CN113077017A - 基于脉冲神经网络的合成孔径图像分类方法 - Google Patents
基于脉冲神经网络的合成孔径图像分类方法 Download PDFInfo
- Publication number
- CN113077017A CN113077017A CN202110566295.9A CN202110566295A CN113077017A CN 113077017 A CN113077017 A CN 113077017A CN 202110566295 A CN202110566295 A CN 202110566295A CN 113077017 A CN113077017 A CN 113077017A
- Authority
- CN
- China
- Prior art keywords
- layer
- neural network
- pulse
- synthetic aperture
- membrane potential
- 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
- 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
- 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)
- Evolutionary Computation (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- General Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- General Health & Medical Sciences (AREA)
- Software Systems (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Biophysics (AREA)
- Biomedical Technology (AREA)
- Mathematical Physics (AREA)
- Computational Linguistics (AREA)
- Health & Medical Sciences (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Biology (AREA)
- Image Analysis (AREA)
Abstract
本发明提供一种基于脉冲神经网络的合成孔径图像分类方法。具体包括:使用深度卷积神经网络对合成孔径雷达图像进行预训练,保存训练好的权重参数;对合成孔径声呐图像进行显著性计算,将显著性计算结果输入至脉冲编码器中进行脉冲编码;将预训练的深度卷积神经网络权重参数迁移到多层脉冲神经网络作为初始权重参数,使用集成学习的方法对多层脉冲神经网络进行训练;将合成孔径声呐图像的脉冲编码结果作为训练好的多层脉冲神经网络的输入,采用脉冲解码器对多层脉冲神经网络的输出结果进行解码以判别最终分类结果。针对小样本合成孔径图像的识别问题,本发明利用合成孔径雷达图像可有效提高合成孔径声呐图像分类的准确率。
Description
技术领域
本发明涉及合成孔径图像技术领域,尤其涉及一种基于脉冲神经网络的合成孔径图像分类方法。
背景技术
合成孔径图像(Synthetic Aperture Image,SAI)是雷达或声呐利用与目标的相对运动,将尺寸较小的真实孔径用数据处理的方法合成较大的等效孔径,可对远距离观测目标产生高分辨率的特殊遥感图像。根据合成孔径成像的电磁波段、光学波段和声学波段,常见的载荷类型有合成孔径雷达(SyntheticAperture Radar,SAR)、合成孔径激光雷达(Synthetic Aperture Ladar,SAL)和合成孔径声呐(Synthetic Aperture Sonar,SAS)等成像设备。由于特殊的合成孔径成像机制,SAI具备穿透性、三维探测等能力,并具有相干斑噪声干扰等不同于常规图像的性质,这使其分析和处理产生了较大困难。
合成孔径声呐图像具有探测距离远、分辨率高的特点,可以用于水下搜救溺水者、沉船和飞机等应急任务。在长时间搜索的过程下,声呐操作员的人工操作可能会感到筋疲力尽,极可能错过潜在的探测目标。如何解决面向无人自主系统的合成孔径图像的目标分类,是目前亟需解决的一个问题。基于智能化的目标检测、目标分类和识别对于搜救工作的自动化具有很大的帮助。
