CN112966749B - 基于半监督滑窗全卷积网络的极化sar图像分类方法 - Google Patents
基于半监督滑窗全卷积网络的极化sar图像分类方法 Download PDFInfo
- Publication number
- CN112966749B CN112966749B CN202110254502.7A CN202110254502A CN112966749B CN 112966749 B CN112966749 B CN 112966749B CN 202110254502 A CN202110254502 A CN 202110254502A CN 112966749 B CN112966749 B CN 112966749B
- Authority
- CN
- China
- Prior art keywords
- classification
- sliding window
- network
- supervised
- semi
- 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 24
- 238000012549 training Methods 0.000 claims abstract description 29
- 239000011159 matrix material Substances 0.000 claims abstract description 26
- 230000001427 coherent effect Effects 0.000 claims abstract description 13
- 230000010287 polarization Effects 0.000 claims abstract description 11
- 238000000354 decomposition reaction Methods 0.000 claims abstract description 10
- 238000012360 testing method Methods 0.000 claims abstract description 9
- 238000011176 pooling Methods 0.000 claims description 10
- 238000004364 calculation method Methods 0.000 claims description 3
- 238000001914 filtration Methods 0.000 claims description 3
- 238000012545 processing Methods 0.000 abstract description 4
- 230000006870 function Effects 0.000 description 10
- 238000004088 simulation Methods 0.000 description 4
- 238000004422 calculation algorithm Methods 0.000 description 3
- 238000010586 diagram Methods 0.000 description 3
- 238000013135 deep learning Methods 0.000 description 2
- 238000011161 development Methods 0.000 description 2
- 238000010801 machine learning Methods 0.000 description 2
- 238000011160 research Methods 0.000 description 2
- 244000058871 Echinochloa crus-galli Species 0.000 description 1
- 235000015225 Panicum colonum Nutrition 0.000 description 1
- 238000004458 analytical method Methods 0.000 description 1
- 238000013528 artificial neural network Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000007635 classification algorithm Methods 0.000 description 1
- 238000013527 convolutional neural network Methods 0.000 description 1
- 238000012937 correction Methods 0.000 description 1
- 238000009795 derivation Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000011156 evaluation Methods 0.000 description 1
- 238000002474 experimental method Methods 0.000 description 1
