CN112560603A - 一种基于小波图像的水声数据集扩充方法 - Google Patents

一种基于小波图像的水声数据集扩充方法 Download PDF

Info

Publication number
CN112560603A
CN112560603A CN202011397621.XA CN202011397621A CN112560603A CN 112560603 A CN112560603 A CN 112560603A CN 202011397621 A CN202011397621 A CN 202011397621A CN 112560603 A CN112560603 A CN 112560603A
Authority
CN
China
Prior art keywords
underwater
target
data set
layer
wavelet
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
Application number
CN202011397621.XA
Other languages
English (en)
Other versions
CN112560603B (zh
Inventor
高英杰
陈越超
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.)
715th Research Institute of CSIC
Original Assignee
715th Research Institute of CSIC
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 715th Research Institute of CSIC filed Critical 715th Research Institute of CSIC
Priority to CN202011397621.XA priority Critical patent/CN112560603B/zh
Publication of CN112560603A publication Critical patent/CN112560603A/zh
Application granted granted Critical
Publication of CN112560603B publication Critical patent/CN112560603B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F2218/00—Aspects of pattern recognition specially adapted for signal processing
    • G06F2218/12—Classification; Matching
    • 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
    • G06N3/045—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

Landscapes

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

Abstract

本发明公开了一种基于小波图像的水声数据集扩充方法，旨在缓解运用深度学习方法对水声目标识别时面临的数据稀缺问题。在兼顾常规水声信号处理的先验知识和深度学习模型对输入形式的适配性要求的基础上，构建基于小波图像的水声数据集。针对水下目标和水面目标数据集设计适配的深层卷积生成式对抗网络(DCGAN)，通过引入密集连接卷积神经网络(DenseNet)增强生成样本的类别属性，通过迭代训练的方法优化网络，生成带标签的水声信号小波图像扩充数据集，提升对水声目标的识别效果。