目前针对声呐图像的分类任务,一般采用深度卷积神经网络(DCNN)进行。相比合成孔径雷达图像而言,合成孔径声呐图像获取代价高昂,训练样本稀缺,而深度卷积神经网络的训练必须大量标注的数据集才能达到理想效果。此外,深度卷积神经网络需要很高的算力和大量的能源供给,非常不利于在移动环境下无人自主设备开展搜救任务,这造成了其难以发挥有效的应用。
发明内容
针对现有基于深度卷积神经网络的合成孔径图像分类方法存在准确率低的或者不适用于移动环境下的无人自主设备的问题,本发明提供一种基于脉冲神经网络的合成孔径图像分类方法,可提高小样本的合成孔径声呐图像分类的准确率,解决现有合成孔径声呐图像获取困难、深度卷积神经网络对小样本图像分类准确率过低的问题,相关数据集实验表明,本发明方法具有高效性和低能耗的特点,可用于移动环境的无人自主设备的SAS图像分类任务。
本发明提供的一种基于脉冲神经网络的合成孔径图像分类方法,包括:
步骤1:使用深度卷积神经网络对合成孔径雷达图像进行预训练,保存训练好的权重参数;
步骤2:对合成孔径声呐图像进行显著性计算,将显著性计算结果输入至脉冲编码器中进行脉冲编码;
步骤3:将预训练的深度卷积神经网络权重参数迁移到多层脉冲神经网络作为初始权重参数,使用集成学习的方法对多层脉冲神经网络进行训练;
步骤4:将脉冲编码器的输出结果作为训练好的多层脉冲神经网络的输入,采用脉冲解码器对多层脉冲神经网络的输出结果进行解码以判别最终分类结果。
进一步地,所述步骤1中的深度卷积神经网络具体为:包括深度卷积神经网络的输入层、卷积层、激活层、池化层、全连接层和输出层,神经元参数的偏置设置为0,激活函数设置为ReLU激活函数,池化层设置为平均池化层。
进一步地,所述步骤2中的显著性计算结果包括合成孔径图像的视觉显著图。
进一步地,所述步骤2中的脉冲编码具体为:将输入的图像数据编码为发放次数分布符合泊松过程的脉冲序列。
进一步地,所述步骤3中的多层脉冲神经网络由LIF神经元组成,所述多层脉冲神经网络包括输入层、卷积层、激活层、池化层和全连接层。
进一步地,所述LIF神经元具有神经元膜电位的泄漏、积累以及阈值激发三个特征,所述LIF神经元泄漏、积累以及阈值激发过程具体为:
其中,Vmem为后神经元膜电位,τm为膜电位衰减的时间常数,Vrest为静息电位,Rm为细胞膜的阻抗,I(t)表示输入电流,为每个时间步的前神经元脉冲的加权总和。
进一步地,所述卷积层在每个时间步中,每个LIF神经元对输入的脉冲与卷积核进行卷积操作以计算其输入电流,并将其整合到膜电位中,若膜电位超过卷积阈值,LIF神经元产生脉冲并复位膜电位,否则膜电位发生衰减。
进一步地,所述卷积层采用下述公式计算其输入电流:
进一步地,所述池化层在每个时间步中,每个LIF神经元对输入的脉冲进行平均卷积操作以计算其输入电流,并将其整合到膜电位中,若膜电位超过卷积阈值,LIF神经元产生脉冲并复位膜电位。
进一步地,所述池化层采用下述公式计算其输入电流:
进一步地,所述步骤4中解码器的神经元数量与需要分类的类别数量相同;
步骤4具体包括:解码器将多层脉冲神经网络提取到的一维向量特征累加进行最终分类,所述累加是指每个时间步输出脉冲与对应输出层的权重相乘后的求和。
本发明的有益效果:
在实际场景中应用时,普通卷积神经网络运行需要高性能计算设备以及大量能源供给,非常不适用海上移动计算场景;而脉冲神经网络可以映射到基于脉冲的超低功耗神经形态硬件并在其中实现时,具有高能效的特点,在无人自主设备上有较大的应用前景,基于此,本发明使用迁移学习技术,先基于深度卷积网络对合成孔径雷达图像进行训练,再将训练完成的卷积神经网络网络权重迁移到脉冲神经网络,并利用合成孔径声呐图像数据再进行训练,如此针对小样本合成孔径图像的识别问题,本发明可以在合成孔径声呐图像样本量稀少的情况下,提高合成孔径声呐图像分类的准确率,解决现有深度卷积神经网络在海底声呐图像分类问题上准确率较低,能耗过高的问题。本发明在移动端无人自助设备上可以得到很好的应用。
附图说明
图1为本发明实施例提供的基于脉冲神经网络的合成孔径图像分类方法的流程示意图;
图2为本发明实施例提供的脉冲神经网络的网络架构示意图;
图3为本发明实施例提供的卷积层膜电位积累和脉冲激发过程的示意图;
图4为本发明实施例提供的池化层膜电位积累和脉冲激发过程的示意图。
具体实施方式
为使本发明的目的、技术方案和优点更加清楚,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。
实施例一
脉冲神经网络被称为第三代神经网络,有丰富的时空领域的神经动力学特性,采用脉冲神经网络实现合成孔径图像分类任务,具有高效性和低能耗的特点。本发明为解决合成孔径图像分类问题,如图1所示,本发明实施例提供一种基于脉冲神经网络的合成孔径图像分类方法,包括以下步骤:
S101:使用深度卷积神经网络对合成孔径雷达图像进行预训练,保存训练好的权重参数;
具体地,所述步骤S101中的深度卷积神经网络的网络架构具体为:包括深度卷积神经网络的输入层、卷积层、激活层、池化层、全连接层和输出层,神经元参数的偏置设置为0,激活函数设置为ReLU激活函数,池化层设置为平均池化层。
S102:对合成孔径声呐图像进行显著性计算,将显著性计算结果输入至脉冲编码器中进行脉冲编码;
具体地,对合成孔径声呐图像进行显著性计算,显著性计算算法可采用基于图论的显著性计算(GBVS)、谱残差(SR)和Itti等方法实现。将显著性计算结果输入到编码器中,在脉冲编码器中对输入的合成孔径声呐图像数据编码,将输入的图像数据编码为发放次数分布符合泊松过程的脉冲序列。所述显著性计算结果包括合成孔径声呐图像的视觉显著图。
S103:将预训练的深度卷积神经网络权重参数迁移到多层脉冲神经网络作为初始权重参数,使用集成学习的方法对多层脉冲神经网络进行训练。
具体地,作为一种可实施方式,如图2所示,多层脉冲神经网络的架构具体包括泄漏积分发放(Leaky Integrate and Fire,LIF)神经元,至少包括输入层、卷积层、激活层、池化层、全连接层。
为了避免过拟合,多层脉冲神经网络采用L2正则化的方法,并在每个卷积层添加Dropout层,丢弃率设置为0.25;多层脉冲神经网络中LIF神经元泄漏、积累以及阈值激发过程具体如下:
其中,Vmem为后神经元膜电位,τm为膜电位衰减的时间常数,Vrest为静息电位,Rm为细胞膜的阻抗,I(t)表示输入电流,为每个时间步的前神经元脉冲的加权总和。
作为一种可实施方式,如图3所示,所述卷积层在每个时间步中,每个LIF神经元对输入的脉冲与卷积核进行卷积操作以计算其输入电流,并将其整合到膜电位中,如果膜电位超过卷积阈值,则LIF神经元产生脉冲并复位膜电位,否则膜电位发生衰减。其输入电流的计算公式可以表示为:
作为一种可实施方式,如图4所示,所述池化层在每个时间步中,每个神经元对输入的脉冲进行平均卷积操作以计算其输入电流,并将其整合到膜电位中,如果膜电位超过卷积阈值,则神经元产生脉冲并复位膜电位。其输入电流的计算公式可以表示为:
其中,表示在时间t内l层累积到l+1层神经元j膜电位的总电流流入,表示l层神经元i在时间t内的脉冲之和。作为一种可实施方式,本步骤中的集成学习的方法可采用提升(Boosting)、装袋(Bagging)或堆栈(Stacking)等集成学习算法实现。
S104:将脉冲编码器的输出结果作为训练好的多层脉冲神经网络的输入,采用脉冲解码器对多层脉冲神经网络的输出结果进行解码以判别最终分类结果。
具体地,脉冲解码器中神经元数量和需要分类的类别数量相同;本步骤具体为:解码器将多层脉冲神经网络提取到的一维向量特征累加进行最终分类,所述累加是指每个时间步输出脉冲与对应输出层的权重相乘后的求和。
实施例二
根据本发明的一种实施方式,在MNIST数据集上对脉冲神经网络在小样本图像分类任务的有效性进行验证,具体过程如下:
S201:MNIST手写数字集共包含0-9十个数字类别,其中训练集包含60000张手写数字图像,测试集包含10000张手写数字图像。抽取MNIST手写数字集训练集的部分数据作为小样本图像分类任务的训练集,每类的抽取数量一致;使用MNIST手写数字集测试集的全部数据作为小样本图像分类任务的测试数据;使用深度卷积神经网络对MNIST数据集小样本图像数据进行预训练,保存训练好的权重参数;
具体地,在实际应用中,可以先对MNIST数据集小样本图像数据进行预处理,将图像像素归一化为[0,1];深度卷积神经网络架构包括建立深度卷积神经网络的输入层、卷积层、激活层、池化层、全连接层和输出层,将深度卷积神经网络中神经元参数的偏置设置为0,将池化层设置为平均池化层。
S202:在脉冲编码器中对MNIST数据集小样本图像数据编码,包括:脉冲编码器将输入的图像数据编码为发放次数分布符合泊松过程的脉冲序列。
S203:将预训练的权重参数迁移到多层脉冲神经网络作为初始权重参数对多层脉冲神经网络进行训练;
如图2所示,多层脉冲神经网络架构具体包括泄漏积分发放(Leaky Integrateand Fire,LIF)神经元,多层脉冲神经网络至少包括输入层、卷积层、激活层、池化层、全连接层和输出层。
具体地,为了避免过拟合,多层脉冲神经网络采用L2正则化的方法,并在每个卷积层添加Dropout层,丢弃率设置为0.1;多层脉冲神经网络中LIF神经元模型泄漏、积累以及阈值激发过程具体如下:
其中,Vmem为后神经元膜电位,τm为膜电位衰减的时间常数,Vrest为静息电位,Rm为细胞膜的阻抗,I(t)表示输入电流,为每个时间步的前神经元脉冲的加权总和。
