CN113671493B - 一种基于特征融合的海面小目标检测方法及系统 - Google Patents
一种基于特征融合的海面小目标检测方法及系统 Download PDFInfo
- Publication number
- CN113671493B CN113671493B CN202110911280.1A CN202110911280A CN113671493B CN 113671493 B CN113671493 B CN 113671493B CN 202110911280 A CN202110911280 A CN 202110911280A CN 113671493 B CN113671493 B CN 113671493B
- Authority
- CN
- China
- Prior art keywords
- radar
- sequence
- sea
- feature fusion
- feature
- 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
- 238000001514 detection method Methods 0.000 title claims abstract description 27
- 230000004927 fusion Effects 0.000 title claims abstract description 20
- 238000000034 method Methods 0.000 claims abstract description 21
- 238000007635 classification algorithm Methods 0.000 claims abstract description 5
- 238000007499 fusion processing Methods 0.000 claims abstract description 4
- 230000007704 transition Effects 0.000 claims description 14
- 238000004422 calculation algorithm Methods 0.000 claims description 12
- 238000004590 computer program Methods 0.000 claims description 10
- 238000010586 diagram Methods 0.000 claims description 5
- 238000005259 measurement Methods 0.000 claims description 5
- 230000001174 ascending effect Effects 0.000 claims description 4
- 238000006243 chemical reaction Methods 0.000 claims description 4
- 230000010339 dilation Effects 0.000 claims description 4
- 238000005315 distribution function Methods 0.000 claims description 4
- 230000003628 erosive effect Effects 0.000 claims description 4
- 238000013507 mapping Methods 0.000 claims description 4
- 230000000877 morphologic effect Effects 0.000 claims description 4
- 238000000926 separation method Methods 0.000 claims description 4
- 238000009827 uniform distribution Methods 0.000 claims description 4
- 238000013135 deep learning Methods 0.000 description 4
- 238000012986 modification Methods 0.000 description 3
- 230000004048 modification Effects 0.000 description 3
- 238000012546 transfer Methods 0.000 description 2
- 239000003550 marker Substances 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 230000000717 retained effect Effects 0.000 description 1
- 238000007619 statistical method Methods 0.000 description 1
Classifications
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01S—RADIO DIRECTION-FINDING; RADIO NAVIGATION; DETERMINING DISTANCE OR VELOCITY BY USE OF RADIO WAVES; LOCATING OR PRESENCE-DETECTING BY USE OF THE REFLECTION OR RERADIATION OF RADIO WAVES; ANALOGOUS ARRANGEMENTS USING OTHER WAVES
