CN113420812A - 基于进化卷积神经网络的极化sar图像分类方法 - Google Patents
基于进化卷积神经网络的极化sar图像分类方法 Download PDFInfo
- Publication number
- CN113420812A CN113420812A CN202110698127.5A CN202110698127A CN113420812A CN 113420812 A CN113420812 A CN 113420812A CN 202110698127 A CN202110698127 A CN 202110698127A CN 113420812 A CN113420812 A CN 113420812A
- Authority
- CN
- China
- Prior art keywords
- neural network
- convolutional neural
- population
- classification
- individuals
- 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
- 238000013527 convolutional neural network Methods 0.000 title claims abstract description 130
- 238000000034 method Methods 0.000 title claims abstract description 76
- 230000010287 polarization Effects 0.000 title claims description 10
- 238000012549 training Methods 0.000 claims abstract description 36
- 108090000623 proteins and genes Proteins 0.000 claims description 54
- 238000012795 verification Methods 0.000 claims description 23
- 238000013528 artificial neural network Methods 0.000 claims description 19
- 230000006870 function Effects 0.000 claims description 14
- 230000035772 mutation Effects 0.000 claims description 8
- 230000009467 reduction Effects 0.000 claims description 6
- 238000010200 validation analysis Methods 0.000 claims description 6
- 238000012545 processing Methods 0.000 claims description 5
- 238000005070 sampling Methods 0.000 claims description 5
- 238000009827 uniform distribution Methods 0.000 claims description 5
- 238000011478 gradient descent method Methods 0.000 claims description 3
- 101150090155 R gene Proteins 0.000 claims description 2
- 230000001174 ascending effect Effects 0.000 claims description 2
- 108700026215 vpr Genes Proteins 0.000 claims description 2
- 238000013461 design Methods 0.000 abstract description 6
- 238000004088 simulation Methods 0.000 description 27
- 238000010586 diagram Methods 0.000 description 13
- 230000008901 benefit Effects 0.000 description 9
- 230000000694 effects Effects 0.000 description 8
- 241000209140 Triticum Species 0.000 description 6
- 235000021307 Triticum Nutrition 0.000 description 6
- 238000012360 testing method Methods 0.000 description 6
- 238000004364 calculation method Methods 0.000 description 5
- 244000046052 Phaseolus vulgaris Species 0.000 description 4
- 235000010627 Phaseolus vulgaris Nutrition 0.000 description 4
- 230000007547 defect Effects 0.000 description 4
- 239000002689 soil Substances 0.000 description 4
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 description 4
- 240000004713 Pisum sativum Species 0.000 description 3
- 235000010582 Pisum sativum Nutrition 0.000 description 3
- 238000004458 analytical method Methods 0.000 description 3
- 238000000605 extraction Methods 0.000 description 3
- 238000003062 neural network model Methods 0.000 description 3
- 230000008569 process Effects 0.000 description 3
- 241000219310 Beta vulgaris subsp. vulgaris Species 0.000 description 2
- 240000005979 Hordeum vulgare Species 0.000 description 2
- 235000007340 Hordeum vulgare Nutrition 0.000 description 2
