CN113780364A - 一种模型与数据联合驱动的sar图像目标识别方法 - Google Patents

一种模型与数据联合驱动的sar图像目标识别方法 Download PDF

Info

Publication number
CN113780364A
CN113780364A CN202110949385.6A CN202110949385A CN113780364A CN 113780364 A CN113780364 A CN 113780364A CN 202110949385 A CN202110949385 A CN 202110949385A CN 113780364 A CN113780364 A CN 113780364A
Authority
CN
China
Prior art keywords
sar image
model
target
sample set
original sample
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
CN202110949385.6A
Other languages
English (en)
Inventor
董刚刚
刘宏伟
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.)
Xidian University
Original Assignee
Xidian University
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 Xidian University filed Critical Xidian University
Priority to CN202110949385.6A priority Critical patent/CN113780364A/zh
Publication of CN113780364A publication Critical patent/CN113780364A/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
    • G06F18/2415—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on parametric or probabilistic models, e.g. based on likelihood ratio or false acceptance rate versus a false rejection rate
    • 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
    • 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)
  • Bioinformatics & Cheminformatics (AREA)
  • Molecular Biology (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Software Systems (AREA)
  • Health & Medical Sciences (AREA)
  • Biomedical Technology (AREA)
  • Biophysics (AREA)
  • Computational Linguistics (AREA)
  • General Health & Medical Sciences (AREA)
  • Evolutionary Biology (AREA)
  • Computing Systems (AREA)
  • Mathematical Physics (AREA)
  • Probability & Statistics with Applications (AREA)
  • Image Analysis (AREA)
  • Radar Systems Or Details Thereof (AREA)

