CN112560966B - 基于散射图卷积网络的极化sar图像分类方法、介质及设备 - Google Patents
基于散射图卷积网络的极化sar图像分类方法、介质及设备 Download PDFInfo
- Publication number
- CN112560966B CN112560966B CN202011511666.5A CN202011511666A CN112560966B CN 112560966 B CN112560966 B CN 112560966B CN 202011511666 A CN202011511666 A CN 202011511666A CN 112560966 B CN112560966 B CN 112560966B
- Authority
- CN
- China
- Prior art keywords
- scattering
- matrix
- polarized
- sar image
- polarized sar
- 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 58
- 239000011159 matrix material Substances 0.000 claims abstract description 59
- 238000012549 training Methods 0.000 claims abstract description 36
- 238000010586 diagram Methods 0.000 claims abstract description 26
- 238000013527 convolutional neural network Methods 0.000 claims abstract description 22
- 239000013598 vector Substances 0.000 claims abstract description 10
- 238000013528 artificial neural network Methods 0.000 claims abstract description 9
- 238000003860 storage Methods 0.000 claims description 16
- 230000006870 function Effects 0.000 claims description 13
- 230000010287 polarization Effects 0.000 claims description 10
- 238000009826 distribution Methods 0.000 claims description 7
- 230000008569 process Effects 0.000 claims description 6
- 238000012360 testing method Methods 0.000 claims description 5
- 230000004913 activation Effects 0.000 claims description 4
- 238000004590 computer program Methods 0.000 description 10
- 238000012545 processing Methods 0.000 description 8
- 238000004088 simulation Methods 0.000 description 6
- 238000004422 calculation algorithm Methods 0.000 description 4
- 238000000354 decomposition reaction Methods 0.000 description 3
- 238000013459 approach Methods 0.000 description 2
- 238000003491 array Methods 0.000 description 2
- 230000001427 coherent effect Effects 0.000 description 2
- 238000013461 design Methods 0.000 description 2
- 238000000605 extraction Methods 0.000 description 2
- 238000003384 imaging method Methods 0.000 description 2
- 238000004519 manufacturing process Methods 0.000 description 2
- 230000007246 mechanism Effects 0.000 description 2