如图3所示,所述卷积层在每个时间步中,每个神经元对输入的脉冲与卷积核进行卷积操作以计算其输入电流,并将其整合到膜电位中,如果膜电位超过卷积阈值,则神经元会产生脉冲并复位膜电位,否则膜电位会发生衰减。其输入电流的计算公式可以表示为:
如图4所示,所述池化层在每个时间步中,每个神经元对输入的脉冲进行平均卷积操作以计算其输入电流,并将其整合到膜电位中,如果膜电位超过卷积阈值,则神经元会产生脉冲并复位膜电位。其输入电流的计算公式可以表示为:
S204:将脉冲编码器的输出结果作为训练好的多层脉冲神经网络的输入,采用脉冲解码器对多层脉冲神经网络的输出结果进行解码以判别最终分类结果;
脉冲解码器中神经元数量和需要分类的类别数量相同,解码器将多层脉冲神经网络提取到的一维向量特征累加进行最终分类,这个累加是每个时间步输出脉冲与对应输出层的权重相乘后的求和。
表1脉冲神经网络和卷积神经网络在MNIST数据集图像分类的准确率
样本数(P) | 1 | 2 | 5 | 10 | 20 | 50 |
卷积神经网络 | 51.73% | 58.43% | 74.89% | 76.61% | 85.10% | 93.11% |
脉冲神经网络 | 54.75% | 69.90% | 78.60% | 84.52% | 91.46% | 95.77% |
如表1所示,在每类图像数量较少的情况下,本发明的分类方法高于卷积神经网络的分类方法,本发明可以提高在MNIST数据集小样本图像分类的准确率,说明本发明分类方法在少量训练样本下可以取得较高的分类精度。
本发明提高了合成孔径声呐图像分类的准确率,在实际场景中应用时,普通卷积神经网络运行需要高性能计算设备以及大量能源供给,非常不适用海上移动计算场景;而脉冲神经网络可以映射到基于脉冲的超低功耗神经形态硬件并在其中实现时,具有高能效的特点,在无人自主设备上有较大的应用前景。
本发明采用上述技术方案,使用迁移学习技术,先基于深度卷积网络对合成孔径雷达图像进行训练,再将训练完成的卷积神经网络网络权重迁移到脉冲神经网络,并利用合成孔径声呐图像数据再进行训练。本发明可以在合成孔径声呐图像样本量稀少的情况下,提高合成孔径声呐图像分类的准确率,解决现有深度卷积神经网络在海底声呐图像分类问题上准确率较低,能耗过高的问题。本发明在移动端无人自助设备上可以得到很好的应用。
最后应说明的是:以上实施例仅用以说明本发明的技术方案,而非对其限制;尽管参照前述实施例对本发明进行了详细的说明,本领域的普通技术人员应当理解:其依然可以对前述各实施例所记载的技术方案进行修改,或者对其中部分技术特征进行等同替换;而这些修改或者替换,并不使相应技术方案的本质脱离本发明各实施例技术方案的精神和范围。
Claims (10)
1.基于脉冲神经网络的合成孔径图像分类方法,其特征在于,包括:
步骤1:使用深度卷积神经网络对合成孔径雷达图像进行预训练,保存训练好的权重参数;
步骤2:对合成孔径声呐图像进行显著性计算,将显著性计算结果输入至脉冲编码器中进行脉冲编码;
步骤3:将预训练的深度卷积神经网络权重参数迁移到多层脉冲神经网络作为初始权重参数,使用集成学习的方法对多层脉冲神经网络进行训练;
步骤4:将脉冲编码器的输出结果作为训练好的多层脉冲神经网络的输入,采用脉冲解码器对多层脉冲神经网络的输出结果进行解码以判别最终分类结果。
2.根据权利要求1所述的合成孔径图像分类方法,其特征在于,所述步骤1中的深度卷积神经网络具体为:包括深度卷积神经网络的输入层、卷积层、激活层、池化层、全连接层和输出层,神经元参数的偏置设置为0,激活函数设置为ReLU激活函数,池化层设置为平均池化层。
3.根据权利要求1所述的合成孔径图像分类方法,其特征在于,所述步骤2中的脉冲编码具体为:将输入的图像数据编码为发放次数分布符合泊松过程的脉冲序列。
4.根据权利要求1所述的合成孔径图像分类方法,其特征在于,所述步骤3中的多层脉冲神经网络由LIF神经元组成,所述多层脉冲神经网络包括输入层、卷积层、激活层、池化层和全连接层。
6.根据权利要求5所述的合成孔径图像分类方法,其特征在于,所述卷积层在每个时间步中,每个LIF神经元对输入的脉冲与卷积核进行卷积操作以计算其输入电流,并将其整合到膜电位中,若膜电位超过卷积阈值,LIF神经元产生脉冲并复位膜电位,否则膜电位发生衰减。
8.根据权利要求5所述的合成孔径图像分类方法,其特征在于,所述池化层在每个时间步中,每个LIF神经元对输入的脉冲进行平均卷积操作以计算其输入电流,并将其整合到膜电位中,若膜电位超过卷积阈值,LIF神经元产生脉冲并复位膜电位。
10.根据权利要求1所述的合成孔径图像分类方法,其特征在于,所述步骤4中解码器的神经元数量与需要分类的类别数量相同;