- 240000004658 Medicago sativa Species 0.000 description 2
- 235000017587 Medicago sativa ssp. sativa Nutrition 0.000 description 2
- 244000061456 Solanum tuberosum Species 0.000 description 2
- 235000002595 Solanum tuberosum Nutrition 0.000 description 2
- 235000021536 Sugar beet Nutrition 0.000 description 2
- 238000009435 building construction Methods 0.000 description 2
- 238000004422 calculation algorithm Methods 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 239000000284 extract Substances 0.000 description 2
- 238000002372 labelling Methods 0.000 description 2
- 230000001537 neural effect Effects 0.000 description 2
- 238000011002 quantification Methods 0.000 description 2
- 240000002791 Brassica napus Species 0.000 description 1
- 235000004977 Brassica sinapistrum Nutrition 0.000 description 1
- 244000025254 Cannabis sativa Species 0.000 description 1
- 230000002776 aggregation Effects 0.000 description 1
- 238000004220 aggregation Methods 0.000 description 1
- 230000001427 coherent effect Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 239000011159 matrix material Substances 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
- 238000013139 quantization Methods 0.000 description 1
- 238000012216 screening Methods 0.000 description 1
- 241000894007 species Species 0.000 description 1
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
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/12—Computing arrangements based on biological models using genetic models
- G06N3/126—Evolutionary algorithms, e.g. genetic algorithms or genetic programming
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Life Sciences & Earth Sciences (AREA)
- Data Mining & Analysis (AREA)
- Artificial Intelligence (AREA)
- Evolutionary Computation (AREA)
- Biophysics (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Health & Medical Sciences (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Evolutionary Biology (AREA)
- Molecular Biology (AREA)
- Biomedical Technology (AREA)
- Computational Linguistics (AREA)
- General Health & Medical Sciences (AREA)
- Computing Systems (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Physiology (AREA)
- Genetics & Genomics (AREA)
- Image Analysis (AREA)
Abstract
本发明公开一种基于进化卷积神经网络的极化SAR图像分类方法,实现步骤为:(1)初始化种群;(2)将种群中的个体解码为卷积神经网络;(3)训练卷积神经网络,并将分类精度作为个体的适应度;(4)采用选择、交叉和变异操作对种群进行迭代更新,得到最终种群;(5)使用最终种群中适应度最高的个体对应的卷积神经网络对待分类极化SAR图像进行分类。本发明采用种群迭代更新的方式实现卷积神经网络的自动设计,降低了手工设计卷积神经网络造成的人为误差,最终得到高分类精度的卷积神经网络,实现极化SAR图像的高精度分类。
Description
技术领域
本发明属于图像处理技术领域,更进一步涉及图像分类技术领域的一种基于进化算法的神经网络结构搜索方法的极化合成孔径雷达PolSAR(Polarimetric SyntheticAperture Radar)图像的地物分类方法。本发明可用于对极化SAR图像进行特征提取和地物分类。
背景技术
近年来,极化SAR因其较强的穿透性,可获得丰富的目标信息,在很多领域得到了成功的应用,如作物生长监测、林木树种估计、城市发展趋势分析及自然资源勘探等领域。这些应用均依赖于对极化SAR图像进行分析和解译,而对极化SAR图像进行分类是其中的一项关键技术。
西安邮电大学在其申请的专利文献“基于双通道卷积网络的极化SAR图像分类方法”(专利申请号:CN201910418510.3,申请公布号:CN110110813A)中提出了一种基于双通道卷积网络的地物分类方法。该方法主要解决传统分类方法需要针对不同地物类型设计不同的特征提取策略的问题。该方法实现的步骤为:(1)将待分类极化SAR图像像素点的相干矩阵转化为多维特征向量I=[T11,T22,T33,Re(T12),Re(T13),Re(T23),Im(T12),Im(T13),Im(T23)],其中Re()和Im()分别表示对复值取实部和虚部,并对每个地物类别随机选取训练样本和测试样本;(2)搭建一个手工设计的多层卷积神经网络模型,在训练样本上进行训练;(3)用训练好的卷积神经网络模型对测试样本进行分类。该方法利用CNN对极化SAR图像进行自动特征提取,并使用双通道结构增强特征提取能力,但是,该方法仍然存在的不足之处在于,其一,提取的多维特征向量破坏了极化SAR数据的复值形式,造成信息损失,并且手工设计的卷积神经网络存在人为误差,影响地物分类精度。其二,手工设计的卷积神经网络存在结构冗余,影响分类效率。