- G01S13/00—Systems using the reflection or reradiation of radio waves, e.g. radar systems; Analogous systems using reflection or reradiation of waves whose nature or wavelength is irrelevant or unspecified
- G01S13/88—Radar or analogous systems specially adapted for specific applications
- G01S13/89—Radar or analogous systems specially adapted for specific applications for mapping or imaging
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02A—TECHNOLOGIES FOR ADAPTATION TO CLIMATE CHANGE
- Y02A90/00—Technologies having an indirect contribution to adaptation to climate change
- Y02A90/10—Information and communication technologies [ICT] supporting adaptation to climate change, e.g. for weather forecasting or climate simulation
Landscapes
- Engineering & Computer Science (AREA)
- Remote Sensing (AREA)
- Radar, Positioning & Navigation (AREA)
- Physics & Mathematics (AREA)
- Electromagnetism (AREA)
- Computer Networks & Wireless Communication (AREA)
- General Physics & Mathematics (AREA)
- Radar Systems Or Details Thereof (AREA)
Abstract
本发明公开了一种基于特征融合的海面小目标检测方法，用于对海监视场景，包括如下步骤：步骤1，提取雷达序列的统计复杂性特征，得到雷达序列特征；步骤2，提取雷达图像的空间特征，得到雷达图像特征；步骤3，对所述步骤1的雷达序列特征和所述步骤2的雷达图像特征进行融合处理；步骤4，对所述步骤3的融合结果进行分类，利用分类算法得到相应的分类结果。与现有检测方法相比，本申请通过特征融合提高了检测性能，且大大减少了计算量。
Description
技术领域
本发明涉及雷达检测技术领域，尤其涉及一种基于特征融合的海面小目标检测方法及系统。
背景技术
海面小目标检测是对海监视中亟待解决的一项难题。现有检测方法可以大体分为两类：一类是基于雷达观测序列的，另一类是基于雷达图像的。前者中最常用的方法是将雷达序列划分为分段平稳序列然后使用传统检测方法。常用算法包括基于变化点的检测算法和其他统计方法。最近，出现了基于特征分类的新检测算法。后者主要是基于SAR图像的检测算法。通常采用深度学习方法检测SAR图像目标。此外也存在基于雷达频谱图的检测算法。通过寻找目标回波与杂波之间的特征差异，将两者进行区分。然而，很少存在两者融合的检测算法。
近来，基于特征的检测算法吸引了众多学者。特征来源从手动设置逐渐向深度学习进化。常见特征包括几何特征、纹理特征、矩特征、散射统计特征、尺度不变特征、HOG特征和深度学习特征等。
目前为止，基于单一特征或特征融合的检测算法并没有取得十分理想的检测结果。主要因为所使用的特征没有充分发掘雷达序列或雷达图像的特征。虽然深度学习特征性能更好，但其需要大量标记数据且尚不存在统一的特征描述准则。
发明内容
本发明旨在至少解决现有技术中存在的技术问题之一。为此，本发明公开了一种基于特征融合的海面小目标检测方法，用于对海监视场景，包括如下步骤：
步骤1，提取雷达序列的统计复杂性特征，得到雷达序列特征；
步骤2，提取雷达图像的空间特征，得到雷达图像特征；
步骤3，对所述步骤1的雷达序列特征和所述步骤2的雷达图像特征进行融合处理；
步骤4，对所述步骤3的融合结果进行分类，利用分类算法得到相应的分类结果。
更进一步地，所述步骤1进一步包括：
步骤101，对雷达序列做顺序模式转换；
步骤102，构建转移图；
步骤103，计算统计复杂度。
更进一步地，所述步骤101进一步包括：给出雷达序列其嵌入维数D和时延τ的时延嵌入表示形式为：
其中，t＝1，2，…，N，N＝T-(D-1)τ，将映射到序号向量/>xt按照升序排列。
更进一步地，将D和τ设置为D∈[3，10]和τ＝1。
更进一步地，所述步骤102进一步包括：将雷达序列与序列对应的估计值的分离度嵌入边权重之中，假设不含有目标，利用基于矩的估计算法得到海杂波的分布函数，计算雷达序列值与其估计值之间的Kolmogorov-Smimov值，分别计算/>和/>的Kolmogorov-Smimov值之和，并将两个和值之差作为边权重，所得转移概率如下：