- RTAQQCXQSZGOHL-UHFFFAOYSA-N Titanium Chemical compound [Ti] RTAQQCXQSZGOHL-UHFFFAOYSA-N 0.000 description 1
- 238000004458 analytical method Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000007635 classification algorithm Methods 0.000 description 1
- 238000013135 deep learning Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000011156 evaluation Methods 0.000 description 1
- 238000002474 experimental method Methods 0.000 description 1
- 238000001914 filtration Methods 0.000 description 1
- 230000007774 longterm Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
- 238000010606 normalization Methods 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 238000005096 rolling process Methods 0.000 description 1
- 238000005070 sampling Methods 0.000 description 1
- 230000000007 visual effect Effects 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
-
- 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
本发明公开了一种基于散射图卷积网络的极化SAR图像分类方法、介质及设备,将待分类的极化SAR影像原始数据编码成极化散射矩阵;对极化散射矩阵进行稀疏散射编码得到稀疏散射矩阵,并构造散射关系邻接矩阵;将稀疏散射矩阵拉成列向量,然后和散射关系邻接矩阵一起输入到初始化的散射图卷积神经网络中,随机选择每类的训练样本得到训练样本集合;将选取的训练样本集合分批次并归一化后与散射关系邻接矩阵一起输入到散射图卷积神经网络进行训练;得到散射图卷积神经网络的模型参数;最后利用训练好的分类器预测分类。本发明对极化SAR数据表示和学习,从而提高了分类精度,可用于对极化SAR影像散射特性进行建模和地物分类。
Description
技术领域
本发明属于极化SAR图像处理技术领域,具体涉及一种基于散射图卷积网络的极化SAR图像分类方法、介质及设备。
背景技术
合成孔径雷达(Synthetic Aperture Radar,SAR)是一种主动式微波遥感成像雷达,极化合成孔径雷达则具有相干多通道的特性,SAR具有全天候、全天时、分辨率高、可侧视成像等优点,可广泛应用于地理监视、农业、土地利用等诸多领域。相对于单极化SAR,极化SAR能够获得更加丰富的目标信息,在遥感领域受到高度重视。极化SAR图像分类作为解译的一个重要部分,已成为国际上一个颇受关注研究方向。
目前,极化SAR图像分类方法可以分为两种:基于物理机制的模型和基于数据驱动的方法。其中,基于物理散射机制的方法主要包括目标的相干分解和非相干分解的建模,提出了一系列分解方法,从而得到极化特征。基于数据驱动的方法主要是以深度学习算法为工具进行研究的。
发明内容
本发明所要解决的技术问题在于针对上述现有技术中的不足,提供一种基于散射图卷积网络的极化SAR图像分类方法、介质及设备,利用数据的散射特性和图卷积网络的原理,对极化SAR数据表示和学习,从而提高了分类精度,可用于对极化SAR影像散射特性进行建模和地物分类。
本发明采用以下技术方案:
一种基于散射图卷积网络的极化SAR图像分类方法,将待分类的极化SAR影像原始数据编码成极化散射矩阵;对极化散射矩阵进行稀疏散射编码得到稀疏散射矩阵,并构造散射关系邻接矩阵;初始化散射图卷积神经网络的相关参数;将稀疏散射矩阵拉成列向量,然后和散射关系邻接矩阵一起输入到初始化的散射图卷积神经网络中,根据极化SAR图像的地物分布参考图中已标注的信息,随机选择每类的训练样本,得到训练样本集合;将选取的训练样本集合分批次并归一化到[0.05,0.95]与散射关系邻接矩阵一起输入到散射图卷积神经网络进行训练;重复迭代直至满足训练终止条件,得到散射图卷积神经网络的模型参数;最后利用训练好的分类器预测分类,将分类结果输出并计算分类精度。
具体的,极化散射矩阵S如下:
其中,SHH=a+bi,SHV=c+di,SVH=e+fi,SVV=g+hi,a-h为像素的八个通道值,i表示复数单位。
具体的,散射矩阵S的稀疏散射编码过程如下:
其中,a-h为像素的八个通道值。
具体的,每类训练样本的数目为100个。
具体的,散射图卷积神经网络的模型为:
其中,表示第l+1层的特征表示,σ是激活函数,W(l)是可学习的权重,A是邻接矩阵,IN表示单位矩阵。
进一步的,散射图卷积神经网络的损失函数为交叉熵损失,具体为:
其中,代表有标记的样本,F代表最后的通道数,n和f分别表示样本索引和通道索引。
具体的,重复迭代的最大次数为2000次。
具体的,预测分类具体为:
将待分类的极化SAR图像原始的测试数据进行极化散射编码,所得到的列向量归一化到[0.1,0.9]后,输入训练好网络,得到隐藏层的特征进行联合表示,然后利用这些特征输入到训练好的分类器对待分类的极化SAR图像进行分类,得到每个像素点的类别。
本发明的另一个技术方案是,一种存储一个或多个程序的计算机可读存储介质,所述一个或多个程序包括指令,所述指令当由计算设备执行时,使得所述计算设备执行所述的方法中的任一方法。
本发明的另一个技术方案是,一种计算设备,包括:
一个或多个处理器、存储器及一个或多个程序,其中一个或多个程序存储在所述存储器中并被配置为所述一个或多个处理器执行,所述一个或多个程序包括用于执行所述的方法中的任一方法的指令。
与现有技术相比,本发明至少具有以下有益效果:
本发明一种基于散射图卷积网络的极化SAR图像分类方法,首先对原始极化SAR影像数据转换到散射矩阵,其次,对散射矩阵进行系数散射编码;然后,初始化并训练网络,对图像的原始数据进行更好的特征学习,训练网络;最后,并预测分类以及计算分类精度,提出了针对极化SAR数据专用的稀疏散射编码方式;结合稀疏散射编码设计了对应的特征提取和分类算法;将特征提出和分类设计相结合提出了一种基于散射图卷积网络的极化SAR图像分类,实验结果表明具有良好的分类性能。
进一步的,极化散射矩阵是极化SAR数据的原始表示,拥有地物完整的表示信息。
进一步的,稀疏散射编码是一种可以提取散射矩阵S特征的方法,能够对散射矩阵S进行有效的表示。
进一步的,每类训练样本的数目设为100,便能够满足训练网络的需求,从而不需要太多的样本。
进一步的,散射图卷积网络的提出是为了对数据的散射特性进行有效的建模。
进一步的,损失函数是一种常用的构建损失的方式,同时也是一种鲁棒的方法。
进一步的,迭代次数为2000次,就可以使网络收敛。
进一步的,预测分类是为了得到分类结果,从而评价算法的分类性能。
综上所述,本发明结合稀疏散射编码和极化SAR的散射特性进行建模,提出了一种基于散射图卷积网络的极化SAR图像分类方法。
下面通过附图和实施例,对本发明的技术方案做进一步的详细描述。
附图说明
图1为本发明的流程图;
图2为本发明仿真使用的一幅极化SAR图像;
图3为本发明仿真使用的极化SAR图像的地物分布参考图;
图4为对图2精致极化Lee滤波后,用现有的Wishart分类器的方法,利用训练样本得到各类的聚类中心,再利用Wishart距离重新聚类得到的分类仿真结果图;
图5为全卷积神经网络方法得到的分类结果图;
图6为本发明得到的分类结果图。
具体实施方式
下面将结合本发明实施例中的附图,对本发明实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例是本发明一部分实施例,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。
应当理解,当在本说明书和所附权利要求书中使用时,术语“包括”和“包含”指示所描述特征、整体、步骤、操作、元素和/或组件的存在,但并不排除一个或多个其它特征、整体、步骤、操作、元素、组件和/或其集合的存在或添加。
还应当理解,在本发明说明书中所使用的术语仅仅是出于描述特定实施例的目的而并不意在限制本发明。如在本发明说明书和所附权利要求书中所使用的那样,除非上下文清楚地指明其它情况,否则单数形式的“一”、“一个”及“该”意在包括复数形式。
还应当进一步理解,在本发明说明书和所附权利要求书中使用的术语“和/或”是指相关联列出的项中的一个或多个的任何组合以及所有可能组合,并且包括这些组合。
在附图中示出了根据本发明公开实施例的各种结构示意图。这些图并非是按比例绘制的,其中为了清楚表达的目的,放大了某些细节,并且可能省略了某些细节。图中所示出的各种区域、层的形状及它们之间的相对大小、位置关系仅是示例性的,实际中可能由于制造公差或技术限制而有所偏差,并且本领域技术人员根据实际所需可以另外设计具有不同形状、大小、相对位置的区域/层。
本发明提供了一种基于散射图卷积网络的极化SAR图像分类方法、介质及设备,输入待分类的原始极化SAR图像数据;将数据转换成极化散射矩阵;对极化散射矩阵进行稀疏散射编码;将稀疏散射编码得到的矩阵输入到散射图卷积网络,进行预测分类,得到分类结果。本发明与现有的一些方法相比,主要考虑了图像的散射特征建模,明显地提高了极化SAR影像地物分类精度。
请参阅图1和图2,本发明一种基于散射图卷积网络的极化SAR图像分类方法,包括以下步骤:
S1、输入待分类的极化SAR影像原始数据,编码成极化散射矩阵;
原始的极化SAR影像数据共八个通道,假设考虑一个像素的八个通道值,分别记为a-g,同时假设极化散射矩阵为S,就有如下公式:
其中,复数矩阵元素表示为:
其中,i表示复数单位,得到极化散射矩阵S。
S2、对极化散射矩阵进行稀疏散射编码,得到稀疏散射矩阵,并构造散射关系邻接矩阵;
先假设如下编码操作:
其示意图如下:
其中,第一行表示正数的位置,第二行表示复数的位置,但如果是复试就取绝对值。第一列位置用来存放复数的实部,第二列存放虚部。
整个映射表示如下:
其中为上述编码操作。
对于散射矩阵S,其稀疏散射编码过程表示如下:
S3、根据极化SAR图像的地物分布参考图中已标注的信息,随机选择每类的训练样本,得到训练样本集合:
本发明中采样得到的每类样本数目为100个;
S4、初始化散射图卷积经网络的相关参数;
S5、将选取的训练样本分批次并归一化到[0.05,0.95]与散射关系邻接矩阵一起输入到散射图卷积神经网络进行训练;
S501、在训练过程中,给出极化散射编码的一维形式从而满足特定模型的需求,
极化SAR图像数据的散射特性及建模落脚点在邻接矩阵A的构造上,采用“随机初始化+学习优化”的思路来模拟这种规律。
S502、在训练过程中,散射图卷积神经网络的模型如下
其中,表示第l+1层的特征表示,D是度量矩阵。H(l)表示第l层的特征表示。通常H0=X表示模型的输入。σ是激活函数,采用ReLU。W(l)是可学习的权重。/>表示图中节点的位置关系及其规范化表达式,为了方便期间,通常表示成/>在模型训练过程中也是一个常数矩阵。所以上式传播规则简写为:
在中,A是邻接矩阵,是图的常用存储表示。它用两个数组分别存储数据元素(顶点)的信息和数据元素之间的关系(边或弧)的信息。在A中对角元素为零元素,缺乏元素和自身的关系,因此引入自环/>IN表示单位矩阵。为了对/>进行规范化处理,引入了与之对应的度矩阵/>其中/>表示每行元素相加赋值到对角元素的位置上。
下面以一个四层图卷积网络的模型架构为例进行介绍,包含一个输入层,两个隐层和一个输出层,表达式如下:
其中,W(0),W(1)和W(2)是可学习的权重参数,H(0)=X,激活函数ReLU(·)=max(0,·),分类器
网络的损失函数通常采用交叉熵损失,定义如下:
其中,代表有标记的样本。F代表最后的通道数,和分类的类别数保持一致。n和f分别表示样本索引和通道索引。最后,可以通过最小化交叉熵损失来优化网络参数。
S6、重复步骤S5,直至满足终止条件;
最大迭代次数2000次,得到散射图卷积神经网络的模型参数。
S7、利用训练好的分类器预测分类:将待分类的极化SAR图像原始的测试数据归一化到[0.1,0.9]后,输入训练好的网络,得到隐藏层的特征进行联合表示,然后利用这些特征输入到训练好的分类器对待分类的极化SAR图像进行分类,得到每个像素点的类别。
S8、输出图像并计算分类精度。
本发明再一个实施例中,提供了一种终端设备,该终端设备包括处理器以及存储器,所述存储器用于存储计算机程序,所述计算机程序包括程序指令,所述处理器用于执行所述计算机存储介质存储的程序指令。处理器可能是中央处理单元(Central ProcessingUnit,CPU),还可以是其他通用处理器、数字信号处理器(Digital Signal Processor、DSP)、专用集成电路(Application Specific Integrated Circuit,ASIC)、现成可编程门阵列(Field-Programmable GateArray,FPGA)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件等,其是终端的计算核心以及控制核心,其适于实现一条或一条以上指令,具体适于加载并执行一条或一条以上指令从而实现相应方法流程或相应功能;本发明实施例所述的处理器可以用于基于散射图卷积网络的极化SAR图像分类的操作,包括:将待分类的极化SAR影像原始数据编码成极化散射矩阵;对极化散射矩阵进行稀疏散射编码得到稀疏散射矩阵,并构造散射关系邻接矩阵;
根据极化SAR图像的地物分布参考图中已标注的信息,随机选择每类的训练样本,得到训练样本集合;同时初始化散射图卷积经网络的相关参数;将选取的训练样本集合分批次并归一化到[0.05,0.95]后训练散射图卷积神经网络;重复迭代直至满足终止条件,得到FCN的模型参数;
最后利用训练好的分类器预测分类,将分类结果输出并计算分类精度。
本发明再一个实施例中,本发明还提供了一种存储介质,具体为计算机可读存储介质(Memory),所述计算机可读存储介质是终端设备中的记忆设备,用于存放程序和数据。可以理解的是,此处的计算机可读存储介质既可以包括终端设备中的内置存储介质,当然也可以包括终端设备所支持的扩展存储介质。计算机可读存储介质提供存储空间,该存储空间存储了终端的操作系统。并且,在该存储空间中还存放了适于被处理器加载并执行的一条或一条以上的指令,这些指令可以是一个或一个以上的计算机程序(包括程序代码)。需要说明的是,此处的计算机可读存储介质可以是高速RAM存储器,也可以是非不稳定的存储器(non-volatile memory),例如至少一个磁盘存储器。