Abstract

本发明公开了一种模型与数据联合驱动的SAR图像目标识别方法，包括：获取待识别的SAR图像；将SAR图像输入预先训练完成的目标识别网络，得到SAR图像的目标识别结果；其中，目标识别网络是利用具有标记信息的原始样本集和扩展样本集预先合并训练得到的；扩展样本集是基于原始样本集，利用参数化模型进行目标重构，并进行随机部分频率修改操作后再成像得到的。本发明能够在训练样本受限情况下，提高SAR图像的目标识别精度，并减小实际扰动因素的影响。

Description

一种模型与数据联合驱动的SAR图像目标识别方法
技术领域
本发明属于目标识别技术领域，具体涉及一种模型与数据联合驱动的SAR图像目标识别方法。
背景技术
随着微电子和通信技术的发展，催生出对图像自动解译的迫切需求。近年来，围绕着图像自动目标识别问题，国内外学者开展了大量研究，现有研究成果可以归纳为两类：
一是模型驱动目标识别策略，该类方法首先对图像进行参数化电磁建模，并进行参数估计，然后利用参数的特定物理含义进行类别归属的判决。然而，如何利用有限的散射样本估计复杂的模型参数，是它面临的主要挑战。此外，模型驱动目标识别建模过程复杂，且识别精度有限，容易受微小的实际扰动因素的影响。
二是以深度学习理论为支撑的数据驱动目标识别策略，该类方法以“无监督预训练”和“有监督微调”为代表、辅以逐层梯度下降优化技巧的深度学习，以高效的特征学习和强大的拟合能力迅速成为新的研究热点，在众多应用领域已取得较大成功。数据驱动目标识别方法主要依赖于强大的平台算力和海量的标记样本。然而对于雷达图像而言，尽管可获取的传感器数据很多，但成像场景的真实信息缺失，无法形成带标记信息的合法训练样本，因此会造成目标识别网络的训练陷入欠拟合状态，从而导致网络识别精度较差。
发明内容
为了解决现有技术中存在的上述问题，本发明实施例提供了一种模型与数据联合驱动的SAR图像目标识别方法、装置、电子设备及存储介质。本发明要解决的技术问题通过以下技术方案实现：
第一方面，本发明实施例提供了一种模型与数据联合驱动的SAR图像目标识别方法，所述方法包括：
获取待识别的SAR图像；
将所述SAR图像输入预先训练完成的目标识别网络，得到所述SAR图像的目标识别结果；
其中，所述目标识别网络是利用具有标记信息的原始样本集和扩展样本集预先合并训练得到的；所述扩展样本集是基于所述原始样本集，利用参数化模型进行目标重构，并进行随机部分频率修改操作后再成像得到的。
在本发明的一个实施例中，所述扩展样本集的获得过程，包括：
针对所述原始样本集中每个原始样本，对该原始样本进行参数化电磁散射建模，得到构建的参数化模型；
估计所述参数化模型的模型参数；
利用该原始样本、所述参数化模型和所述模型参数进行目标重构，得到该原始样本的重构数据组，所述重构数据组包括目标重构结果和对应的残差分量；
对所述目标重构结果和/或所述对应的残差分量进行至少一次的所述随机部分频率修改操作，每次得到修改后重构数据组；
将每个修改后重构数据组中的目标重构结果和残差分量进行合成，并将合成结果进行SAR成像，得到该原始样本对应的一个扩展样本；
将所述原始样本集中各原始样本得到的所有扩展样本所构成的集合，确定为扩展样本集。
在本发明的一个实施例中，所述参数化模型，包括：
属性散射中心模型。
在本发明的一个实施例中，所述估计所述参数化模型的模型参数，包括：
利用信号稀疏表示策略，估计所述参数化模型的模型参数。
在本发明的一个实施例中，所述随机部分频率修改操作，包括：
随机选取部分频率值，将选出的频率值置为预设值。
在本发明的一个实施例中，所述随机选取部分频率值，包括：
利用一个位置随机的区域框框选部分频率值。
在本发明的一个实施例中，所述预设值，包括：
零值或者随机值。
第二方面，本发明实施例提供了一种模型与数据联合驱动的SAR图像目标识别装置，所述装置包括：
图像获取模块，用于获取待识别的SAR图像；
目标识别模块，用于将所述SAR图像输入预先训练完成的目标识别网络，得到所述SAR图像的目标识别结果；
其中，所述目标识别网络是利用具有标记信息的原始样本集和扩展样本集预先合并训练得到的；所述扩展样本集是基于所述原始样本集，利用参数化模型进行目标重构，并进行随机部分频率修改操作后再成像得到的。