西安电子科技大学在其申请的专利文献“基于深度复值全卷积神经网络的极化SAR图像分类方法”(专利申请号:CN201910968153.8,申请公布号:CN110728324A)中提出了一种复值全卷积神经网络的地物分类方法。该方法使用11层复值卷积层对极化SAR图像进行特征提取,主要解决已有的复值神经网络未能充分考虑空间信息的问题,提高了分类精度。该方法实现的步骤为:(1)对极化SAR图像的每个像素点进行归一化后构建复值特征向量,并随机选取部分样本作为训练样本,其余样本作为测试样本;(2)搭建一个手工设计的深度复值全卷积神经网络,在训练样本上进行训练;(3)加载训练好的参数后,对测试样本进行测试,得到分类精度。该方法使用复值卷积进行特征提取,有效利用了极化SAR图像的复值特征,但是,该方法仍然存在的不足之处在于,手工设计的神经网络模型层数过多,前向传播耗时过长,分类效率低。
Hongwei Dong等人在其发表的论文“Automatic Design of CNNs viaDifferentiable Neural Architecture Search for PolSAR Image Classification”(IEEE Transactions on Geoscience and Remote Sensing,vol.58,no.9,pp.6362-6375,2020.)中提出了一种基于梯度的卷积神经网络结构搜索方法(PolSAR-tailoredDifferentiable Architecture Search,PDAS)来解决极化SAR图像的地物分类问题。该方法通过搭建一个超网络,并对所有尺寸的卷积核和卷积输出的通道数分别赋予一个权重,在反向传播过程中训练卷积核参数的同时,训练其权重,从而实现对卷积核尺寸和通道数的搜索。该方法的步骤为:(1)固定卷积输出的通道数,在训练集上对卷积神经网络进行训练的同时,更新卷积核尺寸的权重;(2)提取上一步训练好的卷积核尺寸的权重,并保留每一层中权重最大的卷积核尺寸;(3)初始化神经网络的参数并重新训练,同时更新卷积输出的通道数权重;(4)提取通道数的权重,并保留每一层中权重最大的通道数;(5)综合上述步骤得到的卷积核尺寸和通道数,输出最终的神经网络模型。该方法实现了通过神经网络结构搜索解决极化SAR图像的地物分类问题,但是,该方法存在的不足之处在于,限制了神经网络的搜索空间,无法对神经网络的深度和输入分辨率进行搜索,从而影响最终神经网络模型的分类精度。
发明内容
本发明的目的在于针对上述现有技术的不足,提出一种基于进化卷积神经网络的极化SAR图像分类方法,用于解决现有技术无法对卷积神经网络的深度和输入分辨率进行搜索,以及手工设计的卷积神经网络存在人为误差和结构冗余,造成的分类精度和分类效率不高的问题。
实现本发明目的的技术方案是:将卷积神经网络的复值卷积层和输入分辨率编码进个体中并进行迭代更新,实现对卷积神经网络的深度和输入分辨率的搜索,将卷积神经网络的分类精度作为个体的适应度,根据适应度对个体进行环境选择,实现对高分类精度卷积神经网络的筛选,解决分类精度不高的问题;通过对个体中的K类基因进行变异操作,以修改解码后的卷积神经网络的复值卷积层数量,并利用训练耗时对个体进行辅助选择,以保留解码后的结构简化的卷积神经网络,来解决分类效率不高的问题。
本发明的具体步骤包括:
(1)生成训练集和验证集:
从输入的极化SAR图像真实的地物标注中采样至少100个标注样本组成训练集,其余的标注样本组成验证集;
(2)初始化种群:
(2a)生成由R/E/H/K四类基因组成的编码长度为16的个体;
(2b)将至少20个个体组成种群Pt,t=0,t表示当前迭代次数;
(3)计算种群Pt中每个个体的适应度;
(3a)将种群Pt中的个体解码为卷积神经网络;
(3b)将卷积神经网络的初始学习率设置为0.001,精度下降计数器设置为0,最大分类精度设置为0;
(3c)将训练集输入到卷积神经网络中;
(3d)利用神经网络权重更新公式,通过梯度下降法迭代更新卷积神经网络的权重值,并保存当前迭代权重值的分类精度;
(3e)判断当前迭代权重值的分类精度是否大于最大分类精度,若是,则将最大分类精度更新为当前迭代权重值的分类精度,并将精度下降计数器重置为0后执行步骤(3d),否则,将精度下降计数器增加1后执行步骤(3f);
(3f)判断精度下降计数器是否小于等于3,若是,则执行步骤(3d),否则,利用学习率更新公式对学习率进行更新,并将精度下降计数器重置为0后执行步骤(3g);
(3g)判断更新后的学习率是否小于0.00001,若是,则停止卷积神经网络的训练,得到训练好的卷积神经网络,并保存训练耗时后执行步骤(3h),否则,执行步骤(3d);
(3h)将验证集输入到训练好的卷积神经网络中,并计算卷积神经网络对验证集的分类精度后,将对验证集的分类精度作为个体的适应度;
(3i)将种群Pt中剩余的每个个体均按照步骤(3b)到步骤(3h)进行处理;
(4)对种群Pt中的个体执行交叉操作:
(4a)将种群Pt中的个体随机两两配对;
(4b)对每一配对后的个体对生成一满足0-1均匀分布的随机数,若该随机数小于p1,0≤p1≤1,则采用单点交叉方式对配对后的两个个体在第λ个基因处执行交叉操作,λ∈{1,6,11},得到该配对后个体的交叉子代;
(4c)将所有交叉子代组成交叉种群;
(5)对交叉种群中的个体执行变异操作:
(5a)对交叉种群中的每一个个体执行变异操作,得到变异子代;
(5b)将所有的变异子代组成变异种群;
(8)执行环境选择操作得到下一代种群Pt+1:
(8b)判断种群Pt′中的个体数量是否大于n1,n1≥30,若是,则将种群Pt′中的个体按适应度降序排序后,将前n1个个体组成种群Pt″,否则,将种群Pt′当作种群Pt″;
(8c)对种群Pt″中的个体执行结构简化的环境选择操作得到下一代种群Pt+1;
(9)判断当前迭代次数是否小于最大迭代次数,若是,则令t=t+1后执行步骤(4),否则,将当前迭代的种群作为最终种群后执行步骤(10);
(10)选择最终种群中适应度最高的个体对应的训练好的卷积神经网络;
(11)将待分类的极化SAR图像输入到训练好的卷积神经网络中,并采用与步骤(3h)相同的方法,计算该卷积神经网络对待分类的极化SAR图像中所有样本的分类精度,将该分类精度作为结果输出。
与现有技术相比,本发明具有如下优点:
第一,本发明采用由四类基因组成的个体表示卷积神经网络的输入分辨率、输出通道倍数和复值卷积层的编码,并利用选择、交叉和变异操作对种群进行迭代更新,实现卷积神经网络结构的搜索,克服了现有技术无法对卷积神经网络的深度和输入分辨率进行搜索的问题,使得本发明具有更广的搜索空间,得到深度和输入分辨率均适合的卷积神经网络,具有提高分类精度的优点。
