CN112580554B - 基于cnn的mstar数据噪声强度控制的分类识别方法 - Google Patents
基于cnn的mstar数据噪声强度控制的分类识别方法 Download PDFInfo
- Publication number
- CN112580554B CN112580554B CN202011559267.6A CN202011559267A CN112580554B CN 112580554 B CN112580554 B CN 112580554B CN 202011559267 A CN202011559267 A CN 202011559267A CN 112580554 B CN112580554 B CN 112580554B
- Authority
- CN
- China
- Prior art keywords
- noise
- image
- classification
- cnn
- intensity control
- 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 42
- 238000013527 convolutional neural network Methods 0.000 claims abstract description 42
- 238000012549 training Methods 0.000 claims abstract description 33
- 238000012360 testing method Methods 0.000 claims abstract description 16
- 238000011176 pooling Methods 0.000 claims description 13
- 238000004364 calculation method Methods 0.000 claims description 9
- 238000013519 translation Methods 0.000 claims description 9
- 230000004913 activation Effects 0.000 claims description 5
- 238000013507 mapping Methods 0.000 claims description 2
- 230000006870 function Effects 0.000 description 5
- 238000010276 construction Methods 0.000 description 4
- 238000010586 diagram Methods 0.000 description 4
- 230000009286 beneficial effect Effects 0.000 description 2
- 238000013136 deep learning model Methods 0.000 description 1
- 238000005562 fading Methods 0.000 description 1
- 238000003384 imaging method Methods 0.000 description 1
- 238000007781 pre-processing Methods 0.000 description 1
- 238000012216 screening Methods 0.000 description 1
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
-
- 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)
- 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)
- Astronomy & Astrophysics (AREA)
- Remote Sensing (AREA)
- Multimedia (AREA)
- Image Analysis (AREA)
Abstract
本发明涉及图像识别技术领域,尤其涉及一种基于CNN的MSTAR数据噪声强度控制的分类识别方法。该分类识别方法包括:搭建卷积神经网络模型;获取MSTAR图像,并检测图像包含噪声程度等级;选择设定噪声等级以下的噪声图像作为原始图像训练集;扩充图像样本,将得到的扩充后的含噪声图像训练集输入到卷积神经网络模型进行训练和测试;将训练完成后的卷积神经网络模型用于目标图像分类识别;通过多源噪声扩充方法,以削弱噪声特征对网络性能的影响,有助于提升目标的识别准确率。
Description
技术领域
本发明涉及图像识别技术领域,尤其涉及一种基于CNN的MSTAR数据噪声强度控制的分类识别方法。