在本发明的一个实施例中，所述扩展样本集的获得过程，包括：
针对所述原始样本集中每个原始样本，对该原始样本进行参数化电磁散射建模，得到构建的参数化模型；
估计所述参数化模型的模型参数；
利用该原始样本、所述参数化模型和所述模型参数进行目标重构，得到该原始样本的重构数据组，所述重构数据组包括目标重构结果和对应的残差分量；
对所述目标重构结果和/或所述对应的残差分量进行至少一次的所述随机部分频率修改操作，每次得到修改后重构数据组；
将每个修改后重构数据组中的目标重构结果和残差分量进行合成，并将合成结果进行SAR成像，得到该原始样本对应的一个扩展样本；
将所述原始样本集中各原始样本得到的所有扩展样本所构成的集合，确定为扩展样本集。
在本发明的一个实施例中，所述参数化模型，包括：
属性散射中心模型。
在本发明的一个实施例中，所述估计所述参数化模型的模型参数，包括：
利用信号稀疏表示策略，估计所述参数化模型的模型参数。
在本发明的一个实施例中，所述随机部分频率修改操作，包括：
随机选取部分频率值，将选出的频率值置为预设值。
在本发明的一个实施例中，所述随机选取部分频率值，包括：
利用一个位置随机的区域框框选部分频率值。
在本发明的一个实施例中，所述预设值，包括：
零值或者随机值。
第三方面，本发明实施例提供了一种电子设备，包括处理器和存储器，其中，
所述存储器，用于存放计算机程序；
所述处理器，用于执行所述存储器上所存放的程序时，实现本发明实施例所提供的模型与数据联合驱动的SAR图像目标识别方法的步骤。
第四方面，本发明实施例提供了一种计算机可读存储介质，所述计算机可读存储介质内存储有计算机程序，所述计算机程序被处理器执行时实现本发明实施例所提供的模型与数据联合驱动的SAR图像目标识别方法的步骤。
本发明实施例所提供的方案中，在SAR图像的目标识别网络有限的原始样本集基础上，通过对原始样本集中每个原始样本利用参数化模型进行目标重构，进行随机部分频率修改操作，然后再进行SAR成像，可以得到与之前原始样本具有频率差异的扩展样本，将原始样本集中所有原始样本对应得到的扩展样本集与原始样本集共同作为目标识别网络的训练样本，能够增加训练样本数量，提高目标识别网络的训练精度，实现更可靠、更稳健的判决。可见，本发明实施例无需高昂的数据采集成本，利用图像处理等手段则可以简便地实现增加训练样本的目的，能够利用少量的训练样本实现高效的特征学习，因此在目标识别网络训练完成后用于识别未知的SAR图像时，能够提高识别精度。
并且，本发明实施例将模型驱动的目标识别策略携带的领域知识及经验知识融入到深度学习策略中，并对频率采用随机选取部分进行修改的操作，利用该随机选取方式，能够增加去除杂波等不必要成分的概率，能够减小实际扰动因素的影响。
附图说明
图1为本发明实施例所提供的一种模型与数据联合驱动的SAR图像目标识别方法的流程示意图；
图2为本发明实施例提供的一种模型与数据联合驱动的SAR图像目标识别方法中扩展样本集获得过程的流程示意图；
图3为本发明实施例的原始样本对应的原始SAR图像、目标重构结果和残差分量的示意图；
图4为本发明实施例的原始样本对应的原始SAR图像，经过随机部分频率修改操作后再成像得到的SAR图像示意图；
图5为本发明实施例提出的随机部分频率修改操作采用的四种模式的处理示意图；
图6为本发明实施例所提供的一种模型与数据联合驱动的SAR图像目标识别装置的结构示意图；
图7为本发明实施例所提供的一种电子设备的结构示意图。
具体实施方式
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、完整地描述，显然，所描述的实施例仅仅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。
为了在训练样本受限情况下，提高SAR图像的目标识别精度，并减小实际扰动因素的影响，本发明实施例提供了一种模型与数据联合驱动的SAR图像目标识别方法、装置、电子设备及存储介质。
需要说明的是，本发明实施例所提供的一种模型与数据联合驱动的SAR图像目标识别方法的执行主体可以为一种模型与数据联合驱动的SAR图像目标识别装置，该装置可以运行于电子设备中。其中，该电子设备可以为一服务器或终端设备，当然并不局限于此。