可由处理器加载并执行计算机可读存储介质中存放的一条或一条以上指令,以实现上述实施例中有关电网中长期检修计划的校核方法的相应步骤;计算机可读存储介质中的一条或一条以上指令由处理器加载并执行如下步骤:将待分类的极化SAR影像原始数据编码成极化散射矩阵;对极化散射矩阵进行稀疏散射编码得到稀疏散射矩阵,并构造散射关系邻接矩阵;
根据极化SAR图像的地物分布参考图中已标注的信息,随机选择每类的训练样本,得到训练样本集合;同时初始化散射图卷积经网络的相关参数;将选取的训练样本集合分批次并归一化到[0.05,0.95]后训练散射图卷积神经网络;重复迭代直至满足终止条件,得到FCN的模型参数;
最后利用训练好的分类器预测分类,将分类结果输出并计算分类精度。
1、实验条件与方法
硬件平台为:Titan X 16GB、64GB RAM;
软件平台为:Ubuntu16.04.2,Pytorch;
实验数据:POLSF数据集中SF-GF3
实验方法:分别为本发明和现有的卷积神经网络方法以及全卷积神经网络方法,其中现有的这两种方法都是极化SAR图像分类中的主流方法。
2、仿真内容与结果
图4为卷积神经网络方法分类结果图,
图5为全卷积神经网络方法分类的结果图;
图6为本发明的分类结果图。
仿真实验中,根据图3所示的地物分布参考图,随机选取每类100个训练样本,剩下的样本作为测试集用来验证算法性能,计算分类精度。
评价结果如表1所示,其中,方法包括CNN,FCN和本发明的SGCN方法。
表1本发明和两种对比方法在仿真实验中得到的各类分类精度和总分类精度
3、实验结果分析
定量和可视化的结果如下所示,图4为对比算法卷积神经网络方法得到的分类结果、图5为全卷积神经网络方法得到的分类结果,图6为本发明得到的分类结果。定量的结果如表1所示,从分类指标看出,本发明的结果对其他两种方法高出了6-10个百分点,图6结果区域比较均匀,噪音较少,每类分类精度都高于其他两种对比方法,总分类精度明显地提高;图4所示的卷积神经网络方法得到的分类结果,边界分类的比较明显,相对较而言,噪声比较多;图5所示的全卷积神经网络方法结果有所提升,取得相对不错的结果。
综上所述,本发明提出的基于散射图卷积神经网络的极化SAR图像分类方法能够明显地保持图像的空间结构信息,借助图网络的连接特性,有效的消除了分类的噪声,从而提高对图像的分类结果。
本领域内的技术人员应明白,本申请的实施例可提供为方法、系统、或计算机程序产品。因此,本申请可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且,本申请可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。
本申请是参照根据本申请实施例的方法、设备(系统)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器,使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。
这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中,使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品,该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。
这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上,使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理,从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。
以上内容仅为说明本发明的技术思想,不能以此限定本发明的保护范围,凡是按照本发明提出的技术思想,在技术方案基础上所做的任何改动,均落入本发明权利要求书的保护范围之内。
Claims (6)
1.基于散射图卷积网络的极化SAR图像分类方法,其特征在于,将待分类的极化SAR影像原始数据编码成极化散射矩阵;对极化散射矩阵进行稀疏散射编码得到稀疏散射矩阵,并构造散射关系邻接矩阵;初始化散射图卷积神经网络的相关参数;将稀疏散射矩阵拉成列向量,然后和散射关系邻接矩阵一起输入到初始化的散射图卷积神经网络中,根据极化SAR图像的地物分布参考图中已标注的信息,随机选择每类的训练样本,得到训练样本集合;将选取的训练样本集合分批次并归一化到[0.05,0.95]与散射关系邻接矩阵一起输入到散射图卷积神经网络进行训练;重复迭代直至满足训练终止条件,得到散射图卷积神经网络的模型参数;最后利用训练好的分类器预测分类,将分类结果输出并计算分类精度;
极化散射矩阵S如下:
其中,SHH=a+bi,SHV=c+di,SVH=e+fi,SVV=g+hi,a-h为像素的八个通道值,i表示复数单位;
散射矩阵S的稀疏散射编码过程如下:
其中,a-h为像素的八个通道值;
散射图卷积神经网络的模型为:
其中,表示第l+1层的特征表示,σ是激活函数,W(l)是可学习的权重,A是邻接矩阵,IN表示单位矩阵,散射图卷积神经网络的损失函数为交叉熵损失,具体为:
其中,代表有标记的样本,F代表最后的通道数,n和f分别表示样本索引和通道索引。
2.根据权利要求1所述的方法,其特征在于,每类训练样本的数目为100个。
3.根据权利要求1所述的方法,其特征在于,重复迭代的最大次数为2000次。
4.根据权利要求1所述的方法,其特征在于,预测分类具体为:
将待分类的极化SAR图像原始的测试数据进行极化散射编码,所得到的列向量归一化到[0.1,0.9]后,输入训练好网络,得到隐藏层的特征进行联合表示,然后利用这些特征输入到训练好的分类器对待分类的极化SAR图像进行分类,得到每个像素点的类别。
5.一种存储一个或多个程序的计算机可读存储介质,其特征在于,所述一个或多个程序包括指令,所述指令当由计算设备执行时,使得所述计算设备执行根据权利要求1至4所述的方法中的任一方法。
6.一种计算设备,其特征在于,包括:
一个或多个处理器、存储器及一个或多个程序,其中一个或多个程序存储在所述存储器中并被配置为所述一个或多个处理器执行,所述一个或多个程序包括用于执行根据权利要求1至4所述的方法中的任一方法的指令。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011511666.5A CN112560966B (zh) | 2020-12-18 | 2020-12-18 | 基于散射图卷积网络的极化sar图像分类方法、介质及设备 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011511666.5A CN112560966B (zh) | 2020-12-18 | 2020-12-18 | 基于散射图卷积网络的极化sar图像分类方法、介质及设备 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN112560966A CN112560966A (zh) | 2021-03-26 |
CN112560966B true CN112560966B (zh) | 2023-09-15 |
Family
ID=75030554
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202011511666.5A Active CN112560966B (zh) | 2020-12-18 | 2020-12-18 | 基于散射图卷积网络的极化sar图像分类方法、介质及设备 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112560966B (zh) |
Families Citing this family (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113821967A (zh) * | 2021-06-04 | 2021-12-21 | 北京理工大学 | 基于散射中心模型的大样本训练数据生成方法 |
CN113537399A (zh) * | 2021-08-11 | 2021-10-22 | 西安电子科技大学 | 多目标进化图卷积神经网络的极化sar图像分类方法及系统 |
WO2024028872A1 (en) * | 2022-08-01 | 2024-02-08 | Utilis Israel Ltd. | System and method of predicting mineral concentration |
CN117251715B (zh) * | 2023-11-17 | 2024-03-19 | 华芯程(杭州)科技有限公司 | 版图量测区域筛选方法、装置、电子设备及存储介质 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105913076A (zh) * | 2016-04-07 | 2016-08-31 | 西安电子科技大学 | 基于深度方向波网络的极化sar图像分类方法 |
CN107491793A (zh) * | 2017-09-04 | 2017-12-19 | 西安电子科技大学 | 一种基于稀疏散射全卷积的极化sar图像分类方法 |
CN108564006A (zh) * | 2018-03-26 | 2018-09-21 | 西安电子科技大学 | 基于自步学习卷积神经网络的极化sar地物分类方法 |
WO2019100724A1 (zh) * | 2017-11-24 | 2019-05-31 | 华为技术有限公司 | 训练多标签分类模型的方法和装置 |
CN110516728A (zh) * | 2019-08-20 | 2019-11-29 | 西安电子科技大学 | 基于去噪卷积神经网络的极化sar地物分类方法 |
-
2020
- 2020-12-18 CN CN202011511666.5A patent/CN112560966B/zh active Active