其中，表示由序号向量/>到序号向量/>的转移概率，/>表示由序号向量/>到序号向量/>的边权值，/>表示所有边权值之和。
更进一步地，所述步骤103进一步包括：
统计复杂性表征给定序列元素之间的联系和依赖性，其定义为
其中，是统计复杂性特征，H(P)是归一化香农熵，Q(P，U)是不平衡因子，P是所有转移概率组成的集合，U是均匀分布，pl和ul分别是P和U集合中的元素，且为整数，且为整数，
更进一步地，所述步骤2进一步包括：
步骤201，构建雷达图像，计算雷达距离角度测量图，如果测量值超过第一预设阈值，将所述测量值进行保留，如果所述测量值未达到第一预设阈值则设置为0，将多个距离角度图叠加后得到最终雷达图像；
步骤202，计算空间特征，数学形态学操作符旨在提供有用的图像空间特征，这里应用了四种不同的运算符即腐蚀、膨胀、打开和关闭，并将圆形结构元素半径范围设置为{2，4，6}，使得每个像素包含大小为12的特征集。更进一步地，所述第一预设阈值与估计的海杂波均值相等。
本发明还公开了一种基于特征融合的海面小目标检测系统，用于对海监视场景，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，其特征在于，所述处理器执行所述计算机程序时实现上述任一所述方法的步骤。
本发明进一步公开了一种计算机可读存储介质，其上存储有计算机程序，所述计算机程序被处理器执行时实现上述方法的步骤。
与现有检测方法相比，本申请通过特征融合提高了检测性能，且大大减少了计算量。
附图说明
从以下结合附图的描述可以进一步理解本发明。图中的部件不一定按比例绘制，而是将重点放在示出实施例的原理上。在图中，在不同的视图中，相同的附图标记指定对应的部分。
图1为本发明逻辑流程示意图；
图2为本发明一实施例中构建雷达图像的方法流程图。
具体实施方式
实施例一
如图1所示，本实施提供一种基于特征融合的海面小目标检测方法，用于对海监视场景，包括如下步骤：
步骤一，提取雷达序列的统计复杂性特征；
首先，对雷达序列做顺序模式转换。给出雷达序列其嵌入维数D和时延τ的时延嵌入表示形式为：
其中，t＝1，2，…，N，将/>映射到序号向量/>xt按照升序排列。通常D和τ设置为D∈[3，10]和τ＝1。
其次，构建转移图。由于海杂波具有非均匀非平稳特性，将雷达序列与其估计值的分离度嵌入边权重之中。假设不含有目标，利用基于矩的估计算法得到海杂波的分布函数。计算雷达序列值与其估计值之间的Kolmogorov-Smirnov值。分别计算/>和/>的Kolmogorov-Smirnov值之和，并将两个和值之差作为边权重。所得转移概率如下：
其中，表示由序号向量/>到序号向量/>的转移概率，/>表示由序号向量/>到序号向量/>的边权值，/>表示所有边权值之和。
最后，计算统计复杂度。统计复杂性表征给定序列元素之间的联系和依赖性，其定义为
其中，是统计复杂性特征，H(P)是归一化香农熵，Q(P，U)是不平衡因子，P是所有转移概率组成的集合，U是均匀分布，pl和ul分别是P和U集合中的元素，且为整数，且为整数，
步骤二，提取雷达图像的空间特征。
首先，构建雷达图像。如图2所示，计算雷达距离角度测量图，如果测量值超过阈值，予以保留，反之设置为0。阈值与步骤一中所估计的海杂波均值相等。将多个距离角度图叠加后得到最终雷达图像。
其次，计算空间特征，数学形态学操作符旨在提供有用的图像空间特征，这里应用了四种不同的运算符即腐蚀、膨胀、打开和关闭，并将圆形结构元素半径范围设置为{2，4，6}，使得每个像素包含大小为12的特征集。
步骤三，融合雷达序列特征和雷达图像特征。
步骤四，利用分类算法得到分类结果。
实施例二
本实施例提供了一种基于特征融合的海面小目标检测方法，用于对海监视场景，包括如下步骤：步骤1，提取雷达序列的统计复杂性特征，得到雷达序列特征；步骤2，提取雷达图像的空间特征，得到雷达图像特征；步骤3，对所述步骤1的雷达序列特征和所述步骤2的雷达图像特征进行融合处理；步骤4，对所述步骤3的融合结果进行分类，利用分类算法得到相应的分类结果。更进一步地，所述步骤1进一步包括：步骤101，对雷达序列做顺序模式转换；步骤102，构建转移图；步骤103，计算统计复杂度。更进一步地，所述步骤101进一步包括：给出雷达序列其嵌入维数D和时延τ的时延嵌入表示形式为：
其中，t＝1，2，…，N，N＝T-(D-1)τ，将映射到序号向量/>xt按照升序排列。
更进一步地，将D和τ设置为D∈[3，10]和τ＝1。
更进一步地，所述步骤102进一步包括：将雷达序列与序列对应的估计值的分离度嵌入边权重之中，假设不含有目标，利用基于矩的估计算法得到海杂波的分布函数，计算雷达序列值与其估计值之间的Kolmogorov-Smimov值，分别计算/>和/>的Kolmogorov-Smirnov值之和，并将两个和值之差作为边权重，所得转移概率如下：
其中，表示由序号向量/>到序号向量/>的转移概率，/>表示由序号向量/>到序号向量/>的边权值，/>表示所有边权值之和。
更进一步地，所述步骤103进一步包括：
统计复杂性表征给定序列元素之间的联系和依赖性，其定义为
其中，是统计复杂性特征，H(P)是归一化香农熵，Q(P，U)是不平衡因子，P是所有转移概率组成的集合，U是均匀分布，pl和ul分别是P和U集合中的元素，且为整数，且为整数，
更进一步地，所述步骤2进一步包括：