第二,本发明采用进化算法中的选择、交叉和变异操作对种群进行迭代更新,实现卷积神经网络的自动设计,避免了现有技术中手工设计卷积神经网络带来的人为误差的问题,使得本发明得到的卷积神经网络的人为误差降低,具有提高分类精度的优点。
第三,本发明对复值卷积层对应的基因进行变异,该基因为0时删除对应的复值卷积层,得到结构简化的卷积神经网络,克服了现有技术中手工设计卷积神经网络存在结构冗余的问题,使得本发明得到的卷积神经网络在前向传播过程中具有更快的计算速度,具有提高分类效率的优点。
第四,本发明采用结构简化的环境选择操作对种群进行环境选择,保留前向传播耗时少的卷积神经网络,克服了现有技术中手工设计的卷积神经网络前向传播耗时过长的问题,使得本发明得到的卷积神经网络在前向传播过程中具有更快的计算速度,具有提高分类效率的优点。
附图说明
图1是本发明的整体流程图;
图2是本发明的个体编码结构图;
图3是本发明的个体解码举例示意图;
图4是本发明与现有技术PDAS,对荷兰弗莱福兰省农业区极化SAR图像的分类结果对比图;
图5是本发明与现有技术PDAS,在荷兰弗莱福兰省农业区极化SAR图像上仿真得到的卷积神经网络结构图;
图6是本发明与现有技术PDAS,对美国旧金山极化SAR图像的分类结果对比图;
图7是本发明与现有技术PDAS,在美国旧金山极化SAR图像上仿真得到的卷积神经网络结构图;
图8是本发明与现有技术PDAS,对德国奥伯法芬霍芬极化SAR图像的分类结果对比图;
图9是本发明与现有技术PDAS,在德国奥伯法芬霍芬极化SAR图像上仿真得到的卷积神经网络结构图。
具体实施方式
下面结合附图对本发明做进一步的描述。
参照图1,对本发明的具体实现步骤做进一步的描述。
步骤1,生成训练集和验证集。
从输入的极化SAR图像真实的地物标注中采样至少100个标注样本组成训练集,其余的标注样本组成验证集。
步骤2,初始化种群。
参照图2,对生成由R/E/H/K四类基因组成的编码长度为16的个体做进一步的描述。
所述的生成由R/E/H/K四类基因组成的编码长度为16的个体的结构为:
[R,E1,H1,K1,1,K1,2,K1,3,E2,H2,K2,1,K2,2,K2,3,E3,H3,K3,1,K3,2,K3,3]
其中,R表示对卷积神经网络输入分辨率的编码的R类基因,其值为在[0,10]范围内随机选取的一个整数,将R基因后的15个基因划分为与卷积神经网络第一、第二和第三个子网络的编码对应的三组基因,分别为基因组E1,H1,K1,1,K1,2,K1,3、E2,H2,K2,1,K2,2,K2,3和E3,H3,K3,1,K3,2,K3,3,E1,E2,E3分别表示对卷积神经网络中第一、第二和第三个子网络输出通道倍数的编码的E类基因,其值分别为在[0,2]范围内随机选取的一个整数,H1,H2,H3分别表示对第一、第二和第三个子网络中第一个复值卷积层的卷积核尺寸的编码的H类基因,其值分别为在[1,3]范围内随机选取的一个整数,K1,1,K1,2,K1,3,K2,1,K2,2,K2,3,K3,1,K3,2,K3,3均为K类基因,其值分别为在[0,3]范围内随机选取的一个整数,K1,1,K1,2,K1,3分别表示对第一个子网络中第二、第三和第四个复值卷积层的卷积核尺寸的编码,K2,1,K2,2,K2,3分别表示对第二个子网络中第二、第三和第四个复值卷积层的卷积核尺寸的编码,K3,1,K3,2,K3,3分别表示对第三个子网络中第二、第三和第四个复值卷积层的卷积核尺寸的编码。
将至少20个个体组成种群Pt,t=0,t表示当前迭代次数。
步骤3,计算种群Pt中每个个体的适应度。
(3.1)将种群Pt中的个体解码为卷积神经网络。
参照图3,对种群Pt中的个体解码为卷积神经网络做进一步的描述。
所述的将种群Pt中的个体解码为卷积神经网络的步骤如下:
第七步,设置三个子网络的输出通道基数分别为16、32和64,并将三个子网络级联成卷积神经网络。
第八步,将卷积神经网络的每一个复值卷积层的输出通道数设置为其所属子网络的输出通道基数与输出通道倍数的乘积。
(3.2)将卷积神经网络的初始学习率设置为0.001,精度下降计数器设置为0,最大分类精度设置为0。
(3.3)将训练集输入到卷积神经网络中。
(3.4)利用神经网络权重更新公式,通过梯度下降法迭代更新卷积神经网络的权重值,并保存当前迭代权重值的分类精度。
所述的神经网络权重更新公式为:
其中,W*表示当前迭代更新的卷积神经网络权重,W表示上一次迭代更新的卷积神经网络权重,lr表示上一次迭代更新的学习率,L表示当前迭代更新的交叉熵损失函数值。
所述的当前迭代权重值的分类精度是由下式计算得到的:
其中,Acctrain表示当前迭代权重值对训练集的分类精度,Ntrain表示训练集的样本总数,∑表示求和操作,i表示训练集中样本的序号,Yi表示第i个样本经卷积神经网络输出的向量,g(Yi)表示卷积神经网络对第i个样本的预测类别编号,该编号与真实类别编号对应且等于向量Yi中最大元素所在位置的下标值,表示第i个样本的真实类别编号,表示判断第i个样本的预测类别编号与第i个样本的真实类别编号是否相同的函数,若相同,则函数值为1,否则,函数值为0。
(3.5)判断当前迭代权重值的分类精度是否大于最大分类精度,若是,则将最大分类精度更新为当前迭代权重值的分类精度,并将精度下降计数器重置为0后执行步骤(3.4),否则,将精度下降计数器增加1后执行步骤(3.6)。
(3.6)判断精度下降计数器是否小于等于3,若是,则执行步骤(3.4),否则,利用学习率更新公式对学习率进行更新,并将精度下降计数器重置为0后执行步骤(3.7)。
所述的学习率更新公式为:
lr*=ε×lr
其中,lr*表示当前迭代更新的学习率,ε表示学习率的衰减系数,其值为0.1,lr表示上一次迭代更新的学习率。
(3.7)判断更新后的学习率是否小于0.00001,若是,则停止卷积神经网络的训练,得到训练好的卷积神经网络,并保存训练耗时后执行步骤(3.8),否则,执行步骤(3.4)。
(3.8)将验证集输入到训练好的卷积神经网络中,并计算卷积神经网络对验证集的分类精度后,将对验证集的分类精度作为个体的适应度。
所述的计算卷积神经网络对验证集的分类精度是由下式得到的:
其中,Accval表示卷积神经网络当前的权重值对验证集的分类精度,Nval表示验证集的样本总数,i表示验证集中样本的序号,Yi表示第i个样本经卷积神经网络输出的向量,g(Yi)表示卷积神经网络对第i个样本的预测类别编号,该编号与真实类别编号对应且等于向量Yi中最大元素所在位置的下标值,表示第i个样本的真实类别编号,表示判断第i个样本的预测类别编号与第i个样本的真实类别编号是否相同的函数,若相同,则函数值为1,否则,函数值为0。
(3.9)将种群Pt中剩余的每个个体均按照步骤(3.4)到步骤(3.8)进行处理。
步骤4,对种群Pt中的个体执行交叉操作。
将种群Pt中的个体随机两两配对。
对每一配对后的个体对生成一满足0-1均匀分布的随机数,若该随机数小于p1,0≤p1≤1,则采用单点交叉方式对配对后的两个个体在第λ个基因处执行交叉操作,λ∈{1,6,11},得到该配对后个体的交叉子代。