Description

一种基于小波图像的水声数据集扩充方法
技术领域
本发明涉及水声信号处理、模式识别及人工智能技术的领域，具体涉及一种基于小波图像的水声数据集扩充方法。
背景技术
近年来，以深度学习为代表的人工智能技术蓬勃发展，在计算机视觉、自然语言处理和语音识别等领域取得令人瞩目的突破。该系列方法多基于万能逼近定理，通过构造若干层神经网络进行非线性建模，在大数据和强算力的支撑下，自主学习输入样本到输出标签的映射关系。深度学习技术为水声目标识别开创了新的思路，通过挖掘潜在特征代替人工设计的分类特征，提高识别鲁棒性和准确率。但由于水声目标数据匮乏，高质量、带标注的数据更是稀缺，难以满足神经网络训练对样本量的需求。
发明内容
本发明的目的在于克服现有技术存在的不足，而提供一种基于小波图像的水声数据集扩充方法。设计了适配的深层卷积生成式对抗网络(DCGAN)，并在优化训练过程中引入密集连接卷积网络(DenseNet)增强类别属性，生成基于小波图像、带标签的水声数据。
本发明的目的是通过如下技术方案来完成的：提供了一种基于小波图像的水声数据集扩充方法，主要包括以下步骤：
1)针对已采集的水下目标和水面目标的时域跟踪波束，基于小波变换生成带标签的时频图像，分别构建水下目标数据集和水面目标数据集；
2)将水下目标数据集和水面目标数据集融合打乱，构建水声目标数据集；
3)基于1)中的水下目标数据集和水面目标数据集，分别设计并训练DCGAN，用于初步生成对应标签的小波图像；
4)基于2)中的水声目标数据集设计并训练密集DenseNet，初步用于对水下目标和水面目标的二分类；
5)将4)中得到的DenseNet添加到3)中DCGAN的判别子网络作为支路，固化DenseNet参数并对DCGAN进一步训练，增强其生成样本的类别属性；
6)基于5)中得到的DCGAN生成带标签的小波图像扩充2)中的水声目标数据集，进一步训练并优化DenseNet；
7)对未知水声目标、新生成的水声信号小波图像进行水面、水下二分类识别。
所述步骤1)、2)中，水声数据样本的设计方法要兼顾常规水声信号处理的先验知识和深度学习模型对输入形式的适配性要求，采用复Morlet小波作为母小波对水声目标的时域跟踪波束进行小波变换，生成小波时频图像，频率范围是10-200Hz，图像分辨率为1*256*256。
所述步骤3)中，用于生成水面目标样本和水下目标样本的两个DCGAN模型，采用了相同的网络结构，分别训练并更新模型权重；其生成子网络的输入层是基于标准正态分布采样的64*1*1维张量；后面添加5个反卷积层-批归一化层-ReLU激活层，反卷积层的参数依次为(64，512，8，1，0)、(512，256，4，2，1)、(256，128，4，2，1)、(128，64，4，2，1)、(64，32，4，2，1)，其后再添加参数为(32，1，4，2，1)的反卷积层和Tanh激活层；其判别子网络的输入层是生成子网络的输出张量，维度为1*256*256；后面添加5个卷积层-批归一化层-LeakyReLU(斜率为0.2)激活层，卷积层的参数依次是(1，32，4，2，1)、(32，64，4，2，1)、(64，128，4，2，1)、(128，256，4，2，1)、(256，512，4，2，1)，其后再添加参数为(512，1，8，1，0)的卷积层和Sigmoid激活层；参数列表的含义分别为输入通道数、输出通道数、核尺寸、平移步长和padding数量。
所述步骤4)中，用于对水声目标进行水面、水下二分类的DenseNet模型，输入层是水声目标小波时频图，尺寸为1*256*256；其后添加参数为(6，2，3)的卷积层；其后添加批归一化层-ReLU激活层；其后添加参数为(3，2，1)的最大池化层；其后添加四个Dense Block子模块，Dense Block之间由Transition Layer子模块连接；每个Dense Block由两个批归一化层-ReLU激活层-卷积层组成，卷积层参数分别为(1，1，0)和(3，1，1)；每个TransitionLayer是一个批归一化层-ReLU激活层-卷积层-平均池化层组合，卷积层参数为(1，1，0)，平均池化层参数为(2，2，0)；这里的参数列表含义分别为核尺寸、平移步长和padding数量；其后添加ReLU层-全局池化层-全连接层，输出二维向量(z0,z1)；最后添加softmax函数，将(z0,z1)归一化为水下目标置信度pn：如下所示：
Figure BDA0002815766610000021
所述步骤3)中，训练DCGAN时采用的损失函数为：
Figure BDA0002815766610000022
其中，G代表DCGAN的生成子网络，D代表DCGAN的判别子网络，x代表真实水声信号小波图像，z代表基于标准正态分布采样得到的64*1*1维张量。
所述步骤4)和步骤6)中，训练DenseNet时采用的损失函数为：
Lossn＝-[ynlogpn+(1-yn)log(1-pn)]
其中，yn代表样本类别，其值为0代表水下目标，其值为1代表水面目标。
所述步骤5)中，训练DCGAN时采用的损失函数为：