第一方面，本发明实施例提供了一种模型与数据联合驱动的SAR图像目标识别方法。如图1所示，本发明实施例所提供的一种模型与数据联合驱动的SAR图像目标识别方法，可以包括如下步骤：
S1，获取待识别的SAR图像。
本发明实施例中，对采用的SAR系统的类型不做限制，比如可以为机载雷达系统等等。SAR系统可以针对待识别的目标所在的区域采集回波数据，并存储在存储硬核中，通过数据传输、数据复制等形式，获取SAR系统已录取的回波数据，通过成像获得SAR目标成像数据。
本领域技术人员可以理解的是，SAR目标成像数据为复数据，通过取模操作后可以得到SAR图像，作为后续目标识别网络的输入数据。
本发明实施例中，目标可以包括陆地以及海洋等区域中的感兴趣物体，比如陆地上的车辆、建筑物等，或者海洋中的舰船、岛屿等。本发明实施例中的目标可以根据场景需求设定，在此不做限制。
S2，将所述SAR图像输入预先训练完成的目标识别网络，得到所述SAR图像的目标识别结果。
本发明实施例中，目标识别网络可以采用现有的任意一种用于目标检测的神经网络实现，比如，所述目标识别网络可以包括AlexNet、VGGNet、ResNet、MobileNet、ShuffleNet、Xception等网络。
关于所述目标识别网络的具体识别过程请参见相关现有技术理解，在此不做详细说明。
所述SAR图像的目标识别结果可以包括所述SAR图像中各目标的类别和在图像中的位置。可以将所述SAR图像的目标识别结果以单独的文字形式进行输出，比如输出一个单独的字符串表示目标识别结果。或者一种常见方式是直接在所述SAR图像上标识出目标识别结果，比如，目标在图像中的位置可以用包含目标的矩形框来标注，矩形框旁可以标示出矩形框一个顶点的像素坐标值以及矩形框的宽度和高度，简便的一种方式中可以仅标示出矩形框一个顶点的像素坐标值。
目标的类别可以用不同的字符区分标识，可选的一种实施方式中，还可以附加标识类别的置信度，置信度表示目标属于一类别的概率，置信度取值范围在0～1之间，置信度越高表示目标属于该类别的可能性越大。或者，可选的一种实施方式中，在单一类别的目标识别场景中，比如针对待识别的SAR图像确认其中的目标是否为装甲车，则可以将类别由装甲车以及对应的置信度表示，通过置信度的高低可以判断出一目标是否为装甲车。
其中，所述目标识别网络是利用具有标记信息的原始样本集和扩展样本集预先合并训练得到的。原始样本集和扩展样本集合中每一样本均为一具有标记信息的SAR目标成像数据。
如前所述，SAR目标成像数据为复数据，因此需要对原始样本集和扩展样本集中的SAR目标成像数据进行取模操作得到样本SAR图像集，将样本SAR图像集用于目标识别网络的训练。
其中，样本SAR图像集中每一样本SAR图像具有标记信息，所述标记信息可以包括样本SAR图像中目标的类别和位置。该标记信息是已知的，标记过程利用现有手段完成。
目标识别网络的训练过程主要包括以下步骤：
1)将样本SAR图像集中每一样本SAR图像对应目标的位置和类别作为该样本SAR图像对应的真值，将各样本SAR图像和对应的真值，通过搭建好的目标识别网络进行训练，获得各样本SAR图像的训练结果。
2)将每一样本SAR图像的训练结果与该样本SAR图像对应的真值进行比较，得到该样本SAR图像对应的输出结果。
3)根据各个样本SAR图像对应的输出结果，计算目标识别网络的损失值。
4)根据损失值，调整目标识别网络的参数，并重新进行1)-3)步骤，直至目标识别网络的损失值达到了一定的收敛条件，也就是损失值达到最小，这时，意味着每一样本SAR图像的训练结果与该样本SAR图像对应的真值一致，从而完成网络训练，得到训练完成的目标识别网络。
本发明实施例中，所述扩展样本集是基于所述原始样本集，利用参数化模型进行目标重构，并进行随机部分频率修改操作后再成像得到的。
可选的一种实施方式中，所述扩展样本集的获得过程，可以包括以下步骤，具体请参见图2所示，图2为本发明实施例提供的一种模型与数据联合驱动的SAR图像目标识别方法中扩展样本集获得过程的流程示意图，该过程包括以下步骤：
S01，针对所述原始样本集中每个原始样本，对该原始样本进行参数化电磁散射建模，得到构建的参数化模型。