将所有交叉子代组成交叉种群。
步骤5,对交叉种群中的个体执行变异操作。
对交叉种群中的每一个个体执行变异操作,得到变异子代。
所述的对交叉种群中的每一个个体执行变异操作的方法如下:
对个体中的每一个基因生成一满足0-1均匀分布的随机数,对随机数小于p2的基因进行变异操作,0≤p2≤1,变异操作的步骤为:
第一步,若基因为R类基因,则将该基因重新设置为在[0,10]范围内随机选取的一个整数,以修改卷积神经网络的输入分辨率。
第二步,若基因为E类基因,则将该基因重新设置为在[0,2]范围内随机选取的一个整数,以修改对应子网络的输出通道倍数。
第三步,若基因为H类基因,则将该基因重新设置为在[1,3]范围内随机选取的一个整数,以修改对应下采样复值卷积层的卷积核尺寸。
第四步,若基因为K类基因,则将该基因重新设置为在[0,3]范围内随机选取的一个整数,以修改对应复值卷积层的卷积核尺寸,特别地,当该整数为0时,表示删除对应的复值卷积层。
将所有的变异子代组成变异种群。
步骤8,执行环境选择操作得到下一代种群Pt+1。
判断种群Pt′中的个体数量是否大于n1,n1≥30,若是,则将种群Pt′中的个体按适应度降序排序后,将前n1个个体组成种群Pt″,否则,将种群Pt′当作种群Pt″。
对种群Pt″中的个体执行结构简化的环境选择操作得到下一代种群Pt+1。
所述的对种群Pt″中的个体执行结构简化的环境选择操作得到下一代种群Pt+1是指:对种群Pt″中的个体按其对应卷积神经网络的训练耗时升序排序后,将前n2个个体组成下一代种群Pt+1,n2≥20,且n2为偶数。
步骤9,判断当前迭代次数是否小于最大迭代次数,若是,则令t=t+1后执行步骤4,否则,将当前迭代的种群作为最终种群后执行步骤10。
步骤10,选择最终种群中适应度最高的个体对应的训练好的卷积神经网络。
步骤11,将待分类的极化SAR图像输入到训练好的卷积神经网络中,并采用与步骤(3.8)相同的方法,计算该卷积神经网络对待分类的极化SAR图像中所有样本的分类精度,将该分类精度作为结果输出。
本发明的效果可以通过以下仿真实验具体说明。
1、仿真实验条件。
本发明的仿真实验的硬件条件为:联众工作站,CPU型号为Intel Xeon E5-2650,频率为2.3GHz,GPU型号为Nvidia GeForce RTX 2080Ti,显存11GB。
本发明的仿真实验的软件条件为:ubuntu 16.0系统,Python 3.7,PyTorch 1.5。
2、仿真内容及结果分析
本发明的仿真实验采用本发明与现有技术PDAS,分别对荷兰弗莱福兰省农业区极化SAR图像、美国旧金山极化SAR图像和德国奥伯法芬霍芬极化SAR图像中的标注样本进行分类测试。
现有技术PDAS是指,Hongwei Dong等人在其发表的论文“Automatic Design ofCNNs via Differentiable Neural Architecture Search for PolSAR ImageClassification”(IEEE Transactions on Geoscience and Remote Sensing,vol.58,no.9,pp.6362-6375,2020.)中提出的一种用于解决极化SAR图像地物分类问题的卷积神经网络结构搜索方法(PolSAR-tailored Differentiable Architecture Search,PDAS),简称PDAS。
本发明的仿真内容为:
仿真实验1是采用本发明与现有技术PDAS分别对荷兰弗莱福兰省农业区极化SAR图像进行仿真实验,荷兰弗莱福兰省农业区极化SAR图像是由美国宇航局/喷气推进实验室AIRSAR在1989年采集得到的,波段为L波段,图像尺寸为750×1024,其真实的标注图如图4(a)所示。图4(a)中一共有15种地物类型,图4(a)右侧图例颜色由深到浅依次表示豌豆,森林,草地,小麦1,大麦,豆类,裸土,苜蓿,小麦2,水域,甜菜,油菜,土豆,小麦3和建筑物,标注的样本总数为167712。仿真实验1对该图像中的15种类型的地物各采样300个标注样本组成训练集,其余标注样本组成验证集后进行仿真,得到本发明和现有技术PDAS对验证集中每个样本的分类结果,将本发明和现有技术PDAS得到的分类结果分别绘制成图4(b)和图4(c)所示的分类结果图。本发明和现有技术PDAS在荷兰弗莱福兰省农业区极化SAR图像上仿真得到的卷积神经网络的结构分别如图5(a)和图5(b)所示。
将图4(b)和图4(c)所示的分类结果图分别与图4(a)所示的真实标注图进行对比可见,在本发明方法得到的分类结果图中,除了极少量分类错误的样本外,绝大部分样本都取得了正确的分类结果,整体效果与图4(a)非常接近,而在现有技术PDAS得到的分类结果图中,部分类型的地物目标存在聚集性分类错误的样本。
对比图5(a)和图5(b)可见,本发明方法得到的卷积神经网络具有结构简单,参数量少的优点,能有效降低模型复杂度,提升了卷积神经网络的分类效率。
为了验证本发明仿真实验1的效果,利用每类地物分类精度、整体分类精度和平均分类精度这三种指标,分别对本发明方法和现有技术PDAS的分类结果进行量化。
利用下述的三种指标的计算公式,分别对仿真实验1结果中的各种类型的地物目标进行量化,结果如表1所示。
表1.仿真实验1的量化结果表
类型 | 本发明方法(%) | 现有技术PDAS(%) |
豌豆 | 99.87 | 99.25 |
森林 | 99.95 | 99.52 |
草地 | 99.43 | 98.86 |
小麦1 | 99.90 | 97.56 |
大麦 | 99.80 | 99.70 |
豆类 | 99.34 | 99.67 |
裸土 | 99.87 | 99.15 |
苜蓿 | 99.87 | 98.61 |
小麦2 | 99.38 | 97.99 |
水域 | 99.95 | 99.51 |
甜菜 | 99.51 | 96.97 |
油菜 | 99.53 | 97.53 |
土豆 | 99.80 | 99.05 |
小麦3 | 99.95 | 99.58 |
建筑物 | 97.48 | 99.54 |
整体分类精度 | 99.76 | 98.77 |
平均分类精度 | 99.58 | 98.83 |
由表1可以看出,本发明方法的整体精度相比现有技术PDAS提升了0.99%,平均精度相比现有技术PDAS提升了0.75%,在每类地物分类精度的对比中,除了豆类和建筑物这两种地物外,其他地物的分类精度相比现有技术PDAS均有所提升。
仿真实验2是采用本发明与现有技术PDAS分别对美国旧金山极化SAR图像进行仿真实验,美国旧金山极化SAR图像是由美国宇航局/喷气推进实验室AIRSAR在2008年采集得到的,波段为C波段,图像尺寸为1895×1419,其真实的标注图如图6(a)所示。图6(a)中一共有5种地物类型,图6(a)右侧图例颜色由深到浅依次表示裸土,水域,城市,建筑物和植被,标注的样本总数为1886740。仿真实验2对该图像中的5种类型的地物各采样300个标注样本组成训练集,其余标注样本组成验证集后进行仿真,得到本发明和现有技术PDAS对验证集中每个样本的分类结果,并将本发明和现有技术PDAS得到的分类结果分别绘制成图6(b)和图6(c)所示的分类结果图。本发明和现有技术PDAS在美国旧金山极化SAR图像上仿真得到的卷积神经网络的结构分别如图7(a)和图7(b)所示。