Figure BDA0002815766610000031
其中，λ为DenseNet引入的类别属性损失权重，设置为0.3。
所述训练过程中，均采用批量随机梯度下降法更新模型权重。
所述步骤6)中，基于DCGAN生成指定类别的水声信号小波图像，方法是：首先按标准正态分布采样生成64*1*1维张量；其后将其输入至对应类别的DCGAN的生成子网络进行前向推理；最后得到1*256*256维输出张量，即生成的指定类别的水声信号小波图像。
所述步骤7)中，基于DenseNet实现对未知水声目标进行水面、水下二分类识别时，方法是：首先将采集的水声目标波束信号生成小波图像；其后送入DenseNet进行前向推理，计算属于水下目标的置信度pn；如果pn>0.6，则判定为水下目标；如果pn<0.4，则判定为水面目标；否则为不明目标。
本发明的有益效果为：通过将水声时域波束转换为小波图像，兼顾了常规水声信号处理的先验知识和深度学习模型对输入形式的适配性要求；通过DCGAN扩充水声数据集，缓解了数据稀缺的瓶颈，提升了深度学习分类器的的分类效果。
附图说明
图1为本发明的实现流程图。
具体实施方式
下面将结合附图对本发明做详细的介绍：
实施例：如附图1所示，基于这种小波图像的水声数据集扩充方法，旨在缓解运用深度学习方法对水声目标识别时面临的数据稀缺问题。通过对DCGAN和DenseNet网络进行适配型修改，并设计了一种迭代训练的优化方法，可比较稳定的生成带标签水声样本扩充数据集用于水声目标的智能化识别。测试验证，效果明显。主要包括以下步骤：
1)针对已采集的水下目标和水面目标的时域跟踪波束，基于小波变换生成带标签的时频图像，分别构建水下目标数据集和水面目标数据集。在样本设计上，兼顾常规水声信号处理的先验知识和深度学习模型对输入形式的适配性要求，采用复Morlet小波作为母小波对水声目标的时域跟踪波束进行小波变换，生成小波时频图像，频率范围是10-200Hz，图像分辨率为1*256*256。
2)将水下目标数据集和水面目标数据集融合打乱，构建水声目标数据集。
3)基于1)中的水下目标数据集和水面目标数据集，分别设计并训练DCGAN，用于初步生成对应标签的水声信号小波图像。用于生成水面目标数据和水下目标数据的两个DCGAN模型，采用相同的网络结构，分别训练并更新模型权重；其生成子网络的输入层是基于标准正态分布采样的64*1*1维张量，判别子网络的输入是生成子网络的输出张量，维度为1*256*256，DCGAN主要结构如附表1所示。
附表1
Figure BDA0002815766610000041
采用批量随机梯度下降法更新模型权重，损失函数设置为：
Figure BDA0002815766610000042
其中，G代表DCGAN的生成子网络，D代表DCGAN的判别子网络，x代表真实水声信号小波图像，z代表基于标准正态分布采样得到的64*1*1维张量。
4)基于2)中的水声目标数据集设计并训练DenseNet，用于对水下目标和水面目标的二分类。其输入层是水声目标小波时频图，尺寸为1*256*256，模型主要结构如附表2所示。
附表2
Figure BDA0002815766610000043
在全连接层输出的二维向量(z0,z1)后添加softmax函数，将(z0,z1)归一化为水下目标置信度pn，如下所示：
Figure BDA0002815766610000051
采用批量随机梯度下降法更新模型权重，其损失函数设置为:
Lossn＝-[ynlogpn+(1-yn)log(1-pn)]
其中，yn代表样本类别，其值为0代表水下目标，其值为1代表水面目标。
5)将4)中得到的DenseNet添加到3)中DCGAN的判别子网络作为支路，固化DenseNet参数并对DCGAN进一步训练，增强其生成样本的类别属性。采用批量随机梯度下降法更新模型权重，其损失函数设置为：
mGinEz～N(0,1)[log(1-D(G(z)))+λLossn]
其中，λ为DenseNet引入的类别属性损失权重，设置为0.3。
6)基于5)中得到的DCGAN生成带标签的水声信号小波图像扩充2)中的水声目标数据集，进一步训练并优化DenseNet。生成指定类别的水声样本，方法是：首先按标准正态分布采样生成64*1*1维张量；其后将其输入至对应类别的DCGAN的生成子网络进行前向推理；最后得到1*256*256维输出张量，即生成的指定类别的水声小波时频图样本。
采用批量随机梯度下降法更新模型权重，采用批量随机梯度下降法更新模型权重，其损失函数设置为:
Lossn＝-[ynlogpn+(1-yn)log(1-pn)]
7)可对未知水声目标、新生成的水声信号小波图像进行水面、水下二分类识别。方法是：首先将采集的水声目标波束信号生成小波图像；其后送入DenseNet进行前向推理，计算属于水下目标的置信度pn；如果pn>0.6，则判定为水下目标；如果pn<0.4，则判定为水面目标；否则为不明目标。
可以理解的是，对本领域技术人员来说，对本发明的技术方案及发明构思加以等同替换或改变都应属于本发明所附的权利要求的保护范围。