步骤4具体包括:解码器将多层脉冲神经网络提取到的一维向量特征累加进行最终分类,所述累加是指每个时间步输出脉冲与对应输出层的权重相乘后的求和。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110566295.9A CN113077017B (zh) | 2021-05-24 | 2021-05-24 | 基于脉冲神经网络的合成孔径图像分类方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110566295.9A CN113077017B (zh) | 2021-05-24 | 2021-05-24 | 基于脉冲神经网络的合成孔径图像分类方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN113077017A true CN113077017A (zh) | 2021-07-06 |
CN113077017B CN113077017B (zh) | 2022-12-13 |
Family
ID=76616813
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110566295.9A Active CN113077017B (zh) | 2021-05-24 | 2021-05-24 | 基于脉冲神经网络的合成孔径图像分类方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113077017B (zh) |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114295967A (zh) * | 2021-07-26 | 2022-04-08 | 桂林电子科技大学 | 一种基于迁移神经网络的模拟电路故障诊断方法 |
CN114332545A (zh) * | 2022-03-17 | 2022-04-12 | 之江实验室 | 一种基于低比特脉冲神经网络的图像数据分类方法和装置 |
CN114092763B (zh) * | 2021-11-22 | 2023-08-25 | 南京铁道职业技术学院 | 一种脉冲神经网络模型构建方法 |
Citations (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110210563A (zh) * | 2019-06-04 | 2019-09-06 | 北京大学 | 基于Spike cube SNN的图像脉冲数据时空信息学习及识别方法 |
CN110555523A (zh) * | 2019-07-23 | 2019-12-10 | 中建三局智能技术有限公司 | 一种基于脉冲神经网络的短程跟踪方法及系统 |
CN111062450A (zh) * | 2019-12-30 | 2020-04-24 | 西安电子科技大学 | 基于fpga和scnn架构的图像分类装置及方法 |
CN111753853A (zh) * | 2020-07-08 | 2020-10-09 | 海南热带海洋学院 | 一种mpcnn-fast声呐图像特征点检测方法 |
CN111860790A (zh) * | 2020-08-04 | 2020-10-30 | 南京大学 | 一种提高深度残差脉冲神经网络精度以优化图像分类的方法及其系统 |
CN111858989A (zh) * | 2020-06-09 | 2020-10-30 | 西安工程大学 | 一种基于注意力机制的脉冲卷积神经网络的图像分类方法 |
CN112052817A (zh) * | 2020-09-15 | 2020-12-08 | 中国人民解放军海军大连舰艇学院 | 基于迁移学习的改进YOLOv3模型侧扫声纳沉船目标自动识别方法 |
CN112415978A (zh) * | 2019-08-21 | 2021-02-26 | 美光科技公司 | 监测用于车辆控制的控制器区域网络总线 |
US20210064995A1 (en) * | 2019-08-28 | 2021-03-04 | Robert Bosch Gmbh | Method, device and computer program for creating a pulsed neural network |
CN112784976A (zh) * | 2021-01-15 | 2021-05-11 | 中山大学 | 一种基于脉冲神经网络的图像识别系统及方法 |
-
2021
