CN113468939A - 一种基于监督最小化深度学习模型的sar目标识别方法 - Google Patents

一种基于监督最小化深度学习模型的sar目标识别方法 Download PDF

Info

Publication number
CN113468939A
CN113468939A CN202011372342.8A CN202011372342A CN113468939A CN 113468939 A CN113468939 A CN 113468939A CN 202011372342 A CN202011372342 A CN 202011372342A CN 113468939 A CN113468939 A CN 113468939A
Authority
CN
China
Prior art keywords
sample
model
training
samples
classification model
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.)
Pending
Application number
CN202011372342.8A
Other languages
English (en)
Inventor
于雪莲
任浩浩
陈智伶
李相东
周云
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
University of Electronic Science and Technology of China
Original Assignee
University of Electronic Science and Technology of China
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by University of Electronic Science and Technology of China filed Critical University of Electronic Science and Technology of China
Priority to CN202011372342.8A priority Critical patent/CN113468939A/zh
Publication of CN113468939A publication Critical patent/CN113468939A/zh
Pending legal-status Critical Current

Links

Images

Classifications

    • 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
    • G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
    • 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
    • G06N3/044—Recurrent networks, e.g. Hopfield 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
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/047—Probabilistic or stochastic 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)
  • General Physics & Mathematics (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Artificial Intelligence (AREA)
  • General Engineering & Computer Science (AREA)
  • Evolutionary Computation (AREA)
  • Biomedical Technology (AREA)
  • Mathematical Physics (AREA)
  • General Health & Medical Sciences (AREA)
  • Molecular Biology (AREA)
  • Computing Systems (AREA)
  • Biophysics (AREA)
  • Health & Medical Sciences (AREA)
  • Computational Linguistics (AREA)
  • Software Systems (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Evolutionary Biology (AREA)
  • Probability & Statistics with Applications (AREA)
  • Image Analysis (AREA)

Abstract

本发明公开了一种监督最小化深度学习模型的SAR目标识别方法。该方法的主要流程：首先从训练样本集中随机抽取样本并做类别标注，利用数据增强技术对标签样本进行数据扩增，得到初始训练样本集；然后构建贝叶斯卷积神经网络分类模型，即在浅层卷积神经网络的每一个卷积层和全连接层后部署dropout层；接着，采用双重损失函数，利用初始训练样本集训练贝叶斯卷积神经网络分类模型；最后，使用一种新的样本选择策略从无标签样本集中筛选并标注新样本，将新标注的样本与原有的标记样本一同用于训练贝叶斯卷积神经网络分类模型，达到一定的迭代次数后终止训练。通过在MSTAR数据集上进行仿真实验，证明了本发明中的方法可以用较少的标记样本逐步学习一个稳健的深度分类模型。