步骤201，构建雷达图像，计算雷达距离角度测量图，如果测量值超过第一预设阈值，将所述测量值进行保留，如果所述测量值未达到第一预设阈值则设置为0，将多个距离角度图叠加后得到最终雷达图像；
步骤202，计算空间特征，数学形态学操作符旨在提供有用的图像空间特征，这里应用了四种不同的运算符即腐蚀、膨胀、打开和关闭，并将圆形结构元素半径范围设置为{2，4，6}，使得每个像素包含大小为12的特征集。
更进一步地，所述第一预设阈值与估计的海杂波均值相等。
本发明还公开了一种基于特征融合的海面小目标检测系统，用于对海监视场景，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，其特征在于，所述处理器执行所述计算机程序时实现上述任一所述方法的步骤。
本发明进一步公开了一种计算机可读存储介质，其上存储有计算机程序，所述计算机程序被处理器执行时实现上述方法的步骤。
还需要说明的是，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、商品或者设备不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、商品或者设备所固有的要素。在没有更多限制的情况下，由语句“包括一个……”限定的要素，并不排除在包括所述要素的过程、方法、商品或者设备中还存在另外的相同要素。
本领域技术人员应明白，本申请的实施例可提供为方法、系统或计算机程序产品。因此，本申请可采用完全硬件实施例、完全软件实施例或结合软件和硬件方面的实施例的形式。而且，本申请可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。
虽然上面已经参考各种实施例描述了本发明，但是应当理解，在不脱离本发明的范围的情况下，可以进行许多改变和修改。因此，其旨在上述详细描述被认为是例示性的而非限制性的，并且应当理解，以下权利要求(包括所有等同物)旨在限定本发明的精神和范围。以上这些实施例应理解为仅用于说明本发明而不用于限制本发明的保护范围。在阅读了本发明的记载的内容之后，技术人员可以对本发明作各种改动或修改，这些等效变化和修饰同样落入本发明权利要求所限定的范围。
Claims (5)
1.一种基于特征融合的海面小目标检测方法，用于对海监视场景，其特征在于，包括如下步骤：
步骤1，提取雷达序列的统计复杂性特征，得到雷达序列特征，所述步骤1进一步包括：
步骤101，对雷达序列做顺序模式转换，其中，给出雷达序列其嵌入维数D和时延τ的时延嵌入表示形式为，其中，将D和τ设置为D∈[3，10]和τ＝1：
其中，t＝1，2，…，N，N＝T-(D-1)τ，将映射到序号向量/>xt按照升序排列；
步骤102，构建转移图，其中，将雷达序列与序列对应的估计值的分离度嵌入边权重之中，假设不含有目标，利用基于矩的估计算法得到海杂波的分布函数，计算雷达序列值与其估计值之间的Kolmogorov-Smimov值，分别计算/>和/>的Kolmogorov-Smirnov值之和，并将两个和值之差作为边权重，所得转移概率如下：
其中，表示由序号向量/>到序号向量/>的转移概率，/>表示由序号向量/>到序号向量/>的边权值，/>表示所有边权值之和；步骤103，计算统计复杂度，其中，统计复杂性表征给定序列元素之间的联系和依赖性，其定义为
其中，是统计复杂性特征，H(P)是归一化香农熵，Q(P，U)是不平衡因子，P是所有转移概率组成的集合，U是均匀分布，pl和ul分别是P和U集合中的元素，且为整数，/>且为整数，
步骤2，提取雷达图像的空间特征，得到雷达图像特征；
步骤3，对所述步骤1的雷达序列特征和所述步骤2的雷达图像特征进行融合处理；
步骤4，对所述步骤3的融合结果进行分类，利用分类算法得到相应的分类结果。
2.如权利要求1所述的一种基于特征融合的海面小目标检测方法，其特征在于，所述步骤2进一步包括：
步骤201，构建雷达图像，计算雷达距离角度测量图，如果测量值超过第一预设阈值，将所述测量值进行保留，如果所述测量值未达到第一预设阈值则设置为0，将多个距离角度图叠加后得到最终雷达图像；
步骤202，计算空间特征，数学形态学操作符旨在提供有用的图像空间特征，这里应用了四种不同的运算符即腐蚀、膨胀、打开和关闭，并将圆形结构元素半径范围设置为{2，4，6}，使得每个像素包含大小为12的特征集。
3.如权利要求2所述的一种基于特征融合的海面小目标检测方法，其特征在于，所述第一预设阈值与估计的海杂波均值相等。
4.一种基于特征融合的海面小目标检测系统，用于对海监视场景，其特征在于，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，其特征在于，所述处理器执行所述计算机程序时实现权利要求1至3中任一所述方法的步骤。
5.一种计算机可读存储介质，其上存储有计算机程序，其特征在于，所述计算机程序被处理器执行时实现权利要求1至3中任一所述方法的步骤。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110911280.1A CN113671493B (zh) | 2021-08-09 | 2021-08-09 | 一种基于特征融合的海面小目标检测方法及系统 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110911280.1A CN113671493B (zh) | 2021-08-09 | 2021-08-09 | 一种基于特征融合的海面小目标检测方法及系统 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN113671493A CN113671493A (zh) | 2021-11-19 |