如前所述，原始样本集中每个原始样本为一SAR目标成像数据，本发明实施例可以利用现有的任一种电磁建模方法对该SAR目标成像数据进行参数化电磁散射建模，得到构建的参数化模型。
可选的一种实施方式中，所述参数化模型包括属性散射中心模型。属性散射中心模型是一种基于几何绕射理论和物理光学理论提出的描述高频区复杂目标散射特性的参数模型。
根据该模型，认为目标的总散射场是由若干散射中心的后向散射场线性叠加得到。即：
Figure BDA0003217850890000101
其中：
Figure BDA0003217850890000102
其中，E(f,φ,Θ)表示目标的总散射场，即雷达回波的全响应；Ei(f,φ；θi)表示第i个散射中心的后向散射场，即第i个散射中心的雷达回波响应；f表示频率；φ表示方位角；fc表示中心频率；c表示电磁信号的传播速度，c＝3×108m/s；
Figure BDA0003217850890000103
表示目标的K个散射中心的参数集合；参数集合
Figure BDA0003217850890000104
参数集合与散射中心的位置和几何结构有着明确的物理对应关系，其中，(xi,yi)表示第i个散射中心的位置坐标；αi表示第i个散射中心的频率依赖项；γi表示局部型散射中心中第i个散射中心的方位依赖项；
Figure BDA0003217850890000111
表示滑动型散射中心中第i个散射中心的方位角；Li表示滑动型散射中心中第i个散射中心的长度；Ai表示第i个散射中心的散射幅度。
本领域技术人员可以理解的是，通过上述公式，可以构建出属性散射中心模型，其需要估计的参数为参数集合中的参数。
当然，本发明实施例的所述参数化模型也可以采用散射中心模型、几何衍射模型、和全局散射中心模型等等，关于其余参数化模型的构建过程请参见相关现有技术，在此不做赘述。
S02，估计所述参数化模型的模型参数。
本发明实施例中，针对不同的参数化模型可以具体选取合适的模型参数估计方法估计出对应的模型参数。
针对上述属性散射中心模型，可以利用基于图像域分割的参数估计方法等进行参数估计。
可选的一种实施方式中，所述估计所述参数化模型的模型参数，包括：
利用信号稀疏表示策略，估计所述参数化模型的模型参数。
具体可以包括以下步骤：
1)针对每个参数构造字典，将向量化的散射中心进行线性表示为：
e＝D(Θ)σ
其中，e表示散射中心的线性向量化；D表示字典；σ表示待估计参数。
2)利用正交匹配追踪方法估计模型参数集合中的每个参数。
其中问题归于：
Figure BDA0003217850890000112
其中，|| ||p表示p范数；ε表示一个较小的常量。
本领域技术人员可以理解的是，通过上述步骤可以得到属性散射中心模型参数集合中参数的估计值，关于上述两步骤的具体内容请参见相关的现有技术理解，在此不做详细说明。
S03，利用该原始样本、所述参数化模型和所述模型参数进行目标重构，得到该原始样本的重构数据组，所述重构数据组包括目标重构结果和对应的残差分量。
本步骤中，利用该原始样本、所述参数化模型和所述模型参数进行目标重构的过程属于现有技术，在此不做详细说明。
为了便于方案描述，在此将该原始样本得到的目标重构结果和对应的残差分量这两种数据构成一个重构数据组进行描述。
可以理解的是，其中，目标重构结果体现的是该原始样本中目标的信息，残差分量则体现该原始样本中背景相关信息。可以理解的是，目标重构结果和对应的残差分量均为频率域数据。
该原始样本经过该步骤得到的目标重构结果和对应的残差分量请参见图3，图3为本发明实施例的原始样本对应的原始SAR图像、目标重构结果和残差分量的示意图。在图3中以三行分别示意。
其中，第二行中的5个图是针对第一行的原始样本对应的原始SAR图像，调整散射中心能量得到的不同的目标重构结果，第三行中的5个图分别是第二行中5个图对应的残差分量图。
S04，对所述目标重构结果和/或所述对应的残差分量进行至少一次的所述随机部分频率修改操作，每次得到修改后重构数据组。
本发明实施例中，在一次的所述随机部分频率修改操作中，可以仅对所述目标重构结果进行操作，保持所述对应的残差分量不变，那么该次得到的修改后重构数据组相比于原先的重构数据组，仅所述目标重构结果发生了变化。