背景技术
相干斑噪声(speckle noise)是目标回波信号存在衰落引起的目标成像区域有所模糊,是SAR图像本身固有的属性。相干斑噪声大大降低了图像的可读性和对目标的识别、可区分性。
基于卷积神经网络(CNN)等深度学习模型虽然已经被广泛应用于SAR图像目标识别领域,但是其网络模型自动提取学习到的特征仍然对斑点噪声敏感。本发明通过构建不同强度噪声数据集,以研究噪声对网络性能的影响,并以探究针对特定的数据集,在保证一定的目标识别准确率的前提下,噪声对网络性能的最大影响程度。为将来的数据预处理和数据筛选、小样本数据丰富在噪声水平方面提供了基础实验支撑。
因此,现有技术中需要一种能够解决图像噪声强度控制下的SAR图像识别分类的方案。
发明内容
本发明目的在于提供一种基于CNN的MSTAR数据噪声强度控制的分类识别方法,解决现有技术存在的图像噪声强度控制下的SAR图像识别分类准确率的问题。
本申请一方面提供一种基于CNN的MSTAR数据噪声强度控制的分类识别方法,包括以下
步骤:
搭建卷积神经网络模型;
获取MSTAR图像,并检测图像包含噪声程度等级;
依据识别需求,设定合理可控的噪声等级,选择设定噪声等级以下的噪声图像作为原始图像训练集;
以平移截取的方式扩充图像样本,将得到的扩充后的含噪声图像训练集输入到卷积神经网络模型进行训练和测试;
将训练完成后的卷积神经网络模型用于目标图像分类识别。
其中,在选择噪声图像作为原始图像训练集时,选择在俯仰角17°下的三类目标图像中每张图像添加5种同一水平、随机分布的噪声。
其中,选择的所述噪声的噪声强度为0.25-2,噪声间隔为0.25。
其中,添加噪声后的图像再以平移截取的方式扩充16倍,得到扩充后的混合分布噪声图像训练集。
其中,所述卷积神经网络模型包括依次设置的三层交替层和两层全连接层。
其中,所述交替层包括卷积层和池化层。
其中,所述卷积层用于提取图像特征,其计算过程如下式:
其中Wij为卷积核;h×w为尺寸;xij为图像局部,b为偏置;f表示激活函数;yi′j′表示输出结果。
其中,所述池化层用于降低卷积层的输出维度,其计算过程如下式:
其中xij为图像局部,m×m为池化核尺寸,f(x)为经过最大池化后的输出结果。
其中,全连接层为将特征映射到图像标签分类的概率值,其计算过程如下式:
其中αj为该向量中对应的第i个元素值,si则是网络预测的对应样本分类概率,e是自然对数底数。
其中,根据目标图像分类识别的结果,提出噪声强度控制方法。
从上述方案可以看出,本发明具有如下有益效果:
本申请中,当获取的SAR图像质量较好的数据不足时,依据识别需求,设定合理可控的噪声等级,选择设定噪声等级以下(包含该等级)的噪声图像作为原始图像训练集,以平移截取的方式扩充图像样本,引入可控合理的含噪声数据,丰富了数据样本的多样性,卷积神经网络的构建与训练,将扩充后的样本输入卷积神经网络模型进行训练和测试,训练完成后的卷积神经网络模型用于目标图像分类识别;其中实测MSTAR图像通过构建多种混合噪声强度数据集,用以研究噪声强度对CNN识别准确率的影响,较传统单一数据集提升了网络识别准确率;本发明提出多源噪声扩充方法,可以削弱噪声特征对网络性能的影响。因此可利用合理可控的多源噪声数据对小样本图像数据集进行丰富,以提升目标的识别准确率。
附图说明
图1是本申请基于CNN的MSTAR数据噪声强度控制的分类识别方法的流程示意图;
图2是本申请中卷积神经网络模型的结构及参数设置示意图;
图3是本申请中基于MSTAR数据集的SAR图像噪声强度数据集构建示意图;
图4是本申请中图像扩充方式示意图;
图5是本申请中利用卷积神经网络模型进行训练和测试的结构示意图。
具体实施方式
如图1-图5所示,本发明实施例提供的基于CNN的MSTAR数据噪声强度控制的分类识别方法,包括以下步骤:
搭建卷积神经网络模型;
获取MSTAR图像,并检测图像包含噪声程度等级;
依据识别需求,设定合理可控的噪声等级,选择设定噪声等级以下的噪声图像作为原始图像训练集;
以平移截取的方式扩充图像样本,将得到的扩充后的含噪声图像训练集输入到卷积神经网络模型进行训练和测试;
将训练完成后的卷积神经网络模型用于目标图像分类识别。
上述实施例中,当获取的SAR图像质量较好的数据不足时,依据识别需求,设定合理可控的噪声等级,选择设定噪声等级以下(包含该等级)的噪声图像作为原始图像训练集,以平移截取的方式扩充图像样本,引入可控合理的含噪声数据,丰富数据样本的多样性,将扩充后的样本输入卷积神经网络模型进行训练和测试,训练完成后的卷积神经网络模型用于目标图像分类识别,这样通过多源噪声扩充方法,以削弱噪声特征对网络性能的影响,有助于提升目标的识别准确率。
图2所示,本发明上述搭建卷积神经网络模型时,所述卷积神经网络模型采用依次设置的三层交替层和两层全连接层。所述交替层包括卷积层和池化层。