- 239000000463 material Substances 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
- 238000007637 random forest analysis Methods 0.000 description 1
- 238000012706 support-vector machine Methods 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
- G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
- G06F18/2413—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on distances to training or reference patterns
- G06F18/24133—Distances to prototypes
- G06F18/24137—Distances to cluster centroïds
- G06F18/2414—Smoothing the distance, e.g. radial basis function networks [RBFN]
-
- 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
- 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)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- General Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- Evolutionary Computation (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Computational Linguistics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Health & Medical Sciences (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Evolutionary Biology (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Radar Systems Or Details Thereof (AREA)
- Image Analysis (AREA)
Abstract
本发明公开了一种基于半监督滑窗全卷积网络的极化SAR图像分类方法，属于图像处理技术领域。包括如下步骤：获取极化SAR图像各像素点的极化相干矩阵并去噪；对去噪后的矩阵T进行H/A/α分解；将矩阵T和H/A/α分解特征作为极化SAR图像的原始特征并归一化；选取训练样本和测试集，对半监督滑窗全卷积网络进行训练；使用训练后的网络对极化SAR图像进行分类，并统计测试样本的分类结果。本发明采用半监督滑窗全卷积网络进行极化SAR图像分类，得益于其端到端、点到点的分类架构，结合半监督策略，可以用较少的训练样本，得到较好的分类结果有利于获取良好的分类结果。
Description
技术领域
本发明属于图像处理技术领域，特别是指一种基于半监督滑窗全卷积网络的极化SAR图像分类方法，可用于对极化SAR图像的地物分类和目标识别。
背景技术
极化SAR图像可以不受时间和天气约束，为一种高质量图像。而且，得益于其丰富的极化信息，极化SAR图像已经被成功应用于农业、地质勘探、城市规划、海洋监测等诸多领域。因此，极化SAR图像的应用研究得到了相关学者的关注，其中，极化SAR图像分类是最为基础的一项研究，相关学者提出了一系列极化SAR图像分类算法。
极化SAR图像分类大致可以分为三类，分别为：基于散射特性的分类方法、基于数据统计特性的分类方法、基于机器学习和深度学习的分类方法。基于散射特性的分类方法以极化SAR数据的物理意义为基础，经过几十年发展后已经碰到瓶颈，而且此类方法需要缜密的数学分析与推导，限制了此类算法的进一步发展；基于数据特性的分类方法一般是基于Wishart分布，此类方法时间消耗较为严重，而且单独依赖Wishart分布也很难得到较好的极化SAR分类结果；基于机器学习和深度学习的分类方法在最近几年得到了迅猛发展，例如支持向量机、神经网络、朴素贝叶斯、随机森林、稀疏自编码器、深度置信网络、卷积神经网络等算法都在极化SAR图像分类得到了成功应用。然而，极化SAR图像分类是稠密分类，而上述算法从架构上来说都不是最适合处理极化SAR图像分类的架构。
近些年提出的全卷积网络是一种端到端、点到点的密级分类架构，因此，全卷积网络是最适于处理极化SAR图像分类的架构。然而，全卷积网络需要足够的有标记训练样本才可以得到较好的分类结果。众所周知，极化SAR图像标记非常消耗人力、物力，因此用较少的训练样本得到较好的极化SAR图像分类成为了当前极化SAR图像分类的重要诉求。但是，现有技术中尚缺少能够解决上述诉求的技术方案。