| CN113671493B true CN113671493B (zh) | 2023-08-11 |
Family
ID=78542016
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202110911280.1A Active CN113671493B (zh) | 2021-08-09 | 2021-08-09 | 一种基于特征融合的海面小目标检测方法及系统 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN113671493B (zh) |
Citations (9)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| EP0495759A1 (fr) * | 1991-01-17 | 1992-07-22 | SMA SEGNALAMENTO MARITTIMO ED AEREO S.p.A. | Procédé et appareillage pour l'extraction d'une carte des obstacles à partir du signal d'un détecteur radar à balayage avec transmission impulsionnelle, pour véhicule |
| CN101620726A (zh) * | 2008-09-12 | 2010-01-06 | 西安电子科技大学 | 基于参数初始化Contourlet域HMT模型的图像分割方法 |
| CN101639934A (zh) * | 2009-09-04 | 2010-02-03 | 西安电子科技大学 | 基于轮廓波域块隐马尔可夫模型sar图像去噪方法 |
| CN109270527A (zh) * | 2018-06-08 | 2019-01-25 | 西安电子科技大学 | 圆迹sar子孔径图像序列联合相关dem提取方法 |
| CN109671038A (zh) * | 2018-12-27 | 2019-04-23 | 哈尔滨工业大学 | 一种基于伪不变特征点分类分层的相对辐射校正方法 |
| CN109726653A (zh) * | 2018-12-19 | 2019-05-07 | 西安电子科技大学 | 基于RNN-DenseNet网络的雷达信号识别方法 |
| CN111381216A (zh) * | 2020-03-10 | 2020-07-07 | 中国科学院微电子研究所 | 混合分布的雷达海杂波分析方法及装置 |
| CN111679248A (zh) * | 2020-05-15 | 2020-09-18 | 黑龙江工程学院 | 一种基于海底水平l型阵列的目标方位和距离联合稀疏重构定位方法 |
| CN111856448A (zh) * | 2020-07-02 | 2020-10-30 | 山东省科学院海洋仪器仪表研究所 | 基于双目视觉和雷达的海上障碍物识别方法及系统 |
Family Cites Families (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| IT1391472B1 (it) * | 2008-09-26 | 2011-12-23 | Mbda italia spa | Procedimento di elaborazione di un segnale di eco radar, prodotto da un bersaglio, per compensare effetti di degradazione di detto segnale dovuti al moto di detto bersaglio. |
| US9429650B2 (en) * | 2012-08-01 | 2016-08-30 | Gm Global Technology Operations | Fusion of obstacle detection using radar and camera |
| US11113584B2 (en) * | 2020-02-04 | 2021-09-07 | Nio Usa, Inc. | Single frame 4D detection using deep fusion of camera image, imaging RADAR and LiDAR point cloud |
-
2021
- 2021-08-09 CN CN202110911280.1A patent/CN113671493B/zh active Active
Patent Citations (9)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| EP0495759A1 (fr) * | 1991-01-17 | 1992-07-22 | SMA SEGNALAMENTO MARITTIMO ED AEREO S.p.A. | Procédé et appareillage pour l'extraction d'une carte des obstacles à partir du signal d'un détecteur radar à balayage avec transmission impulsionnelle, pour véhicule |