Claims (7)

1.一种基于小波图像的水声数据集扩充方法，其特征在于：包括以下步骤：
1)针对已采集的水下目标和水面目标的时域跟踪波束，基于小波变换生成带标签的时频图像，分别构建水下目标数据集和水面目标数据集；
2)将水下目标数据集和水面目标数据集融合打乱，构建水声目标数据集；
3)基于步骤1)中的水下目标数据集和水面目标数据集，分别设计并训练深层卷积生成式对抗网络DCGAN，用于初步生成对应标签的小波图像；
4)基于步骤2)中的水声目标数据集设计并训练密集密集连接卷积网络DenseNet，初步用于对水下目标和水面目标的二分类；
5)将步骤4)中得到的DenseNet添加到步骤3)中DCGAN的判别子网络作为支路，固化DenseNet参数并对DCGAN进一步训练，增强其生成样本的类别属性；
6)基于步骤5)中得到的DCGAN生成带标签的小波图像扩充步骤2)中的水声目标数据集，进一步训练并优化DenseNet；
7)对未知水声目标、新生成的水声信号小波图像进行水面、水下二分类识别。
2.根据权利要求1所述的基于小波图像的水声数据集扩充方法，其特征在于：在水声数据样本的设计上，兼顾常规水声信号处理的先验知识和深度学习模型对输入形式的适配性要求，采用复Morlet小波作为母小波对水声目标的时域跟踪波束进行小波变换，生成小波时频图像，频率范围是10-200Hz，图像分辨率为1*256*256。
3.根据权利要求1所述的基于小波图像的水声数据集扩充方法，其特征在于：用于生成水面目标和水下目标小波图像的两个DCGAN模型采用相同的网络结构，分别训练并更新模型权重；其生成子网络的输入层是基于标准正态分布采样的64*1*1维张量；后面添加5个反卷积层-批归一化层-ReLU激活层，反卷积层的参数依次为(64，512，8，1，0)、(512，256，4，2，1)、(256，128，4，2，1)、(128，64，4，2，1)、(64，32，4，2，1)，其后添加参数为(32，1，4，2，1)的反卷积层和Tanh激活层；其判别子网络的输入层是生成子网络的输出张量，维度为1*256*256；后面添加5个卷积层-批归一化层-LeakyReLU(斜率为0.2)激活层，卷积层的参数依次是(1，32，4，2，1)、(32，64，4，2，1)、(64，128，4，2，1)、(128，256，4，2，1)、(256，512，4，2，1)，其后再添加参数为(512，1，8，1，0)的卷积层和Sigmoid激活层；参数列表的含义分别为输入通道数、输出通道数、核尺寸、平移步长和padding数量。
4.根据权利要求1所述的基于小波图像的水声数据集扩充方法，其特征在于：用于对水声目标进行水面、水下二分类的DenseNet模型，输入层是水声目标小波时频图，尺寸为1*256*256；其后添加参数为(6，2，3)的卷积层；其后添加批归一化层-ReLU激活层；其后添加参数为(3，2，1)的最大池化层；其后添加四个Dense Block子模块，Dense Block之间由Transition Layer子模块连接；每个Dense Block由两个批归一化层-ReLU激活层-卷积层组成，卷积层参数分别为(1，1，0)和(3，1，1)；每个Transition Layer是一个批归一化层-ReLU激活层-卷积层-平均池化层组合，卷积层参数为(1，1，0)，平均池化层参数为(2，2，0)；这里的参数列表含义分别为核尺寸、平移步长和padding数量；其后添加ReLU层-全局池化层-全连接层，输出二维向量(z0,z1)；最后添加softmax函数：如下所示：
Figure FDA0002815766600000021
其中，pn表示将(z0,z1)归一化为水下目标置信度。
5.根据权利要求1所述的基于小波图像的水声数据集扩充方法，其特征在于：步骤3)在训练DCGAN时采用的损失函数为：
Figure FDA0002815766600000022
其中，G代表DCGAN的生成子网络，D代表DCGAN的判别子网络，x代表真实水声信号小波图像，z代表基于标准正态分布采样得到的64*1*1维张量；步骤4)和步骤6)在训练DenseNet时采用的损失函数为:
Lossn＝-[ynlogpn+(1-yn)log(1-pn)]
其中，yn代表样本类别，其值为0代表水下目标，其值为1代表水面目标；步骤5)在训练DCGAN时采用的损失函数为：
Figure FDA0002815766600000023
其中，λ为DenseNet引入的类别属性损失权重，设置为0.3；以上均采用批量随机梯度下降法更新模型权重。
6.根据权利要求1所述的基于小波图像的水声数据集扩充方法，其特征在于：生成指定类别的水声信号小波图像，方法是：首先按标准正态分布采样生成64*1*1维张量；其后将其输入至对应类别的DCGAN的生成子网络进行前向推理；最后得到1*256*256维输出张量，即生成的指定类别的水声小波图像。
7.根据权利要求1所述的基于小波图像的水声数据集扩充方法，其特征在于：对未知水声目标进行水面、水下二分类识别，方法是：首先将采集的水声目标波束信号生成小波图像；其后送入DenseNet进行前向推理，计算属于水下目标的置信度pn；如果pn>0.6，则判定为水下目标；如果pn<0.4，则判定为水面目标；否则为不明目标。
CN202011397621.XA 2020-12-04 2020-12-04 一种基于小波图像的水声数据集扩充方法 Active CN112560603B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202011397621.XA CN112560603B (zh) 2020-12-04 2020-12-04 一种基于小波图像的水声数据集扩充方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202011397621.XA CN112560603B (zh) 2020-12-04 2020-12-04 一种基于小波图像的水声数据集扩充方法