具体地,所述卷积层用于提取图像特征,其计算过程如下式:
其中Wij为卷积核;h×w为尺寸;xij为图像局部,b为偏置;f表示激活函数;yi′j′表示输出结果。其中Wij为卷积核,尺寸为h×w;括号中表示图像局部xij与卷积核Wij进行卷积操作后,再加上偏置b;f表示激活函数,本发明中采用ReLU激活函数;yi′j′表示输出结果。
本发明中卷积层结构参数设置如表1所示。
表1卷积层结构参数
具体地,池化层用于降低卷积层的输出维度,在一定程度上防止过拟合的发生。本发明中采用最大池化,其计算过程如下式:
其中xij为图像局部,m×m为池化核尺寸,f(x)为经过最大池化后的输出结果。
具体地,全连接层将特征映射到图像标签分类的概率值,以达到分类识别的目的。本发明采用softmax函数进行分类。具体计算过程如下式:
公式中αj的表示该向量中对应的第i个元素值,计算得到的si则是网络预测的对应样本分类概率,e是自然对数底数。
具体地,在选择噪声图像作为原始图像训练集时,选择在俯仰角17°下的三类目标图像中每张图像添加5种同一水平、随机分布的噪声,保证设定合理可控的噪声等级,选择特定等级的噪声图像作为原始图像训练集。
优选地,选择的所述噪声的噪声强度为0.25-2,噪声间隔为0.25。
优选地,添加噪声后的图像再以平移截取的方式扩充16倍,得到扩充后的混合分布噪声图像训练集,以满足网络训练所需的样本容量。
具体地,上述过程是针对MSTAR数据构建混合分布噪声数据集的过程,下面进行详述并与传统单一噪声数据集结果进行对比。
图3和图4所示,将MSTAR数据集中俯仰角17°下的数据引入speckle噪声(噪声强度为0.25-2,噪声间隔为0.25)构建噪声数据集。俯仰角17°下的三类目标图像中每张图像添加5种同一水平、随机分布的噪声(噪声强度为0.25-2,噪声间隔为0.25),此种添加噪声的方式丰富了噪声的多样性,但保持噪声强度在同一水平,可以降低网络对某种噪声本身特征的过学习,添加噪声后的图像再以平移截取的方式扩充16倍,以满足网络训练所需的样本容量(图像尺寸经过平移扩充后从128×128变为88×88)。俯仰角15°下的三类目标图像中每张图像直接截取中心目标区域,截取后的图像尺寸为88×88,以保证训练和测试图像尺寸输入的统一性。
将构建好的多种噪声数据集,输入到第一步搭建的网络中,得到测试结果如表2所示。
表2多种混合噪声数据集的测试结果
利用传统的单一噪声水平得到的测试结果对比如表3所示。
表3多种单一噪声数据集的测试结果
基于上述的实验结果提出噪声强度控制方法。当噪声强度达到0.5时,本发明提出的混合噪声数据集构建方法得到的网络测试准确率结果(约92.4%)要明显优于传统单一噪声数据集构建方法(82.4%)。而且从表3中可以发现,传统单一噪声数据集构建方法中,当训练集具有单一噪声,对应的有/无噪声测试集平均准确率差别较大,说明网络对噪声本身分布特性也进行了学习,导致网络的过学习,对无噪声测试集目标图像识别造成一定困难。本发明提出的混合噪声数据集构建方法在一定程度上解决了对噪声的过学习,当获取的SAR图像质量较好的数据不足时,可以通过噪声控制选取合理可控的包含噪声图像数据,丰富数据样本的多样性,提高网络识别准确率。
综上,本发明提出的基于CNN的MSTAR数据噪声强度控制的分类识别方法,构建了多种噪声混合数据集,通过与传统单一噪声数据集构建测试结果对比,本发明提出的数据集构建方法有助于解决当获取的SAR图像质量较好的数据不足时,可以通过噪声控制选取合理可控的包含噪声图像数据,丰富数据样本的多样性,提高网络识别准确率。
Claims (8)
1.一种基于CNN的MSTAR数据噪声强度控制的分类识别方法,包括以下步骤:
搭建卷积神经网络模型;
获取MSTAR图像,并检测图像包含噪声等级;
依据识别需求,设定合理可控的噪声等级,选择设定噪声等级以下的噪声图像作为原始图像训练集;
选择在俯仰角17°下的三类原始图像中每张图像添加5种同一强度、随机分布的噪声;
添加噪声后的图像再以平移截取的方式扩充16倍,得到扩充后的混合分布噪声图像训练集;
将得到的扩充后的混合分布噪声图像训练集输入到卷积神经网络模型进行训练和测试;
将训练完成后的卷积神经网络模型用于目标图像分类识别。
2.根据权利要求1所述的基于CNN的MSTAR数据噪声强度控制的分类识别方法,其特征在于,选择的所述噪声的噪声强度为0.25-2,噪声间隔为0.25。
3.根据权利要求1所述的基于CNN的MSTAR数据噪声强度控制的分类识别方法,其特征在于,所述卷积神经网络模型包括依次设置的三层交替层和两层全连接层。
4.根据权利要求3所述的基于CNN的MSTAR数据噪声强度控制的分类识别方法,其特征在于,所述交替层包括卷积层和池化层。
5.根据权利要求4所述的基于CNN的MSTAR数据噪声强度控制的分类识别方法,其特征在于,所述卷积层用于提取图像特征,其计算过程如下式:
;