发明内容
有鉴于此，本发明提出了一种基于半监督滑窗全卷积网络的极化SAR图像分类方法，其以全卷积网络为基础网络，并采用深度重构分类网络模型架构,可针对极化SAR图像分类在使用较少训练样本的情况下得到较好的分类结果。
为实现上述目的，本发明所采用的技术方案为：
一种基于半监督滑窗全卷积网络的极化SAR图像分类方法，包括如下步骤：
步骤1，输入待分类的极化SAR图像，获取图像各像素点的极化相干矩阵，并对其进行精致Lee滤波，得到去噪后的极化相干矩阵T；
步骤2，对去噪后的极化相干矩阵T进行H/A/α分解；
步骤3，将步骤1得到的去噪后的极化相干矩阵T和步骤2得到的H/A/α分解作为极化SAR图像的原始特征，并将原始特征的每个元素归一化到[0，1]；
步骤4，随机选取部分极化SAR图像的有标记样本作为训练样本，剩余有标记样本作为测试集；
步骤5，使用步骤4得到的训练样本训练半监督滑窗全卷积网络；
步骤6，使用步骤5训练得到的半监督滑窗全卷积网络对极化SAR图像进行分类，并统计测试样本的分类结果。
进一步的，步骤3的具体方式为：
3a)基于步骤1得到的去噪后的极化相干矩阵T，选取每个样本的矩阵T的上三角处三个元素的实部以及虚部，以及矩阵T的对角线上的三个元素作为原始特征的第一部分，标记为F1；
3b)基于步骤2得到的H/A/α分解，选取3个非负特征值以及熵、平均散射角和各向异性参数，将它们作为原始特征的第二部分，标记为F2；
3c)将F1和F2合到一起，作为图像的原始特征，标记为F；
3d)将F中的每个元素归一化到[0，1]。
进一步的，所述半监督滑窗全卷积网络由分类网络和重构网络两部分组成；其中，分类网络的架构为：输入层—>卷积层—>池化层—>卷积层—>池化层—>卷积层—>上采样层—>上采样层—>上采样层—>上采样分类层，各层的维度分别为：128×128×15、64×64×30、32×32×30、16×16×60、8×8×60、8×8×120、16×16×60、32×32×30、64×64×30、128×128×Numclass，其中Numclass代表类别数目；重构网络的架构为：输入层—>卷积层—>池化层—>卷积层—>池化层—>卷积层—>上采样层—>上采样层—>上采样层—>上采样分类层，各层的维度分别为：128×128×15、64×64×30、32×32×30、16×16×60、8×8×60、8×8×120、16×16×60、32×32×30、64×64×30、128×128×15；分类网络与重构网络中的输入层—>卷积层—>池化层—>卷积层—>池化层—>卷积层部分共享参数。
进一步的，步骤5的具体方式为：
5a)将滑窗的尺寸设置为128，使用滑窗操作，将整幅极化SAR图像切割为尺寸相同的Num个小图，Num的计算方式为：
Num＝(round((Height-W)/S)+1)×(round((Width-W)/S)+1)
其中，round表示向上取整，Height与Width分别表示极化SAR图像的高度和宽度，W与S分别表示滑窗的尺寸与步长；
5b)使用5a)得到的小图训练半监督滑窗全卷积网络；每次训练时，从一张或多张小图中提取N1个有标签训练样本(xi,yi)及N2个无标记训练样本(xj)，1≤i≤N1，1≤j≤N2，N1<N2；其中，xi和xj均为输入样本，xi表示从小图中提取出的所有有标签的像素点，xj表示从小图中提取出的所有无标签的像素点；yi∈{0,1}K代表独热编码格式的标签，为由K个元素组成的向量，向量中每个元素的取值为0或1，K代表类别数目；半监督滑窗全卷积网络的损失函数为：
其中，表示多类交叉熵损失，用于预测y；fc(xi)表示分类网络函数，是一个由K个元素组成的向量；/>和yk中的下标k表示取向量的第k个元素；表示标准平方损失，fr(xi)与fr(xj)表示重构损失网络函数，λ表示平衡因子，用于平衡分类函数项和重构函数项的权重。
进一步的，步骤6的具体方式为：针对极化SAR图像中有多个小图滑过的区域，对多个小图的分类结果进行加权求和，得到极化SAR图像的最终分类结果。
本发明与现有技术相比具有如下优点：
1、本发明采用T矩阵和H/A/α分解特征作为原始特征，并将特征的每个元素归一化到[0,1],能够显著提高分类结果的准确性。
2、本发明采用半监督滑窗全卷积网络进行极化SAR图像分类，得益于其端到端、点到点的分类架构，有利于获取良好的分类结果。
3、本发明采用的半监督策略，可以用较少的训练样本，得到较好的分类结果。
4、本发明采用的分类网络与重构网络的部分参数共享策略，可以显著减少模型参数量，提高网络模型分类性能。
附图说明
图1是本发明实施例中分类方法的流程图。
图2是本发明实施例中半监督滑窗全卷积网络的框架图。其中，Conv代表卷积层，Pool代表池化层，Deconv代表反卷积层，channel代表输入数据的通道数，Numclass代表类别个数。
图3是本发明实施例中仿真使用的一幅中国西安渭河地区图像。其中，(a)为Pauli伪彩色图，(b)为真实类标图，(c)为配色方案。
图4是本发明实施例中基于滑窗全卷积网络对图3图像的分类结果图，配色方案与图3(c)相同。
图5是本发明实施例中基于半监督滑窗全卷积网络对图3图像的分类结果图，配色方案与图3(c)相同。
具体实施方式
以下结合附图对本发明的技术方案做进一步的详细描述。