- 2021-05-24 CN CN202110566295.9A patent/CN113077017B/zh active Active
Patent Citations (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110210563A (zh) * | 2019-06-04 | 2019-09-06 | 北京大学 | 基于Spike cube SNN的图像脉冲数据时空信息学习及识别方法 |
CN110555523A (zh) * | 2019-07-23 | 2019-12-10 | 中建三局智能技术有限公司 | 一种基于脉冲神经网络的短程跟踪方法及系统 |
WO2021012752A1 (zh) * | 2019-07-23 | 2021-01-28 | 中建三局智能技术有限公司 | 一种基于脉冲神经网络的短程跟踪方法及系统 |
CN112415978A (zh) * | 2019-08-21 | 2021-02-26 | 美光科技公司 | 监测用于车辆控制的控制器区域网络总线 |
US20210064995A1 (en) * | 2019-08-28 | 2021-03-04 | Robert Bosch Gmbh | Method, device and computer program for creating a pulsed neural network |
CN111062450A (zh) * | 2019-12-30 | 2020-04-24 | 西安电子科技大学 | 基于fpga和scnn架构的图像分类装置及方法 |
CN111858989A (zh) * | 2020-06-09 | 2020-10-30 | 西安工程大学 | 一种基于注意力机制的脉冲卷积神经网络的图像分类方法 |
CN111753853A (zh) * | 2020-07-08 | 2020-10-09 | 海南热带海洋学院 | 一种mpcnn-fast声呐图像特征点检测方法 |
CN111860790A (zh) * | 2020-08-04 | 2020-10-30 | 南京大学 | 一种提高深度残差脉冲神经网络精度以优化图像分类的方法及其系统 |
CN112052817A (zh) * | 2020-09-15 | 2020-12-08 | 中国人民解放军海军大连舰艇学院 | 基于迁移学习的改进YOLOv3模型侧扫声纳沉船目标自动识别方法 |
CN112784976A (zh) * | 2021-01-15 | 2021-05-11 | 中山大学 | 一种基于脉冲神经网络的图像识别系统及方法 |
Non-Patent Citations (9)
Title |
---|
GUANYING HUO等: ""Underwater Object Classification in Sidescan Sonar Images Using Deep Transfer Learning and Semisynthetic Training Data"", 《IEEE ACCESS》 * |
JIANKUN CHEN等: ""Unsupervised Learning Method for SAR Image Classification Based on Spiking Neural Network"", 《WWW.PREPRINTS.ORG》 * |
佟禹等: ""基于显著性候选区域的遥感船舶检测算法"", 《电光与控制》 * |
刘扬: ""基于MNCC模型的高分辨率遥感影像目标识别"", 《中国博士学位论文全文数据库 信息科技辑》 * |
尚瑛杰等: ""基于脉冲神经网络的迁移学习算法与软件框架"", 《计算机工程》 * |
易全政: ""基于脉冲神经网络的目标跟踪技术研究"", 《中国优秀硕士学位论文全文数据库 信息科技辑》 * |
朱兆彤等: ""一种利用迁移学习训练卷积神经网络的声呐图像识别方法"", 《水下无人系统学报》 * |
杨鹏: ""基于迁移学习的侧扫声呐图像分类方法研究"", 《中国优秀硕士学位论文全文数据库 基础科学辑》 * |
汤寓麟等: ""侧扫声呐识别沉船影像的迁移学习卷积神经网络法"", 《测绘学报》 * |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114295967A (zh) * | 2021-07-26 | 2022-04-08 | 桂林电子科技大学 | 一种基于迁移神经网络的模拟电路故障诊断方法 |
CN114092763B (zh) * | 2021-11-22 | 2023-08-25 | 南京铁道职业技术学院 | 一种脉冲神经网络模型构建方法 |