其中为卷积核;/>为尺寸; />为图像局部, />为偏置;/>表示激活函数;/>表示输出结果。
6.根据权利要求5所述的基于CNN的MSTAR数据噪声强度控制的分类识别方法,其特征在于,所述池化层用于降低卷积层的输出维度,其计算过程如下式:
;
其中为图像局部,/>为池化核尺寸,/>为经过最大池化后的输出结果。
7.根据权利要求6所述的基于CNN的MSTAR数据噪声强度控制的分类识别方法,其特征在于,全连接层为将特征映射到图像标签分类的概率值,其计算过程如下式:
;
其中为该向量中对应的第个元素值,/>则是网络预测的对应样本分类概率,e是自然对数底数。
8.根据权利要求1所述的基于CNN的MSTAR数据噪声强度控制的分类识别方法,其特征在于,根据目标图像分类识别的结果,提出噪声强度控制方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011559267.6A CN112580554B (zh) | 2020-12-25 | 2020-12-25 | 基于cnn的mstar数据噪声强度控制的分类识别方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011559267.6A CN112580554B (zh) | 2020-12-25 | 2020-12-25 | 基于cnn的mstar数据噪声强度控制的分类识别方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN112580554A CN112580554A (zh) | 2021-03-30 |
CN112580554B true CN112580554B (zh) | 2024-01-05 |
Family
ID=75139942
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202011559267.6A Active CN112580554B (zh) | 2020-12-25 | 2020-12-25 | 基于cnn的mstar数据噪声强度控制的分类识别方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112580554B (zh) |
Families Citing this family (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113177497B (zh) * | 2021-05-10 | 2024-04-12 | 百度在线网络技术(北京)有限公司 | 视觉模型的训练方法、车辆识别方法及装置 |
CN113449622A (zh) * | 2021-06-20 | 2021-09-28 | 石河子大学 | 一种棉株和杂草的图像分类识别检测方法 |
CN114897723B (zh) * | 2022-05-05 | 2023-08-01 | 南京航空航天大学 | 一种基于生成式对抗网络的图像生成与加噪方法 |
CN115082755B (zh) * | 2022-06-15 | 2024-06-07 | 广东海洋大学 | 一种基于数据增量的卷积神经网络前视声呐图像识别方法 |
Citations (17)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2001285641A (ja) * | 2000-03-31 | 2001-10-12 | Fuji Photo Film Co Ltd | 画像処理方法、画像処理装置および記録媒体 |
CN107861621A (zh) * | 2017-11-27 | 2018-03-30 | 郑素娟 | 一种避免对产妇眼部造成伤害的方法 |
CN108376395A (zh) * | 2017-11-23 | 2018-08-07 | 孟凯涛 | 基于图像识别的动态图显示平台 |
AU2018101317A4 (en) * | 2018-09-07 | 2018-10-11 | Chen, Guoyi Mr | A Deep Learning Based System for Animal Species Classification |
CN109145815A (zh) * | 2018-08-21 | 2019-01-04 | 深圳大学 | 一种sar目标识别方法、装置、计算机设备及存储介质 |
CN109242028A (zh) * | 2018-09-19 | 2019-01-18 | 西安电子科技大学 | 基于2d-pca和卷积神经网络的sar图像分类方法 |
CN109949345A (zh) * | 2019-02-21 | 2019-06-28 | 西北大学 | 基于神经网络的获取非均衡sar图像变化检测图的方法 |