参照图1，一种基于半监督滑窗全卷积网络的极化SAR图像分类方法，其包括如下步骤：
步骤1，输入待分类极化SAR图像，获取各像素点的极化相干矩阵，并对其进行精致Lee滤波，得到去噪后的极化相干特征T；
步骤2，对去噪后的极化相干矩阵T进行H/A/α分解；
步骤3，将步骤1得到的去噪后的极化相干特征T和步骤2得到的H/A/α分解特征作为极化SAR图像的原始特征，并将原始特征的每个元素归一化到[0，1]，具体操作方式如下：
3a)基于步骤1得到的滤波后的极化相干矩阵T，选取每个样本的矩阵T的上三角处三个元素的实部以及虚部和矩阵T的对角线上的三个元素作为原始特征的第一部分，标记为F1；
3b)基于步骤2得到的H/A/α分解特征，选取3个非负特征值以及熵、平均散射角和各向异性参数，并将其作为原始特征的第二部分，标记为F2；
3c)将3a)与3b)得到的特征合到一起，将其作为图像的原始特征，标记为F；
3d)将3c)得到的特征F中的每个元素归一化到[0，1]。
步骤4，随机选取1％极化SAR图像的有标记样本作为训练样本，剩余99％有标记样本作为测试集；
步骤5，使用步骤4得到的训练样本训练半监督滑窗全卷积网络，具体操作方式如下：
5a)将滑窗的尺寸设置为128，使用滑窗操作，将整幅极化SAR图像切割为尺寸相同的Num个小图，Num的计算方式为：
Num＝(round((Height-W)/S)+1)×(round((Width-W)/S)+1)
其中，round表示向上取整，Height与Width分别表示极化SAR图像的高度和宽度，W与S分别表示滑窗的尺寸与步长；
5b)使用5a)得到的小图训练半监督滑窗全卷积网络；每次训练时，从一张或多张小图中提取N1个有标签训练样本(xi,yi)及N2个无标记训练样本(xj)，1≤i≤N1，1≤j≤N2，N1<N2；其中，xi和xj均为输入样本，xi表示从小图中提取出的所有有标签的像素点，xj表示从小图中提取出的所有无标签的像素点；yi∈{0,1}K代表独热编码格式的标签，为由K个元素组成的向量，向量中每个元素的取值为0或1，K代表类别数目；半监督滑窗全卷积网络的损失函数为：
其中，表示多类交叉熵损失，用于预测y；fc(xi)表示分类网络函数，是一个由K个元素组成的向量；/>和yk中的下标k表示取向量的第k个元素；表示标准平方损失，fr(xi)与fr(xj)表示重构损失网络函数，λ表示平衡因子，用于平衡分类函数项和重构函数项的权重。
步骤6，使用步骤5训练得到的半监督滑窗全卷积网络对极化SAR图像进行分类，并统计测试样本的分类结果，对于极化SAR图像中有多个小图滑过的区域，对多个小图的分类结果加权求和得到其最终分类结果，使用总体正确率(OA)与Kappa系数作为评价指标。
如图2所示，上述方法中的半监督滑窗全卷积网络由分类网络和重构网络两部分组成。其中，分类网络的架构为：输入层—>卷积层—>池化层—>卷积层—>池化层—>卷积层—>上采样层—>上采样层—>上采样层—>上采样分类层，各层的维度分别为：128×128×15、64×64×30、32×32×30、16×16×60、8×8×60、8×8×120、16×16×60、32×32×30、64×64×30、128×128×Numclass，其中Numclass代表类别数目；重构网络的架构为：输入层—>卷积层—>池化层—>卷积层—>池化层—>卷积层—>上采样层—>上采样层—>上采样层—>上采样分类层，各层的维度分别为：128×128×15、64×64×30、32×32×30、16×16×60、8×8×60、8×8×120、16×16×60、32×32×30、64×64×30、128×128×15；分类网络与重构网络中的输入层—>卷积层—>池化层—>卷积层—>池化层—>卷积层部分共享参数。
本发明的效果可以通过以下仿真实验进一步说明：
1、实验条件与方法
硬件平台为：Intel(R)Core(TM)i5-9400F CPU@2.90GHZ、32GB RAM；
软件平台为：Tensorflow 1.15；
实验方法：滑窗全卷积网络(SFCN)、半监督滑窗全卷积网络(S-SFCN)。
2、仿真内容与结果
将图3所示的中国西安渭河地区图像作为测试图像，用SFCN和半监督滑窗全卷积网络对图3进行分类仿真，基于SFCN的分类结果如图4所示，基于半监督滑窗全卷积网络的分类结果如图5所示。从图4-5中可以看出，半监督滑窗全卷积网络的分类结果相比于滑窗全卷积网络的分类结果有了明显提高。
表1给出了西安渭河地区图像的总体分类正确率(OA)以及Kappa系数，可以看到半监督滑窗全卷积网络确实进一步提升了全卷积网络的分类结果。
表1 西安渭河地区图像分类正确率
| 方法 | Water | Grass | Building | OA | Kappa |
| SFCN | 0.5833 | 0.8437 | 0.8957 | 0.8229 | 0.7059 |
| S-SFCN | 0.7728 | 0.8960 | 0.9457 | 0.8950 | 0.8258 |
总之，本发明以全卷积网络为基础网络，并采用深度重构分类网络模型架构。深度重构分类网络可以为两个任务同时学习一组共享特征：有监督源数据分类和无监督目标域数据重构。通过此种方式，提取的特征可以保持判别性的同时从目标域数据中编码有意义的信息。基于以上策略，本发明可在使用较少训练样本的情况下，对极化SAR图像得到较好的分类结果。