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105913076A (zh) * | 2016-04-07 | 2016-08-31 | 西安电子科技大学 | 基于深度方向波网络的极化sar图像分类方法 |
CN107491793A (zh) * | 2017-09-04 | 2017-12-19 | 西安电子科技大学 | 一种基于稀疏散射全卷积的极化sar图像分类方法 |
WO2019100724A1 (zh) * | 2017-11-24 | 2019-05-31 | 华为技术有限公司 | 训练多标签分类模型的方法和装置 |
CN108564006A (zh) * | 2018-03-26 | 2018-09-21 | 西安电子科技大学 | 基于自步学习卷积神经网络的极化sar地物分类方法 |
CN110516728A (zh) * | 2019-08-20 | 2019-11-29 | 西安电子科技大学 | 基于去噪卷积神经网络的极化sar地物分类方法 |
Non-Patent Citations (1)
Title |
---|
赵泉华 ; 谢凯浪 ; 王光辉 ; 李玉 ; .全卷积网络和条件随机场相结合的全极化SAR土地覆盖分类.测绘学报.2020,(第01期),全文. * |
Also Published As
Publication number | Publication date |
---|---|
CN112560966A (zh) | 2021-03-26 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN112560966B (zh) | 基于散射图卷积网络的极化sar图像分类方法、介质及设备 | |
CN113705588B (zh) | 基于卷积自注意力模块的孪生网络目标跟踪方法与系统 | |
CN113159051B (zh) | 一种基于边缘解耦的遥感图像轻量化语义分割方法 | |
CN109754078A (zh) | 用于优化神经网络的方法 | |
JP2021060992A (ja) | マシンラーニングシステム及び方法 | |
CN111898730A (zh) | 一种利用图卷积神经网络结构加速的结构优化设计方法 | |
CN112464004A (zh) | 一种多视角深度生成图像聚类方法 | |
CN115311502A (zh) | 基于多尺度双流架构的遥感图像小样本场景分类方法 | |
CN113706544A (zh) | 一种基于完备注意力卷积神经网络的医学图像分割方法 | |
CN116844041A (zh) | 一种基于双向卷积时间自注意力机制的耕地提取方法 | |
CN115965789A (zh) | 一种基于场景感知类注意力的遥感图像语义分割方法 | |
CN111179272A (zh) | 一种面向道路场景的快速语义分割方法 | |
CN112949944B (zh) | 一种基于时空特征的地下水位智能预测方法及系统 | |
Liu et al. | Deep learning in frequency domain for inverse identification of nonhomogeneous material properties | |
CN113762396A (zh) | 一种二维图像语义分割方法 | |
CN111783688B (zh) | 一种基于卷积神经网络的遥感图像场景分类方法 | |
Guo et al. | Efficient convolutional networks learning through irregular convolutional kernels | |
CN110555483B (zh) | 基于fw-dcgan特征生成的极化sar分类方法 | |
CN113096070A (zh) | 一种基于MA-Unet的图像分割方法 | |
Khanzadi et al. | Robust fuzzy rough set based dimensionality reduction for big multimedia data hashing and unsupervised generative learning | |
Zhang et al. | A fast evolutionary knowledge transfer search for multiscale deep neural architecture | |
CN111191617B (zh) | 一种基于分层结构的遥感场景分类方法 | |
CN117115339B (zh) | 一种基于NeRF 5D神经辐射场的建筑三维重建与损伤识别方法 | |
CN112508441B (zh) | 基于深度学习三维重建的城市高密度区室外热舒适评价方法 | |
CN112418292B (zh) | 一种图像质量评价的方法、装置、计算机设备及存储介质 |
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 |