CN110046639A (zh) * | 2019-01-10 | 2019-07-23 | 湖南理工学院 | 一种基于超像素权重密度的高光谱影像噪声标签检测方法 |
CN110135280A (zh) * | 2019-04-24 | 2019-08-16 | 电子科技大学 | 一种基于稀疏表征分类的多视图sar自动目标识别方法 |
CN110334693A (zh) * | 2019-07-17 | 2019-10-15 | 中国电子科技集团公司第五十四研究所 | 一种面向深度学习的遥感图像目标样本生成方法 |
CN110516525A (zh) * | 2019-07-01 | 2019-11-29 | 杭州电子科技大学 | 基于gan和svm的sar图像目标识别方法 |
CN110569752A (zh) * | 2019-08-20 | 2019-12-13 | 河海大学 | 基于卷积神经网络的雷达信号类别确定方法 |
CN110648292A (zh) * | 2019-09-11 | 2020-01-03 | 昆明理工大学 | 一种基于深度卷积网络的高噪声图像去噪方法 |
CN110647909A (zh) * | 2019-08-08 | 2020-01-03 | 广东工业大学 | 一种基于三维密集卷积神经网络的遥感图像分类方法 |
CN110824450A (zh) * | 2019-10-15 | 2020-02-21 | 中国人民解放军国防科技大学 | 一种噪声环境下的雷达目标hrrp鲁棒识别方法 |
CN110910356A (zh) * | 2019-11-08 | 2020-03-24 | 北京华宇信息技术有限公司 | 生成图像噪声检测模型的方法、图像噪声检测方法及装置 |
CN111797676A (zh) * | 2020-04-30 | 2020-10-20 | 南京理工大学 | 一种高分辨率遥感图像目标在轨轻量化快速检测方法 |
-
2020
- 2020-12-25 CN CN202011559267.6A patent/CN112580554B/zh active Active
Patent Citations (17)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2001285641A (ja) * | 2000-03-31 | 2001-10-12 | Fuji Photo Film Co Ltd | 画像処理方法、画像処理装置および記録媒体 |
CN108376395A (zh) * | 2017-11-23 | 2018-08-07 | 孟凯涛 | 基于图像识别的动态图显示平台 |
CN107861621A (zh) * | 2017-11-27 | 2018-03-30 | 郑素娟 | 一种避免对产妇眼部造成伤害的方法 |
CN109145815A (zh) * | 2018-08-21 | 2019-01-04 | 深圳大学 | 一种sar目标识别方法、装置、计算机设备及存储介质 |
AU2018101317A4 (en) * | 2018-09-07 | 2018-10-11 | Chen, Guoyi Mr | A Deep Learning Based System for Animal Species Classification |
CN109242028A (zh) * | 2018-09-19 | 2019-01-18 | 西安电子科技大学 | 基于2d-pca和卷积神经网络的sar图像分类方法 |
CN110046639A (zh) * | 2019-01-10 | 2019-07-23 | 湖南理工学院 | 一种基于超像素权重密度的高光谱影像噪声标签检测方法 |
CN109949345A (zh) * | 2019-02-21 | 2019-06-28 | 西北大学 | 基于神经网络的获取非均衡sar图像变化检测图的方法 |
CN110135280A (zh) * | 2019-04-24 | 2019-08-16 | 电子科技大学 | 一种基于稀疏表征分类的多视图sar自动目标识别方法 |
CN110516525A (zh) * | 2019-07-01 | 2019-11-29 | 杭州电子科技大学 | 基于gan和svm的sar图像目标识别方法 |
CN110334693A (zh) * | 2019-07-17 | 2019-10-15 | 中国电子科技集团公司第五十四研究所 | 一种面向深度学习的遥感图像目标样本生成方法 |
CN110647909A (zh) * | 2019-08-08 | 2020-01-03 | 广东工业大学 | 一种基于三维密集卷积神经网络的遥感图像分类方法 |
CN110569752A (zh) * | 2019-08-20 | 2019-12-13 | 河海大学 | 基于卷积神经网络的雷达信号类别确定方法 |