CN114332545A (zh) * | 2022-03-17 | 2022-04-12 | 之江实验室 | 一种基于低比特脉冲神经网络的图像数据分类方法和装置 |
Also Published As
Publication number | Publication date |
---|---|
CN113077017B (zh) | 2022-12-13 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110472483B (zh) | 一种面向sar图像的小样本语义特征增强的方法及装置 | |
CN113077017B (zh) | 基于脉冲神经网络的合成孔径图像分类方法 | |
Li et al. | Fast accurate fish detection and recognition of underwater images with fast r-cnn | |
Ma et al. | Light-YOLOv4: An edge-device oriented target detection method for remote sensing images | |
Hartawan et al. | Disaster victims detection system using convolutional neural network (CNN) method | |
CN112308019A (zh) | 基于网络剪枝和知识蒸馏的sar舰船目标检测方法 | |
Wang et al. | A deep-learning-based sea search and rescue algorithm by UAV remote sensing | |
CN116168352B (zh) | 基于图像处理的电网障碍物识别处理方法及系统 | |
CN113705769A (zh) | 一种神经网络训练方法以及装置 | |
CN111027576A (zh) | 基于协同显著性生成式对抗网络的协同显著性检测方法 | |
CN108985314A (zh) | 目标检测方法及设备 | |
Ye et al. | Recognition algorithm of emitter signals based on PCA+ CNN | |
Lyu et al. | A GPU‐free real‐time object detection method for apron surveillance video based on quantized MobileNet‐SSD | |
Chen et al. | Ship Detection with Optical Image Based on Attention and Loss Improved YOLO | |
CN116665114B (zh) | 基于多模态的遥感场景识别方法、系统及介质 | |
Zhao et al. | Multitask learning for sar ship detection with gaussian-mask joint segmentation | |
CN113887330A (zh) | 一种基于遥感图像的目标检测系统 | |
CN112966815A (zh) | 基于脉冲神经网络的目标检测方法、系统及设备 | |
Jin et al. | Auxiliary detection head for one-stage object detection | |
Ruan et al. | Automatic recognition of radar signal types based on CNN-LSTM | |
CN104615987B (zh) | 一种基于误差反传神经网络的飞机残骸智能识别方法及系统 | |
CN117079095A (zh) | 基于深度学习的高空抛物检测方法、系统、介质和设备 | |
CN109389543A (zh) | 公交运营数据统计方法、系统、计算设备及存储介质 | |
Jie et al. | Target detection in sonar image based on faster RCNN | |
Liu et al. | AARN: Anchor‐guided attention refinement network for inshore ship detection |
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 |