Description

一种基于监督最小化深度学习模型的SAR目标识别方法
技术领域
本发明应用于合成孔径雷达(synthetic aperture radar,SAR)自动目标识别领域，特别涉及一种SAR自动目标识别的方法。
背景技术
近年来，深度学习在SAR自动目标识别上得到广泛应用。相比于传统的两阶段自动目标识别技术，基于深度学习的自动目标识别模型能够在短时间内准确检测出成像场景中潜在目标区域、并以端到端的方式完成目标特征提取和目标型号鉴别。由于基于深度学习的自动目标识别模型具有强大的特征表征能力，其在公开的MSTAR基准数据集上的识别性能远优于传统自动目标识别算法。然而，标注大量训练样本是训练深度分类模型的首要任务。众所周知，采集大量SAR图像是非常困难甚至在多数情况下是不可能实现的。另外，不同于光学与红外图像，SAR图像特征的非直观性给图像解译带来重大挑战。因此，SAR图像标注成为一项耗时耗力的工程。主动学习能够在较低的样本标注代价下获得高精度的分类模型，但通过深度学习与主动学习来实现稳健的SAR目标识别存在两方面不足。一方面，在标注标本数较少的初始阶段，深度学习模型不能稳健地学习且容易出现过拟合现象；另一方面，仅通过主动学习来标注样本仍是代价昂贵的。结合以上情况，本文提出了一种基于监督最小化深度学习模型的SAR目标识别方法，它能够在较少的标记样本情况下迭代学习一个鲁棒的分类模型。
发明内容
本发明针对上述深度学习在SAR目标识别中的不足以及综合考虑样本识别代价，提出一种基于监督最小化深度学习方法用于实现SAR自动目标识别。
本发明为解决上述技术问题所采用的技术方案为：在模型训练初期，手工标注少量SAR图像，并使用常见的数据扩增技术(翻转、平移、反转)进行数据扩增；考虑到扩增后的有标签SAR图像数量仍然较少，卷积神经网络模型无法稳健地学习且容易过拟合；为此，将贝叶斯推理引入到卷积神经网络的参数优化过程，并首先利用扩增后有标签的SAR图像训练一个初始的分类模型。考虑到这个初始分类模型的泛化能力有限且剩余未标注的大量SAR图像中含有更多鉴别信息；因此，提出一种低成本的样本选择策略来标注未标记的SAR图像。具体来说，通过主动学习策略从未标记样本池中选择当前模型无法判别的低置信度样本并做人工标注，通过自步长学习策略从未标记样本池中选择当前模型判别代价较小的高置信度样本并完成自动标注。然后，将这些新标注的SAR图像与原始有标签的SAR图像混合形成新的训练集并做数据扩增；最后利用扩增后的数据集来迭代训练当前的分类模型，当模型达到一定的识别精度或者达到样本的采样次数上限，终止模型训练。在训练过程中，为了提取更鉴别的特征，采用一个双重损失函数来训练模型参数。因而本发明技术方案为一种基于监督最小化深度学习模型的SAR目标识别方法，该方法步骤如下：
步骤1：从采集的SAR图像数据集中随机采样少量样本并标注；
步骤2：考虑到较少的标注样本无法实现稳健的深度模型训练，采用平移，旋转和反转的方法对有标签样本进行数据扩增，将扩增后的样本作为初始训练样本集；
步骤3：设计浅层的卷积神经网络分类模型，将贝叶斯推理引入到网络参数优化过程来缓解因训练样本不足而导致模型产生过拟合的现象；
步骤4：利用步骤2中得到的初始训练样本集，对步骤3中得到的分类模型进行训练；
步骤4.1：采用一种双重损失函数来训练模型，损失函数定义如下：
L＝LS+γLc
其中，Ls表示softmax损失函数，γ表示为平衡softmax损失与中心损失函数的权重超参数，Lc是中心损失函数；
步骤4.2：采用带动量的随机梯度下降算法来优化分类模型；
步骤4.3：利用初始标记的训练样本集训练初始分类模型；
步骤5：从未标记的SAR图像中进行采样并作样本标注，将新标注的样本与初始标注样本混合后用于模型训练；
步骤5.1：通过主动学习从大量未标记SAR图像数据集中选择当前分类模型无法判别的低置信度样本，并人工完成标注；
步骤5.2：通过自步长学习从未标记的样本集中选择当前模型判别代价最小的高置信度样本，并依据当前分类模型做伪标注；
步骤5.3：将人工标记样本，伪标记样本以及初始标记样本混合后进行数据扩增，扩增后的数据作为新的训练集再次训练和更新分类模型参数；循环步骤5，判断迭代次数是否等于设定次数，若是，结束训练，否则，继续迭代；