CN110648292A (zh) * | 2019-09-11 | 2020-01-03 | 昆明理工大学 | 一种基于深度卷积网络的高噪声图像去噪方法 |
CN110824450A (zh) * | 2019-10-15 | 2020-02-21 | 中国人民解放军国防科技大学 | 一种噪声环境下的雷达目标hrrp鲁棒识别方法 |
CN110910356A (zh) * | 2019-11-08 | 2020-03-24 | 北京华宇信息技术有限公司 | 生成图像噪声检测模型的方法、图像噪声检测方法及装置 |
CN111797676A (zh) * | 2020-04-30 | 2020-10-20 | 南京理工大学 | 一种高分辨率遥感图像目标在轨轻量化快速检测方法 |
Non-Patent Citations (4)
Title |
---|
基于卷积神经网络的SAR图像目标识别算法研究;张笑等;《电子测量技术》;第41卷(第14期);第92-96页 * |
基于增强数据集卷积神经网络的SAR目标识别方法;陈欣等;《重庆理工大学学报(自然科学)》;第34卷(第1期);第86-93页 * |
基于复数全卷积神经网络的SAR自动目标识别;王亚东;《中国优秀硕士学位论文全文数据库 信息科技辑》(第(2019)12期);I136-286 * |
用于电视系统的视频噪声检测的优化算法设计;方宏俊等;《视频应用与工程》;第39卷(第14期);第89-93页 * |
Also Published As
Publication number | Publication date |
---|---|
CN112580554A (zh) | 2021-03-30 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN112580554B (zh) | 基于cnn的mstar数据噪声强度控制的分类识别方法 | |
CN109086700B (zh) | 基于深度卷积神经网络的雷达一维距离像目标识别方法 | |
CN110533631B (zh) | 基于金字塔池化孪生网络的sar图像变化检测方法 | |
CN109766835B (zh) | 基于多参数优化生成对抗网络的sar目标识别方法 | |
CN110728224A (zh) | 一种基于注意力机制深度Contourlet网络的遥感图像分类方法 | |
CN109740639B (zh) | 一种风云卫星遥感影像云检测方法、系统及电子设备 | |
CN111540006B (zh) | 基于深度迁移学习的植物气孔智能检测与识别方法及系统 | |
CN112395987B (zh) | 基于无监督域适应cnn的sar图像目标检测方法 | |
CN108416318A (zh) | 基于数据增强的合成孔径雷达图像目标深度模型识别方法 | |
CN111860106B (zh) | 一种无监督的桥梁裂缝识别方法 | |
CN110045015A (zh) | 一种基于深度学习的混凝土结构内部缺陷检测方法 | |
CN110647802A (zh) | 基于深度学习的遥感影像舰船目标检测方法 | |
CN109726649B (zh) | 遥感影像云检测方法、系统及电子设备 | |
CN109948527B (zh) | 基于集成深度学习的小样本太赫兹图像异物检测方法 | |
CN112016596B (zh) | 基于卷积神经网络的农田土壤肥力评价方法 | |
CN110287777A (zh) | 一种自然场景下的金丝猴躯体分割算法 | |
CN111222545B (zh) | 基于线性规划增量学习的图像分类方法 | |
CN110909643A (zh) | 基于最近邻原型表示的遥感舰船图像小样本分类方法 | |
CN116206185A (zh) | 一种基于改进YOLOv7的轻量级小目标检测方法 | |
CN115661649B (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 | |
CN113780242A (zh) | 一种基于模型迁移学习的跨场景水声目标分类方法 | |
CN111178438A (zh) | 一种基于ResNet101的天气类型识别方法 | |
CN116168240A (zh) | 基于注意力增强的任意方向密集舰船目标检测方法 | |
CN116755090A (zh) | 基于新型金字塔结构和混合池化通道注意力机制的sar舰船检测方法 | |
CN113076876B (zh) | 一种基于三维结构监督和置信度加权的人脸欺骗检测方法和系统 |
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 |