Publications (2)

Publication Number Publication Date
CN112560603A true CN112560603A (zh) 2021-03-26
CN112560603B CN112560603B (zh) 2022-11-22

Family

ID=75047549

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202011397621.XA Active CN112560603B (zh) 2020-12-04 2020-12-04 一种基于小波图像的水声数据集扩充方法

Country Status (1)

Country Link
CN (1) CN112560603B (zh)

Cited By (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113326737A (zh) * 2021-05-06 2021-08-31 西北工业大学 一种水中目标的数据增强方法
CN114609493A (zh) * 2022-05-09 2022-06-10 杭州兆华电子股份有限公司 一种信号数据增强的局部放电信号识别方法
CN115426007A (zh) * 2022-08-22 2022-12-02 电子科技大学 一种基于深度卷积神经网络的智能波束对准方法

Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN108171266A (zh) * 2017-12-25 2018-06-15 中国矿业大学 一种多目标深度卷积生成式对抗网络模型的学习方法
CN110516561A (zh) * 2019-08-05 2019-11-29 西安电子科技大学 基于dcgan和cnn的sar图像目标识别方法
US20200151222A1 (en) * 2018-11-09 2020-05-14 Accenture Global Solutions Limited Dark web content analysis and identification
CN111260584A (zh) * 2020-01-17 2020-06-09 北京工业大学 基于gan网络的水下退化图像增强的方法
CN111444955A (zh) * 2020-03-25 2020-07-24 哈尔滨工程大学 一种基于类意识领域自适应的水下声纳图像无监督分类方法