步骤6：捕获SAR目标图像，利用上述步骤学习到的分类模型进行目标身份鉴别。
进一步的，所述步骤3中神经网络的中心损失函数被考虑作为模型优化的损失函数，定义为：
Figure BDA0002806506520000031
其中，m是批量大小，
Figure BDA0002806506520000032
代表从x样本中提取的特征，yi是x样本对应的类标识，
Figure BDA0002806506520000033
表示类标识yi对应的类中心。
进一步的，所述步骤5.1中选择BvSB方法作为主动学习策略，其样本选取的数学模型为：
Figure BDA0002806506520000034
其中，pf(xi)表示样本xi的最高分类概率，ps(xi)表示样本xi的第二高的分类概率；在BvSB中，最高分类概率与第二高分类概率差值最小的样本被选择进行标注。
本发明步骤5.2中的伪标记与步骤5.1中的主动标记协同完成样本的标注。通过这种协同标记过程，从大量的无标签样本集中挖掘出有利于优化当前深度分类模型的更多训练样本。另外，步骤5.2中的伪标记过程可以协同步骤5.1中主动标记来标记更多样本，可缓解步骤5.1中主动标记的标记成本。本发明由于将贝叶斯推理思想引入到卷积神经网络的参数优化过程中，可以实现在标注样本较少的情况下迭代学习一个鲁棒的分类模型。另外，本发明设计了一种低成本的样本采样策略，这在很大程度上降低了样本标注成本。同时，为了学习更鉴别的分类特征，设计了一种双重损失函数。
附图说明
图1是本发明的实现流程图；
图2是在每一轮学习过程中高置信度样本伪标签的平均错误率。
具体实施方式
以下将针对本文的发明内容结合附图和具体实施例进行详细阐述，以便于更好地体现出本发明的技术要点。本发明是一种基于监督最小化深度学习模型的SAR目标识别方法，实施步骤流程如图1所示，各步骤具体按照以下方式实施：
步骤1：采集SAR目标训练集，从训练集中随机抽取样本并做类别标注；
步骤1.1：本实施例使用MSTAR基准数据集中俯仰角为15度及17度的十类地面车辆目标。在实验中，将17度俯仰角下采集的SAR图像用于模型训练，15度俯仰角下采集的SAR图像用于模型测试。MSATR数据集中的原始SAR切片图像为128×128像素，每类目标的序列号及样本数如表1所示；
步骤1.2：为了减少背景冗余，将所有SAR图像裁剪为64×64像素的感兴趣区域；
步骤1.3：从每类目标的训练集中随机抽取10个样本并人工标注类别，记为R0；
步骤2：利用数据扩增技术(包括平移，旋转和反转)对步骤1.3中得到的有标签训练样本进行样本扩增，得到初始训练样本集R1；
步骤3：设计一个浅层卷积神经网络分类模型，为了提取更鉴别的特征，采用双重损失函数作为损失函数；另外，为了保证模型可以在小数据集上稳健地学习，将贝叶斯推理思想引入到卷积神经网络参数的优化过程中；
步骤3.1：浅层卷积神经网络参数配置如表2所示；
步骤3.2：为了通过增强模型内聚合能力来提取鉴别的特征，中心损失也被考虑作为模型优化的损失函数之一，其定义为：
Figure BDA0002806506520000041
其中，m是批量大小，
Figure BDA0002806506520000042
代表从x样本中提取的特征，yi是x样本对应的类标识，
Figure BDA0002806506520000043
表示类标识yi对应的类中心；另外，也采用交叉熵损失来优化模型；因此，模型的总损失定义如下：
L＝LS+γLc
其中，γ为平衡softmax损失与中心损失函数的权重超参数；
步骤3.3：为了实现卷积神经网络参数的贝叶斯推理，一种简单但有效的方法是在每层卷积层与全连接层后部署dropout层；在本发明中，dropout层的参数配置见表2；
步骤4：利用初始训练样本集训练一个初始分类模型，采用带动量的随机梯度下降算法来优化模型；
步骤4.1：随机梯度下降算法的参数设置为：学习率为0.001、动量为0.8、衰减为0.001；
步骤4.2：利用初始标记的训练样本集R1训练初始分类模型；
步骤5：使用一种低成本的样本选择策略来迭代选择、标注新样本，并将新标注的样本与原始所有的标记样本一同用于分类模型训练；