将图6(b)和图6(c)所示的分类结果图分别与图6(a)所示的真实标注图进行对比可见,在本发明方法得到的分类结果图中,除了少量分类错误的样本外,绝大部分样本都取得了正确的分类结果,整体效果更接近图6(a)所示的真实标注图,而在现有技术PDAS得到的分类结果图中,部分类型的地物存在大量聚集性分类错误的样本。
对比图7(a)和图7(b)可见,本发明方法得到的卷积神经网络具有结构简单,参数量少的优点,能有效降低模型复杂度,提升了卷积神经网络的分类效率。
为了验证本发明仿真实验2的效果,利用每类地物分类精度、整体分类精度和平均分类精度这三种指标,分别对本发明方法和现有技术PDAS的分类结果进行量化。
利用与仿真实验1相同的三种指标的计算公式,分别对仿真实验2结果中的各种类型的地物目标进行量化,结果如表2所示。
表2.仿真实验2的量化结果表
类型 | 本发明方法(%) | 现有技术PDAS(%) |
裸土 | 98.92 | 96.39 |
水域 | 99.95 | 99.87 |
城市 | 98.37 | 97.41 |
建筑物 | 98.99 | 95.46 |
植被 | 97.40 | 92.03 |
整体精度 | 99.17 | 97.55 |
平均精度 | 98.73 | 96.23 |
由表2可以看出,本发明方法的整体精度相比现有技术PDAS提升了1.62%,平均精度相比现有技术PDAS提升了2.50%,且在每类地物分类精度的对比中,本发明方法均取得了更高的分类精度。
仿真实验3是采用本发明与现有技术PDAS分别对德国奥伯法芬霍芬极化SAR图像进行仿真实验,德国奥伯法芬霍芬极化SAR图像是由德国ESAR机构在1999年采集得到的,波段为L波段,图像尺寸为1300×1200,其真实的标注图如图8(a)所示。图8(a)中一种有3种地物类型,图8(a)右侧图例颜色由深到浅依次表示建筑区,林地和开放区域,标注的样本总数为1385269。仿真实验3对该图像中的3种类型的地物各采样300个标注样本组成训练集,其余标注样本组成验证集后进行仿真,得到本发明和现有技术PDAS对验证集中每个样本的分类结果,并将本发明和现有技术PDAS得到的分类结果分别绘制成图8(b)和图8(c)所示的分类结果图。本发明和现有技术PDAS在德国奥伯法芬霍芬极化SAR图像上仿真得到的卷积神经网络的结构分别如图9(a)和图9(b)所示。
将图8(b)和图8(c)所示的分类结果图分别与图8(a)所示的真实标注图进行对比可见,在本发明方法得到的分类结果图中,部分类型的地物目标存在少量聚集性分类错误的样本,整体效果更接近图8(a)所示的真实标注图,而在现有技术PDAS得到的分类结果图中,部分类型的地物目标存在大量聚集性分类错误的样本。
对比图9(a)和图9(b)可见,本发明方法得到的卷积神经网络具有结构简单,参数量少的优点,能有效降低模型复杂度,提升了卷积神经网络的分类效率。
为了验证本发明仿真实验3的效果,利用每类地物分类精度、整体分类精度和平均分类精度这三种指标,分别对本发明方法和现有技术PDAS的分类结果进行量化。
利用与仿真实验1相同的三种指标的计算公式,分别对仿真实验3结果中的各种类型的地物目标进行量化,结果如表3所示。
表3.仿真实验3的量化结果表
类型 | 本发明方法(%) | 现有技术PDAS(%) |
建筑区 | 94.60 | 87.73 |
林地 | 97.18 | 91.94 |
开放区域 | 94.00 | 93.62 |
整体精度 | 94.76 | 91.60 |
平均精度 | 95.26 | 91.10 |
由表3可以看出,本发明方法的整体精度相比现有技术PDAS提升了3.16%,平均精度相比现有技术PDAS提升了4.16%,且在每类地物分类精度的对比中,本发明方法均取得了更高的分类精度。
综合上述三个仿真实验所得的结果可见,本发明提出的基于进化卷积神经网络的极化SAR图像分类方法,具有自动确定适合待分类极化SAR图像的卷积神经网络结构的优点,能大幅提高了对地物目标的分类精度,取得了更接近真实标注图的分类效果,实现了极化SAR图像的高精度地物分类。
Claims (9)
1.一种基于进化卷积神经网络的极化SAR图像分类方法,其特征在于,将构建的初始种群中的个体解码为卷积神经网络,将卷积神经网络的分类精度作为个体的适应度,通过选择、交叉和变异操作对初始种群进行迭代更新后,使用适应度最高的个体对应的卷积神经网络计算对待分类的极化SAR图像的分类精度;该方法的步骤包括如下:
(1)生成训练集和验证集:
从输入的极化SAR图像真实的地物标注中采样至少100个标注样本组成训练集,其余的标注样本组成验证集;
(2)初始化种群:
(2a)生成由R/E/H/K四类基因组成的编码长度为16的个体;
(2b)将至少20个个体组成种群Pt,t=0,t表示当前迭代次数;
(3)计算种群Pt中每个个体的适应度;
(3a)将种群Pt中的个体解码为卷积神经网络;
(3b)将卷积神经网络的初始学习率设置为0.001,精度下降计数器设置为0,最大分类精度设置为0;
(3c)将训练集输入到卷积神经网络中;
(3d)利用神经网络权重更新公式,通过梯度下降法迭代更新卷积神经网络的权重值,并保存当前迭代权重值的分类精度;
(3e)判断当前迭代权重值的分类精度是否大于最大分类精度,若是,则将最大分类精度更新为当前迭代权重值的分类精度,并将精度下降计数器重置为0后执行步骤(3d),否则,将精度下降计数器增加1后执行步骤(3f);
(3f)判断精度下降计数器是否小于等于3,若是,则执行步骤(3d),否则,利用学习率更新公式对学习率进行更新,并将精度下降计数器重置为0后执行步骤(3g);
(3g)判断更新后的学习率是否小于0.00001,若是,则停止卷积神经网络的训练,得到训练好的卷积神经网络,并保存训练耗时后执行步骤(3h),否则,执行步骤(3d);
(3h)将验证集输入到训练好的卷积神经网络中,并计算卷积神经网络对验证集的分类精度后,将对验证集的分类精度作为个体的适应度;
(3i)将种群Pt中剩余的每个个体均按照步骤(3b)到步骤(3h)进行处理;
(4)对种群Pt中的个体执行交叉操作:
(4a)将种群Pt中的个体随机两两配对;
(4b)对每一配对后的个体对生成一满足0-1均匀分布的随机数,若该随机数小于p1,0≤p1≤1,则采用单点交叉方式对配对后的两个个体在第λ个基因处执行交叉操作,λ∈{1,6,11},得到该配对后个体的交叉子代;
(4c)将所有交叉子代组成交叉种群;
(5)对交叉种群中的个体执行变异操作:
(5a)对交叉种群中的每一个个体执行变异操作,得到变异子代;
(5b)将所有的变异子代组成变异种群;
(8)执行环境选择操作得到下一代种群Pt+1:
(8b)判断种群Pt′中的个体数量是否大于n1,n1≥30,若是,则将种群Pt′中的个体按适应度降序排序后,将前n1个个体组成种群Pt″,否则,将种群Pt′当作种群Pt″;