| CN101620726A (zh) * | 2008-09-12 | 2010-01-06 | 西安电子科技大学 | 基于参数初始化Contourlet域HMT模型的图像分割方法 |
| CN101639934A (zh) * | 2009-09-04 | 2010-02-03 | 西安电子科技大学 | 基于轮廓波域块隐马尔可夫模型sar图像去噪方法 |
| CN109270527A (zh) * | 2018-06-08 | 2019-01-25 | 西安电子科技大学 | 圆迹sar子孔径图像序列联合相关dem提取方法 |
| CN109726653A (zh) * | 2018-12-19 | 2019-05-07 | 西安电子科技大学 | 基于RNN-DenseNet网络的雷达信号识别方法 |
| CN109671038A (zh) * | 2018-12-27 | 2019-04-23 | 哈尔滨工业大学 | 一种基于伪不变特征点分类分层的相对辐射校正方法 |
| CN111381216A (zh) * | 2020-03-10 | 2020-07-07 | 中国科学院微电子研究所 | 混合分布的雷达海杂波分析方法及装置 |
| CN111679248A (zh) * | 2020-05-15 | 2020-09-18 | 黑龙江工程学院 | 一种基于海底水平l型阵列的目标方位和距离联合稀疏重构定位方法 |
| CN111856448A (zh) * | 2020-07-02 | 2020-10-30 | 山东省科学院海洋仪器仪表研究所 | 基于双目视觉和雷达的海上障碍物识别方法及系统 |
Non-Patent Citations (1)
| Title |
|---|
| 周知."多维高分辨雷达图像目标识别方法研究".《万方博士学位论文库》.2019,全文. * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN113671493A (zh) | 2021-11-19 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN109753975B (zh) | 一种训练样本获得方法、装置、电子设备和存储介质 | |
| CN108510467B (zh) | 基于深度可变形卷积神经网络的sar图像目标识别方法 | |
| CN107016677B (zh) | 一种基于fcn和cnn的云图分割方法 | |
| CN107229918B (zh) | 一种基于全卷积神经网络的sar图像目标检测方法 | |
| CN108764006B (zh) | 一种基于深度强化学习的sar图像目标检测方法 | |
| CN102236675B (zh) | 图像特征点匹配对处理、图像检索方法及设备 | |
| CN109101897A (zh) | 水下机器人的目标检测方法、系统及相关设备 | |
| US9330336B2 (en) | Systems, methods, and media for on-line boosting of a classifier | |
| CN109359661B (zh) | 一种基于卷积神经网络的Sentinel-1雷达图像分类方法 | |
| CN109726649B (zh) | 遥感影像云检测方法、系统及电子设备 | |
| CN105809175A (zh) | 一种基于支持向量机算法的脑水肿分割方法及系统 | |
| CN104732534B (zh) | 一种图像中显著目标的抠取方法及系统 | |
| Wang et al. | Inshore ship detection using high-resolution synthetic aperture radar images based on maximally stable extremal region | |
| CN107067039A (zh) | 基于超像素的sar图像舰船目标快速检测方法 | |
| CN108399430A (zh) | 一种基于超像素和随机森林的sar图像舰船目标检测方法 | |
| CN110310263B (zh) | 一种基于显著性分析和背景先验的sar图像居民区检测方法 | |
| CN115761393A (zh) | 一种基于模板在线学习的无锚目标跟踪方法 | |
| CN104881670B (zh) | 一种用于sar方位角估计的快速目标提取方法 | |
| CN105160666B (zh) | 基于非平稳分析与条件随机场的sar图像变化检测方法 | |
| CN116129280B (zh) | 一种遥感影像雪检测的方法 | |
| CN113671493B (zh) | 一种基于特征融合的海面小目标检测方法及系统 | |
| CN105844299B (zh) | 一种基于词袋模型的图像分类方法 | |
| CN112348750A (zh) | 基于阈值融合和邻域投票的sar图像变化检测方法 | |
| CN111832463A (zh) | 一种基于深度学习的交通标志检测方法 | |
| CN115564988A (zh) | 基于标签平滑的遥感图像场景分类和语义分割任务的方法 |
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 |