步骤5.1：通过主动学习策略从大量未标记的训练样本集中选择当前分类模型较难判别的低置信度样本并对其做人工标注；选择BvSB方法作为主动学习策略，其样本选取的数学模型如下：
Figure BDA0002806506520000044
其中，pf(xi)表示样本xi的最高分类概率，ps(xi)表示样本xi的第二高的分类概率；在BvSB中，最高分类概率与第二高分类概率差值最小的样本被选择进行标注；为了提高样本选择效率，本发明中每次选择n个样本进行人工标注，实验中n设为40；
步骤5.2：通过自步长学习策略从大量未标记的训练样本集中选择当前分类模型判别代价最低的高置信度样本，并依据当前分类模型对其做伪标签。具体实现方式为：首先利用当前模型为每个未标记样本进行标签预测，然后为每个未标记样本分配一个样本权重来表征该样本对当前模型的重要性。样本xi的权重vi可根据如下计算：
Figure BDA0002806506520000051
其中，yi表示预测标签，L是模型损失函数，w是模型参数，λ为给定阈值。上式中，当未标记样本的损失函数小于预设的阈值λ时，将其权重vi设为1，对应的样本xi即为高置信度样本，当前模型预测的标签就为对应的伪标签。
步骤5.3：将人工标记样本，伪标记样本以及初始标记样本作为新一轮的训练集来训练和更新分类模型参数。重复步骤5，判断迭代次数是否等于设定次数，若是，结束训练，否则，继续迭代。
步骤6：采集SAR目标测试图像，利用学习到的深度分类模型进行目标身份鉴别。
本发明的效果可通过以下仿真进一步说明。
1.仿真条件：
本仿真实验使用MSTAR基准数据集中在15度及17度俯仰角下采集的十类地面车辆目标。仿真环境及平台：PyTorch 3.7,Intel(R)Core(TM)i7-9750 CPU@2.60GHz,24.0GRAM,NVIDIA GeForce RTX 2060GPU。
2.仿真内容与结果：
仿真一：验证贝叶斯推理在本发明中的有效性。
在本仿真中，模型1表示有贝叶斯推理的卷积神经网络，模型2表示没有使用贝叶斯推理的卷积神经网络。首先在每类训练样本中随机分别采样20，40，60个样本并标注，然后将这些样本分别用于模型训练。实验重复10次，定量实验结果以平均总准确度(overallaccuracy,OA)和标准偏差(standard deviation,STD)形式汇总在表3。从实验结果可看出，在卷积神经网络中引入贝叶斯思想可改善分类模型在小数据集上学习的稳定性。这证明了在本发明的模型中引入贝叶斯思想的有效性和必要性。
仿真二：评估伪标记过程的可靠性。
本仿真研究了高置信度样本伪标记的准确度。在第一次迭代中，通过自步长学习选择30个高置信度的样本做伪标签，随后的每次迭代中，选择的样本数是前一次的两倍，共进行10轮样本选择和模型更新，实验重复10次，实验结果见图2。从实验结果可看出，随着学习标注轮数的增加，给高置信度样本分配的伪标签具有很高的准确性。
仿真三：评估和比较本发明算法的有效性与优越性。
本仿真评估了本文算法的有效性。在仿真中，三种基于主动学习的深度学习算法被作为比较方法，实验结果记录了分类模型在迭代学习过程中目标识别的平均准确度和标准差，详见表5。实验结果证明了本文中提出算法的有效性，也表明在较低标注代价情况下，本发明中算法的识别性能优于比较方法。
上述说明给出并描述了发明应用的实施例，但如前所述，应当理解本发明并非局限于本文所披露的形式，不应看作是对其他实施例的排除，而可用于各种其他组合、修改和环境，并能够在本文所述发明构想范围内，通过上述教导或相关领域的技术或知识进行改动。而本领域人员所进行的改动和变化不脱离发明的精神和范围，则都应在发明所附权利要求的保护范围内。
表1.MSTAR数据集中十类目标数据的详细情况
Figure BDA0002806506520000061
表2.本发明中的网络参数配置
Figure BDA0002806506520000071
表3.研究贝叶斯推理在本发明中有效性的实验结果
Figure BDA0002806506520000072
表4.本发明的算法与其他三种算法的识别性能比较
Figure BDA0002806506520000081