(8c)对种群Pt″中的个体执行结构简化的环境选择操作得到下一代种群Pt+1;
(9)判断当前迭代次数是否小于最大迭代次数,若是,则令t=t+1后执行步骤(4),否则,将当前迭代的种群作为最终种群后执行步骤(10);
(10)选择最终种群中适应度最高的个体对应的训练好的卷积神经网络;
(11)将待分类的极化SAR图像输入到训练好的卷积神经网络中,并采用与步骤(3h)相同的方法,计算该卷积神经网络对待分类的极化SAR图像中所有样本的分类精度,将该分类精度作为结果输出。
2.根据权利要求1所述的基于进化卷积神经网络的极化SAR图像分类方法,其特征在于:步骤(2a)中所述的生成由R/E/H/K四类基因组成的编码长度为16的个体的结构为:
[R,E1,H1,K1,1,K1,2,K1,3,E2,H2,K2,1,K2,2,K2,3,E3,H3,K3,1,K3,2,K3,3]
其中,R表示对卷积神经网络输入分辨率的编码的R类基因,其值为在[0,10]范围内随机选取的一个整数,将R基因后的15个基因划分为与卷积神经网络第一、第二和第三个子网络的编码对应的三组基因,分别为基因组E1,H1,K1,1,K1,2,K1,3、E2,H2,K2,1,K2,2,K2,3和E3,H3,K3,1,K3,2,K3,3,E1,E2,E3分别表示对卷积神经网络中第一、第二和第三个子网络输出通道倍数的编码的E类基因,其值分别为在[0,2]范围内随机选取的一个整数,H1,H2,H3分别表示对第一、第二和第三个子网络中第一个复值卷积层的卷积核尺寸的编码的H类基因,其值分别为在[1,3]范围内随机选取的一个整数,K1,1,K1,2,K1,3,K2,1,K2,2,K2,3,K3,1,K3,2,K3,3均为K类基因,其值分别为在[0,3]范围内随机选取的一个整数,K1,1,K1,2,K1,3分别表示对第一个子网络中第二、第三和第四个复值卷积层的卷积核尺寸的编码,K2,1,K2,2,K2,3分别表示对第二个子网络中第二、第三和第四个复值卷积层的卷积核尺寸的编码,K3,1,K3,2,K3,3分别表示对第三个子网络中第二、第三和第四个复值卷积层的卷积核尺寸的编码。
3.根据权利要求1所述的基于进化卷积神经网络的极化SAR图像分类方法,其特征在于:步骤(3a)中所述的将种群Pt中的个体解码为卷积神经网络的步骤如下:
第七步,设置三个子网络的输出通道基数分别为16、32和64,并将三个子网络级联成卷积神经网络;
第八步,将卷积神经网络的每一个复值卷积层的输出通道数设置为其所属子网络的输出通道基数与输出通道倍数的乘积;
6.根据权利要求1所述的基于进化卷积神经网络的极化SAR图像分类方法,其特征在于:步骤(3f)中所述的学习率更新公式为:
lr*=ε×lr
其中,lr*表示当前迭代更新的学习率,ε表示学习率的衰减系数,其值为0.1,lr表示上一次迭代更新的学习率。
8.根据权利要求1所述的基于进化卷积神经网络的极化SAR图像分类方法,其特征在于:步骤(5a)中所述的对交叉种群中的每一个个体执行变异操作的方法如下:
对个体中的每一个基因生成一满足0-1均匀分布的随机数,对随机数小于p2的基因进行变异操作,0≤p2≤1,变异操作的步骤为:
第一步,若基因为R类基因,则将该基因重新设置为在[0,10]范围内随机选取的一个整数,以修改卷积神经网络的输入分辨率;
第二步,若基因为E类基因,则将该基因重新设置为在[0,2]范围内随机选取的一个整数,以修改对应子网络的输出通道倍数;
第三步,若基因为H类基因,则将该基因重新设置为在[1,3]范围内随机选取的一个整数,以修改对应下采样复值卷积层的卷积核尺寸;
第四步,若基因为K类基因,则将该基因重新设置为在[0,3]范围内随机选取的一个整数,以修改对应复值卷积层的卷积核尺寸,特别地,当该整数为0时,表示删除对应的复值卷积层。
9.根据权利要求1所述的基于进化卷积神经网络的极化SAR图像分类方法,其特征在于:步骤(8c)中所述的对种群Pt″中的个体执行结构简化的环境选择操作得到下一代种群Pt+1是指:对种群Pt″中的个体按其对应卷积神经网络的训练耗时升序排序后,将前n2个个体组成下一代种群Pt+1,n2≥20,且n2为偶数。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110698127.5A CN113420812B (zh) | 2021-06-23 | 2021-06-23 | 基于进化卷积神经网络的极化sar图像分类方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110698127.5A CN113420812B (zh) | 2021-06-23 | 2021-06-23 | 基于进化卷积神经网络的极化sar图像分类方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN113420812A true CN113420812A (zh) | 2021-09-21 |
CN113420812B CN113420812B (zh) | 2024-04-19 |
Family
ID=77717541
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110698127.5A Active CN113420812B (zh) | 2021-06-23 | 2021-06-23 | 基于进化卷积神经网络的极化sar图像分类方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113420812B (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114943866A (zh) * | 2022-06-17 | 2022-08-26 | 之江实验室 | 基于进化神经网络结构搜索的图像分类方法 |
Citations (8)
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 |
CN106203444A (zh) * | 2016-07-01 | 2016-12-07 | 西安电子科技大学 | 基于条带波与卷积神经网络的极化sar图像分类方法 |
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 |
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 |
CN110728324A (zh) * | 2019-10-12 | 2020-01-24 | 西安电子科技大学 | 基于深度复值全卷积神经网络的极化sar图像分类方法 |
WO2020037960A1 (zh) * | 2018-08-21 | 2020-02-27 | 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 |
