业大学 | 一种基于光学图像辅助的舰船isar像识别方法 |
CN110517195A (zh) * | 2019-07-26 | 2019-11-29 | 西安电子科技大学 | 无监督sar图像去噪方法 |
US10624558B2 (en) * | 2017-08-10 | 2020-04-21 | Siemens Healthcare Gmbh | Protocol independent image processing with adversarial networks |
CN111383200A (zh) * | 2020-03-30 | 2020-07-07 | 西安理工大学 | 基于生成式对抗神经网络的cfa图像去马赛克方法 |
-
2020
- 2020-10-09 CN CN202011070409.2A patent/CN112132104B/zh active Active
Patent Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105574809A (zh) * | 2015-12-16 | 2016-05-11 | 天津大学 | 基于矩阵指数的电磁暂态仿真图形处理器并行计算方法 |
CN106128471A (zh) * | 2016-08-26 | 2016-11-16 | 西南交通大学 | 一种收缩变步长子带回声消除方法 |
CN107358626A (zh) * | 2017-07-17 | 2017-11-17 | 清华大学深圳研究生院 | 一种利用条件生成对抗网络计算视差的方法 |
US10624558B2 (en) * | 2017-08-10 | 2020-04-21 | Siemens Healthcare Gmbh | Protocol independent image processing with adversarial networks |
CN110120033A (zh) * | 2019-04-12 | 2019-08-13 | 天津大学 | 基于改进的U-Net神经网络三维脑肿瘤图像分割方法 |
CN110022422A (zh) * | 2019-04-19 | 2019-07-16 | 吉林大学 | 一种基于密集连接网络的视频帧序列生成方法 |
CN110210422A (zh) * | 2019-06-05 | 2019-09-06 | 哈尔滨工业大学 | 一种基于光学图像辅助的舰船isar像识别方法 |
CN110517195A (zh) * | 2019-07-26 | 2019-11-29 | 西安电子科技大学 | 无监督sar图像去噪方法 |
CN111383200A (zh) * | 2020-03-30 | 2020-07-07 | 西安理工大学 | 基于生成式对抗神经网络的cfa图像去马赛克方法 |
Non-Patent Citations (2)
Title |
---|
SHILEI FU: "Reciprocal Translation between SAR and Optical Remote Sensing Images with Cascaded-Residual Adversarial Networks", 《ARXIV》 * |
刘珩: "SAR图像去噪方法研究", 《中国优秀硕士学位论文全文数据库 信息科技辑》 * |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112949555A (zh) * | 2021-03-17 | 2021-06-11 | 西安电子科技大学 | 基于目标先验信息的空间目标isar图像分类方法 |
CN112949555B (zh) * | 2021-03-17 | 2023-03-24 | 西安电子科技大学 | 基于目标先验信息的空间目标isar图像分类方法 |
Also Published As
Publication number | Publication date |
---|---|
CN112132104B (zh) | 2021-08-03 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Zhang et al. | Convolutional neural networks for automatic cognitive radio waveform recognition | |
CN101999900B (zh) | 一种应用于人脸识别的活体检测方法及系统 | |
CN101866421B (zh) | 基于离散度约束非负稀疏编码的自然图像特征提取方法 | |
CN108154519A (zh) | 眼底图像中血管的分割方法、装置及存储介质 | |
Gerg et al. | Structural prior driven regularized deep learning for sonar image classification | |
CN110210422A (zh) | 一种基于光学图像辅助的舰船isar像识别方法 | |
CN114764801A (zh) | 基于多视觉显著特征的弱小舰船目标融合检测方法及装置 | |
Narayan et al. | Image character recognition using convolutional neural networks | |
CN115661627A (zh) | 一种基于GAF-D3Net的单波束水下目标识别方法 | |
Jin et al. | Defect identification of adhesive structure based on DCGAN and YOLOv5 | |
CN110188646B (zh) | 基于梯度方向直方图与局部二值模式融合的人耳识别方法 | |
CN115661649A (zh) | 一种基于bp神经网络的船载微波雷达图像溢油探测方法及系统 | |
CN112132104B (zh) | 一种基于环路生成对抗网络的isar舰船目标图像域增强识别方法 | |
CN113763417B (zh) | 一种基于孪生网络和残差结构的目标跟踪方法 | |
Patel et al. | Multiresolution technique to handwritten English character recognition using learning rule and Euclidean distance metric | |
CN110287759B (zh) | 一种基于简化输入卷积神经网络o-cnn的眼部疲劳检测方法 | |
CN117079098A (zh) | 一种基于位置编码的空间小目标检测方法 | |
Thamizharasi | Performance analysis of face recognition by combining multiscale techniques and homomorphic filter using fuzzy K nearest neighbour classifier | |
CN112070009B (zh) | 基于改进的lbp算子的卷积神经网络表情识别方法 | |
Chitaliya et al. | Comparative analysis using fast discrete Curvelet transform via wrapping and discrete Contourlet transform for feature extraction and recognition | |
CN110197114B (zh) | 一种全脑范围单神经元轴突突触结的自动识别方法及装置 | |
Gong | Expression Recognition Method of Fusion Gabor Filter and 2DPCA Algorithm | |
Wu et al. | Object-Enhanced YOLO Networks for Synthetic Aperture Radar Ship Detection | |
Zhang et al. | Artificial Intelligence Technology in the Operation and Management of Rail Transit System | |
CN112419227B (zh) | 基于小目标搜索缩放技术的水下目标检测方法和系统 |
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 |