Claims (4)

1.一种基于监督最小化深度学习模型的SAR目标识别方法，该方法步骤如下：
步骤1：从采集的SAR图像数据集中随机采样少量样本并标注；
步骤2：考虑到较少的标注样本无法实现稳健的深度模型训练，采用平移，旋转和反转的方法对有标签样本进行数据扩增，将扩增后的样本作为初始训练样本集；
步骤3：设计浅层的卷积神经网络分类模型，将贝叶斯推理引入到网络参数优化过程来缓解因训练样本不足而导致模型产生过拟合的现象；
步骤4：利用步骤2中得到的初始训练样本集，对步骤3中得到的分类模型进行训练；
步骤4.1：采用一种双重损失函数来训练模型，损失函数定义如下：
L＝LS+γLc
其中，Ls表示softmax损失函数，γ表示为平衡softmax损失与中心损失函数的权重超参数，Lc是中心损失函数；
步骤4.2：采用带动量的随机梯度下降算法来优化分类模型；
步骤4.3：利用初始标记的训练样本集训练初始分类模型；
步骤5：从未标记的SAR图像中进行采样并作样本标注，将新标注的样本与初始标注样本混合后用于模型训练；
步骤5.1：通过主动学习从大量未标记SAR图像数据集中选择当前分类模型无法判别的低置信度样本，并人工完成标注；
步骤5.2：通过自步长学习从未标记的样本集中选择当前模型判别代价最小的高置信度样本，并依据当前分类模型做伪标注；
步骤5.3：将人工标记样本，伪标记样本以及初始标记样本混合后进行数据扩增，扩增后的数据作为新的训练集再次训练和更新分类模型参数；循环步骤5，判断迭代次数是否等于设定次数，若是，结束训练，否则，继续迭代；
步骤6：捕获SAR目标图像，利用上述步骤学习到的分类模型进行目标身份鉴别。
2.如权利要求1所述的一种基于监督最小化深度学习模型的SAR目标识别方法，其特征在于所述步骤3中神经网络的中心损失函数被考虑作为模型优化的损失函数，定义为：
Figure FDA0002806506510000011
其中，m是批量大小，
Figure FDA0002806506510000012
代表从x样本中提取的特征，yi是x样本对应的类标识，
Figure FDA0002806506510000013
表示类标识yi对应的类中心。
3.如权利要求1所述的一种基于监督最小化深度学习模型的SAR目标识别方法，其特征在于所述步骤5.1中选择BvSB方法作为主动学习策略，其样本选取的数学模型为：
Figure FDA0002806506510000021
其中，pf(xi)表示样本xi的最高分类概率，ps(xi)表示样本xi的第二高的分类概率；在BvSB中，最高分类概率与第二高分类概率差值最小的样本被选择进行标注。
4.如权利要求1所述的一种基于监督最小化深度学习模型的SAR目标识别方法，其特征在于所述步骤5.2中选择自步长学习方法作为样本伪标记策略，样本的权重vi表示样本xi是否被伪标记，vi＝1表示样本xi被选择进行伪标记；否则，不被标记，计算vi的数学模型为：
Figure FDA0002806506510000022
其中，L是模型的损失函数，f表示深度分类模型，w是深度模型参数，λ是超参数。
CN202011372342.8A 2020-11-30 2020-11-30 一种基于监督最小化深度学习模型的sar目标识别方法 Pending CN113468939A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202011372342.8A CN113468939A (zh) 2020-11-30 2020-11-30 一种基于监督最小化深度学习模型的sar目标识别方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202011372342.8A CN113468939A (zh) 2020-11-30 2020-11-30 一种基于监督最小化深度学习模型的sar目标识别方法

Publications (1)

Publication Number Publication Date
CN113468939A true CN113468939A (zh) 2021-10-01

Family

ID=77868303

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202011372342.8A Pending CN113468939A (zh) 2020-11-30 2020-11-30 一种基于监督最小化深度学习模型的sar目标识别方法

Country Status (1)

Country Link
CN (1) CN113468939A (zh)

Cited By (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114140637A (zh) * 2021-10-21 2022-03-04 阿里巴巴达摩院(杭州)科技有限公司 图像分类方法、存储介质和电子设备
CN114529767A (zh) * 2022-02-18 2022-05-24 厦门大学 基于双阶段对比学习框架的小样本sar目标识别方法
CN115082955A (zh) * 2022-05-12 2022-09-20 华南理工大学 一种深度学习全局优化方法、识别方法、装置及介质
CN118072834A (zh) * 2024-04-17 2024-05-24 笑纳科技(苏州)有限公司 一种基于主动学习的染色体多分类方法

Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN108764281A (zh) * 2018-04-18 2018-11-06 华南理工大学 一种基于半监督自步学习跨任务深度网络的图像分类方法
CN108985334A (zh) * 2018-06-15 2018-12-11 广州深域信息科技有限公司 基于自监督过程改进主动学习的通用物体检测系统及方法
CN109818929A (zh) * 2018-12-26 2019-05-28 天翼电子商务有限公司 基于主动自步学习的未知威胁感知方法、系统、存储介质、终端
CN111160268A (zh) * 2019-12-30 2020-05-15 北京化工大学 一种基于多任务学习的多角度sar目标识别方法
CN111414942A (zh) * 2020-03-06 2020-07-14 重庆邮电大学 一种基于主动学习和卷积神经网络的遥感图像分类方法
CN111652317A (zh) * 2020-06-04 2020-09-11 郑州科技学院 基于贝叶斯深度学习的超参数图像分割方法
CN112001270A (zh) * 2020-08-03 2020-11-27 南京理工大学 基于一维卷积神经网络的地面雷达自动目标分类识别方法