US20210003700A1 (en) * | 2019-07-02 | 2021-01-07 | Wuyi University | Method and apparatus for enhancing semantic features of sar image oriented small set of samples |
WO2021023202A1 (zh) * | 2019-08-07 | 2021-02-11 | 交叉信息核心技术研究院(西安)有限公司 | 一种卷积神经网络的自蒸馏训练方法、设备和可伸缩动态预测方法 |
-
2021
- 2021-06-23 CN CN202110698127.5A patent/CN113420812B/zh active Active
Patent Citations (8)
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 |
CN106203444A (zh) * | 2016-07-01 | 2016-12-07 | 西安电子科技大学 | 基于条带波与卷积神经网络的极化sar图像分类方法 |
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 |
WO2020037960A1 (zh) * | 2018-08-21 | 2020-02-27 | 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 |
US20210003700A1 (en) * | 2019-07-02 | 2021-01-07 | Wuyi University | Method and apparatus for enhancing semantic features of sar image oriented small set of samples |
WO2021023202A1 (zh) * | 2019-08-07 | 2021-02-11 | 交叉信息核心技术研究院(西安)有限公司 | 一种卷积神经网络的自蒸馏训练方法、设备和可伸缩动态预测方法 |
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 |
CN110728324A (zh) * | 2019-10-12 | 2020-01-24 | 西安电子科技大学 | 基于深度复值全卷积神经网络的极化sar图像分类方法 |
Non-Patent Citations (1)
Title |
---|
张腊梅;陈泽茜;邹斌;: "基于3D卷积神经网络的PolSAR图像精细分类", 红外与激光工程, no. 07 * |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114943866A (zh) * | 2022-06-17 | 2022-08-26 | 之江实验室 | 基于进化神经网络结构搜索的图像分类方法 |
CN114943866B (zh) * | 2022-06-17 | 2024-04-02 | 之江实验室 | 基于进化神经网络结构搜索的图像分类方法 |
Also Published As
Publication number | Publication date |
---|---|
CN113420812B (zh) | 2024-04-19 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN113011499B (zh) | 一种基于双注意力机制的高光谱遥感图像分类方法 | |
CN110321963B (zh) | 基于融合多尺度多维空谱特征的高光谱图像分类方法 | |
Zou et al. | Deep learning based feature selection for remote sensing scene classification | |
CN109829420B (zh) | 一种基于改进蚁狮优化算法的高光谱图像的特征选择方法 | |
Wang et al. | Transferring CNN with adaptive learning for remote sensing scene classification | |
Feng et al. | Hyperspectral band selection based on trivariate mutual information and clonal selection | |
CN109034224B (zh) | 基于双分支网络的高光谱分类方法 | |
CN112232280A (zh) | 基于自编码器与3d深度残差网络的高光谱图像分类方法 | |
Dong et al. | Automatic design of CNNs via differentiable neural architecture search for PolSAR image classification | |
CN110263227A (zh) | 基于图神经网络的团伙发现方法和系统 | |
CN106778921A (zh) | 基于深度学习编码模型的人员再识别方法 | |
CN106355151A (zh) | 一种基于深度置信网络的三维sar图像目标识别方法 | |
CN114488140B (zh) | 一种基于深度迁移学习的小样本雷达一维像目标识别方法 | |
CN109960738A (zh) | 基于深度对抗哈希学习的大规模遥感影像内容检索方法 | |
CN103390063A (zh) | 一种基于蚁群算法和概率超图的相关反馈图像检索方法 | |
CN110119805B (zh) | 基于回声状态网络分类的卷积神经网络算法 | |
CN113344045B (zh) | 一种结合hog特征提高sar船只分类精度的方法 | |
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 | |
CN113095416B (zh) | 基于混合损失与图注意力的小样本sar目标分类方法 | |
CN110766084A (zh) | 基于cae与hl-cnn的小样本sar目标识别方法 | |
Sun et al. | Unsupervised Multi-Level Non-Negative Matrix Factorization Model: Binary Data Case. | |
Tun et al. | Multi-classification of satellite imagery using fully convolutional neural network | |
CN113420812A (zh) | 基于进化卷积神经网络的极化sar图像分类方法 | |
CN110083734A (zh) | 基于自编码网络和鲁棒核哈希的半监督图像检索方法 | |
CN116482618B (zh) | 基于多损失特征自校准网络的雷达有源干扰识别方法 |
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 |