Claims (1)
1.一种基于半监督滑窗全卷积网络的极化SAR图像分类方法，其特征在于，包括如下步骤：
步骤1，输入待分类的极化SAR图像，获取图像各像素点的极化相干矩阵，并对其进行精致Lee滤波，得到去噪后的极化相干矩阵T；
步骤2，对去噪后的极化相干矩阵T进行H/A/α分解；
步骤3，将步骤1得到的去噪后的极化相干矩阵T和步骤2得到的H/A/α分解作为极化SAR图像的原始特征，并将原始特征的每个元素归一化到[0，1]；具体方式为：
3a)基于步骤1得到的去噪后的极化相干矩阵T，选取每个样本的矩阵T的上三角处三个元素的实部以及虚部，以及矩阵T的对角线上的三个元素作为原始特征的第一部分，标记为F1；
3b)基于步骤2得到的H/A/α分解，选取3个非负特征值以及熵、平均散射角和各向异性参数，将它们作为原始特征的第二部分，标记为F2；
3c)将F1和F2合到一起，作为图像的原始特征，标记为F；
3d)将F中的每个元素归一化到[0，1]；
步骤4，随机选取部分极化SAR图像的有标记样本作为训练样本，剩余有标记样本作为测试集；
步骤5，使用步骤4得到的训练样本训练半监督滑窗全卷积网络；具体方式为：
5a)将滑窗的尺寸设置为128，使用滑窗操作，将整幅极化SAR图像切割为尺寸相同的Num个小图，Num的计算方式为：
Num＝(round((Height-W)/S)+1)×(round((Width-W)/S)+1)
其中，round表示向上取整，Height与Width分别表示极化SAR图像的高度和宽度，W与S分别表示滑窗的尺寸与步长；
5b)使用5a)得到的小图训练半监督滑窗全卷积网络；每次训练时，从一张或多张小图中提取N1个有标签训练样本(xi,yi)及N2个无标记训练样本(xj)，1≤i≤N1，1≤j≤N2，N1<N2；其中，xi和xj均为输入样本，xi表示从小图中提取出的所有有标签的像素点，xj表示从小图中提取出的所有无标签的像素点；yi∈{0,1}K代表独热编码格式的标签，为由K个元素组成的向量，向量中每个元素的取值为0或1，K代表类别数目；半监督滑窗全卷积网络的损失函数为：
其中，表示多类交叉熵损失，用于预测y；fc(xi)表示分类网络函数，是一个由K个元素组成的向量；/>和yk中的下标k表示取向量的第k个元素；/>表示标准平方损失，fr(xi)与fr(xj)表示重构损失网络函数，λ表示平衡因子，用于平衡分类函数项和重构函数项的权重；
步骤6，使用步骤5训练得到的半监督滑窗全卷积网络对极化SAR图像进行分类，并统计测试样本的分类结果；具体方式为：针对极化SAR图像中有多个小图滑过的区域，对多个小图的分类结果进行加权求和，得到极化SAR图像的最终分类结果；
所述半监督滑窗全卷积网络由分类网络和重构网络两部分组成；其中，分类网络的架构为：输入层—>卷积层—>池化层—>卷积层—>池化层—>卷积层—>上采样层—>上采样层—>上采样层—>上采样分类层，各层的维度分别为：128×128×15、64×64×30、32×32×30、16×16×60、8×8×60、8×8×120、16×16×60、32×32×30、64×64×30、128×128×Numclass，其中Numclass代表类别数目；重构网络的架构为：输入层—>卷积层—>池化层—>卷积层—>池化层—>卷积层—>上采样层—>上采样层—>上采样层—>上采样分类层，各层的维度分别为：128×128×15、64×64×30、32×32×30、16×16×60、8×8×60、8×8×120、16×16×60、32×32×30、64×64×30、128×128×15；分类网络与重构网络中的输入层—>卷积层—>池化层—>卷积层—>池化层—>卷积层部分共享参数。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110254502.7A CN112966749B (zh) | 2021-03-09 | 2021-03-09 | 基于半监督滑窗全卷积网络的极化sar图像分类方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110254502.7A CN112966749B (zh) | 2021-03-09 | 2021-03-09 | 基于半监督滑窗全卷积网络的极化sar图像分类方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN112966749A CN112966749A (zh) | 2021-06-15 |
| CN112966749B true CN112966749B (zh) | 2023-08-11 |
Family
ID=76277617
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202110254502.7A Active CN112966749B (zh) | 2021-03-09 | 2021-03-09 | 基于半监督滑窗全卷积网络的极化sar图像分类方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN112966749B (zh) |
Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN107563422A (zh) * | 2017-08-23 | 2018-01-09 | 西安电子科技大学 | 一种基于半监督卷积神经网络的极化sar分类方法 |
| CN108564115A (zh) * | 2018-03-30 | 2018-09-21 | 西安电子科技大学 | 基于全卷积gan的半监督极化sar地物分类方法 |
| CN111339924A (zh) * | 2020-02-25 | 2020-06-26 | 中国电子科技集团公司第五十四研究所 | 一种基于超像素和全卷积网络的极化sar图像分类方法 |
-
2021
- 2021-03-09 CN CN202110254502.7A patent/CN112966749B/zh active Active
Patent Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN107563422A (zh) * | 2017-08-23 | 2018-01-09 | 西安电子科技大学 | 一种基于半监督卷积神经网络的极化sar分类方法 |
| CN108564115A (zh) * | 2018-03-30 | 2018-09-21 | 西安电子科技大学 | 基于全卷积gan的半监督极化sar地物分类方法 |
| CN111339924A (zh) * | 2020-02-25 | 2020-06-26 | 中国电子科技集团公司第五十四研究所 | 一种基于超像素和全卷积网络的极化sar图像分类方法 |
Non-Patent Citations (1)
| Title |
|---|
| 基于稀疏表示和深度学习的极化SAR图像分类;陈彦桥;《信息科技辑》;20210131;摘要，第63-100页 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN112966749A (zh) | 2021-06-15 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN108388927B (zh) | 基于深度卷积孪生网络的小样本极化sar地物分类方法 | |
| CN109325550B (zh) | 基于图像熵的无参考图像质量评价方法 | |
| CN107085716A (zh) | 基于多任务生成对抗网络的跨视角步态识别方法 | |
| CN106203444B (zh) | 基于条带波与卷积神经网络的极化sar图像分类方法 | |
| CN106096655B (zh) | 一种基于卷积神经网络的光学遥感图像飞机检测方法 | |
| CN105046272B (zh) | 一种基于简洁非监督式卷积网络的图像分类方法 | |
| CN106611423B (zh) | 基于脊波滤波器和反卷积结构模型的sar图像分割方法 | |
| CN110827260B (zh) | 一种基于lbp特征与卷积神经网络的布匹缺陷分类方法 | |
| CN104123555A (zh) | 一种基于稀疏表示和超像素的极化sar地物分类方法 | |
| CN108133173A (zh) | 基于半监督梯形网络的极化sar图像分类方法 | |
| CN111339924B (zh) | 一种基于超像素和全卷积网络的极化sar图像分类方法 | |
| CN105046268B (zh) | 基于Wishart深度网络的极化SAR图像分类方法 | |
| CN107527023A (zh) | 基于超像素和主题模型的极化sar图像分类方法 | |
| Chen et al. | Agricultural remote sensing image cultivated land extraction technology based on deep learning | |
| CN107491734A (zh) | 基于多核融合与空间Wishart LapSVM的半监督极化SAR图像分类方法 | |
| CN108764310A (zh) | 基于多尺度多特征深度森林的sar目标识别方法 | |
| CN104680169A (zh) | 一种面向高空间分辨率遥感图像专题信息提取的半监督诊断性特征选择方法 | |
| CN105095865A (zh) | 基于有向加权复杂网络的宫颈细胞识别方法及宫颈细胞识别装置 | |
| CN112084842B (zh) | 一种基于深度语义模型的水文遥感图像目标识别方法 | |
| CN111222545A (zh) | 基于线性规划增量学习的图像分类方法 | |
| CN111291818B (zh) | 一种面向云掩膜的非均匀类别的样本均衡化方法 | |
| CN103955709A (zh) | 基于加权合成核与tmf的极化sar图像分类方法 | |
| CN108256557B (zh) | 结合深度学习和邻域集成的高光谱图像分类方法 | |
| CN111626380A (zh) | 一种基于超像素和卷积网络的极化sar图像分类方法 | |
| CN103714353A (zh) | 基于视觉先验模型的极化sar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 |