Patent Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN108764281A (zh) * 2018-04-18 2018-11-06 华南理工大学 一种基于半监督自步学习跨任务深度网络的图像分类方法
CN108985334A (zh) * 2018-06-15 2018-12-11 广州深域信息科技有限公司 基于自监督过程改进主动学习的通用物体检测系统及方法
CN109818929A (zh) * 2018-12-26 2019-05-28 天翼电子商务有限公司 基于主动自步学习的未知威胁感知方法、系统、存储介质、终端
CN111160268A (zh) * 2019-12-30 2020-05-15 北京化工大学 一种基于多任务学习的多角度sar目标识别方法
CN111414942A (zh) * 2020-03-06 2020-07-14 重庆邮电大学 一种基于主动学习和卷积神经网络的遥感图像分类方法
CN111652317A (zh) * 2020-06-04 2020-09-11 郑州科技学院 基于贝叶斯深度学习的超参数图像分割方法
CN112001270A (zh) * 2020-08-03 2020-11-27 南京理工大学 基于一维卷积神经网络的地面雷达自动目标分类识别方法

Cited By (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114140637A (zh) * 2021-10-21 2022-03-04 阿里巴巴达摩院(杭州)科技有限公司 图像分类方法、存储介质和电子设备
CN114140637B (zh) * 2021-10-21 2023-09-12 阿里巴巴达摩院(杭州)科技有限公司 图像分类方法、存储介质和电子设备
CN114529767A (zh) * 2022-02-18 2022-05-24 厦门大学 基于双阶段对比学习框架的小样本sar目标识别方法
CN115082955A (zh) * 2022-05-12 2022-09-20 华南理工大学 一种深度学习全局优化方法、识别方法、装置及介质
CN115082955B (zh) * 2022-05-12 2024-04-16 华南理工大学 一种深度学习全局优化方法、识别方法、装置及介质
CN118072834A (zh) * 2024-04-17 2024-05-24 笑纳科技(苏州)有限公司 一种基于主动学习的染色体多分类方法

Similar Documents

Publication Publication Date Title
CN111444821B (zh) 一种城市道路标志自动识别方法
CN113378632B (zh) 一种基于伪标签优化的无监督域适应行人重识别方法
CN113468939A (zh) 一种基于监督最小化深度学习模型的sar目标识别方法
CN112418117B (zh) 一种基于无人机图像的小目标检测方法
CN108446700B (zh) 一种基于对抗攻击的车牌攻击生成方法
EP3614308A1 (en) Joint deep learning for land cover and land use classification
CN108399420B (zh) 一种基于深度卷积网络的可见光舰船虚警剔除方法
CN112883839B (zh) 基于自适应样本集构造与深度学习的遥感影像解译方法
CN108537102B (zh) 基于稀疏特征与条件随机场的高分辨sar图像分类方法
Moallem et al. Optimal threshold computing in automatic image thresholding using adaptive particle swarm optimization
CN107633226B (zh) 一种人体动作跟踪特征处理方法
Silva-Rodriguez et al. Self-learning for weakly supervised gleason grading of local patterns
CN111210869B (zh) 一种蛋白质冷冻电镜结构解析模型训练方法和解析方法
CN111582345A (zh) 一种小样本下复杂环境的目标识别方法
CN111695466A (zh) 一种基于特征mixup的半监督极化SAR地物分类方法
CN109299668A (zh) 一种基于主动学习和聚类分析的高光谱图像分类方法
CN110414616B (zh) 一种利用空间关系的遥感图像字典学习分类方法
CN109543727A (zh) 一种基于竞争重构学习的半监督异常检测方法
CN111860106B (zh) 一种无监督的桥梁裂缝识别方法
CN102542293A (zh) 一种针对高分辨率sar图像场景解译的一类提取分类方法
CN110287985B (zh) 一种基于带变异粒子群算法的可变拓扑结构的深度神经网络图像识别方法
Chehresa et al. Optimum features selection for oil spill detection in SAR image
CN116699096B (zh) 一种基于深度学习的水质检测方法和系统
CN117152503A (zh) 一种基于伪标签不确定性感知的遥感图像跨域小样本分类方法
CN117152606A (zh) 一种基于置信度动态学习的遥感图像跨域小样本分类方法

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