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN108171266A (zh) * 2017-12-25 2018-06-15 中国矿业大学 一种多目标深度卷积生成式对抗网络模型的学习方法
US20200151222A1 (en) * 2018-11-09 2020-05-14 Accenture Global Solutions Limited Dark web content analysis and identification
CN110516561A (zh) * 2019-08-05 2019-11-29 西安电子科技大学 基于dcgan和cnn的sar图像目标识别方法
CN111260584A (zh) * 2020-01-17 2020-06-09 北京工业大学 基于gan网络的水下退化图像增强的方法
CN111444955A (zh) * 2020-03-25 2020-07-24 哈尔滨工程大学 一种基于类意识领域自适应的水下声纳图像无监督分类方法

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
郑远攀等: "深度学习在图像识别中的应用研究综述", 《计算机工程与应用》 *

Cited By (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113326737A (zh) * 2021-05-06 2021-08-31 西北工业大学 一种水中目标的数据增强方法
CN114609493A (zh) * 2022-05-09 2022-06-10 杭州兆华电子股份有限公司 一种信号数据增强的局部放电信号识别方法
CN114609493B (zh) * 2022-05-09 2022-08-12 杭州兆华电子股份有限公司 一种信号数据增强的局部放电信号识别方法
CN115426007A (zh) * 2022-08-22 2022-12-02 电子科技大学 一种基于深度卷积神经网络的智能波束对准方法
CN115426007B (zh) * 2022-08-22 2023-09-01 电子科技大学 一种基于深度卷积神经网络的智能波束对准方法

Also Published As

Publication number Publication date
CN112560603B (zh) 2022-11-22

Similar Documents

Publication Publication Date Title
CN112560603B (zh) 一种基于小波图像的水声数据集扩充方法
CN111260740B (zh) 一种基于生成对抗网络的文本到图像生成方法
CN109584337B (zh) 一种基于条件胶囊生成对抗网络的图像生成方法
CN109190665B (zh) 一种基于半监督生成对抗网络的通用图像分类方法和装置
CN111583263B (zh) 一种基于联合动态图卷积的点云分割方法
CN112347970B (zh) 一种基于图卷积神经网络的遥感影像地物识别方法
CN112685504B (zh) 一种面向生产过程的分布式迁移图学习方法
CN112765352A (zh) 基于具有自注意力机制的图卷积神经网络文本分类方法
CN111275640B (zh) 一种融合二维离散小波变换和生成对抗网络的图像增强方法
CN113987236B (zh) 基于图卷积网络的视觉检索模型的无监督训练方法和装置
CN110619364B (zh) 一种基于云模型的小波神经网络三维模型分类方法
CN115170943A (zh) 一种基于迁移学习的改进视觉Transformer海底底质声呐图像分类方法
CN116543168A (zh) 一种基于多维度图像信息融合的垃圾图像去噪方法
CN115830179A (zh) 一种类别无关的遥感地物矢量拓扑结构提取方法
CN116010813A (zh) 基于图神经网络融合标签节点影响度的社区检测方法
CN113744237A (zh) 一种基于深度学习的渣土流塑性自动检测方法及系统
CN113537325B (zh) 一种用于图像分类的基于提取高低层特征逻辑的深度学习方法
CN115640845A (zh) 基于生成对抗网络的图神经网络少数类别样本生成方法
CN110569807B (zh) 面向复杂场景的多源目标跟踪方法
CN112818982B (zh) 基于深度特征自相关性激活的农业害虫图像检测方法
CN112434716B (zh) 一种基于条件对抗神经网络的水下目标数据扩增方法及系统
JP2022025392A (ja) 機械学習装置及び機械学習方法
CN113066172A (zh) 一种基于云模型和神经网络的三维模型分类方法
WO2021046681A1 (zh) 面向复杂场景的多源目标跟踪方法
CN114037866B (zh) 一种基于可辨伪特征合成的广义零样本图像分类方法

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
GR01 Patent grant
GR01 Patent grant