或者，在一次的所述随机部分频率修改操作中，可以仅对所述对应的残差分量进行操作，保持所述目标重构结果不变，那么该次得到的修改后重构数据组相比于原先的重构数据组，仅所述对应的残差分量发生了变化。
或者，在一次的所述随机部分频率修改操作中，可以对所述目标重构结果和所述对应的残差分量均进行操作，那么该次得到的修改后重构数据组相比于原先的重构数据组，原先的所述目标重构结果和所述对应的残差分量均发生了变化。
可以理解的是，前两种单一数据变化的方式可以获得数量较多的修改后重构数据组，能够快速增加扩展样本的数量。而第三种方式相比于前两种单一数据变化的方式，得到的修改后重构数据组与重构数据组差异更大，会使得扩展样本与原始样本的差异更大，在用于网络训练时有利于提高目标识别精度。
可选的一种实施方式中，可以将上述三种方式合并使用，以快速增加扩展样本数量并获得具有不同差异化程度的扩展样本以提高网络训练效果。
其中，所述随机部分频率修改操作，包括：
随机选取部分频率值，将选出的频率值置为预设值。
其中，针对所述目标重构结果和所述对应的残差分量之任一，所述随机选取部分频率值可以采用随机采样的方式进行，比如位置随机的多点采样，位置随机的多线采样等等。通过随机选取频率可以增加去除杂波等不必要成分的概率，有效应对实际应用场景的多种扰动因素。
可选的一种实施方式中，所述随机选取部分频率值，包括：
利用一个位置随机的区域框框选部分频率值。
采用区域框的方式可以简便快速地一次性选择一个范围内的频率进行操作，相比于多次采样，能够提高处理效率。
具体的，针对所述目标重构结果和所述对应的残差分量之任一，各次的所述随机部分频率修改操作中，区域框的位置是随机生成的，形状可以为任意形状，尺寸也可以随机生成，但需保证操作过程中区域框在所述目标重构结果或对应的残差分量的范围之内。所述区域框边界以及之内的频率值为被选择的频率值。
由于矩形形状更符合图像像素的分布方式，且设置简便易于操作，可选的一种实施方式中，区域框可以为矩形，尺寸随机性可以通过随机设定边长的方式实现，且通过随机更改长宽比可以修改区域框的形状，比如长宽比为1则为正方形。
关于预设值，本发明实施例可以选取与原数值类型相同的任意一种数值作为预设值，在一次所述随机部分频率修改操作中，预设值可以相同，也可以不同。
可选的一种实施方式中，所述预设值，包括：
零值或者随机值。
采用零值的方式较为简便，而采用随机值的方式可以增加所述随机部分频率修改操作的数据随机性和丰富性。
因此，本发明实施例通过区域框和预设值的随机产生方式，各次的所述随机部分频率修改操作中，被选择的频率值和修改后的频率值都是随机的，能够增加数据的随机性和差异性，能够增加去除杂波等不必要成分的概率，实现有效应对实际应用场景多种扰动因素的目的。
本发明实施例中，所述随机部分频率修改操作的执行次数至少为一次，但执行次数越多，所能够得到的修改后重构数据组的数量会更多；同时由于采用上述随机方式，在执行次数越多时，增加去除杂波等不必要成分的概率会越大，同时能够进一步增加数据的随机性和差异性，能够得到更多的扩展样本。
S05，将每个修改后重构数据组中的目标重构结果和残差分量进行合成，并将合成结果进行SAR成像，得到该原始样本对应的一个扩展样本。
本领域技术人员可以理解的是，将每个修改后重构数据组中的目标重构结果和残差分量进行合成后进行SAR成像的过程属于现有技术，可以采用任意一种SAR成像方法实现，比如傅里叶变换等等。具体在此不做详细说明。
请参见图4，图4为本发明实施例的原始样本对应的原始SAR图像，经过随机部分频率修改操作后再成像得到的SAR图像示意图；图4中第一行是原始样本对应的原始SAR图像，第二行是进行4次随机部分频率修改操作后再成像得到的不同的SAR图像。
该步骤SAR成像后得到的即为新目标成像数据，与原始样本的数据形式一致，可以作为其对应的扩展样本。
可以理解的是，针对一个原始样本，扩展样本的数量与该原始样本进行所述随机部分频率修改操作的执行次数匹配。
S06，将所述原始样本集中各原始样本得到的所有扩展样本所构成的集合，确定为扩展样本集。
本发明实施例中，所述原始样本集中每个原始样本均经过上述S01～S05的处理后，可以得到对应的多个扩展样本。之后将所述原始样本集中所有原始样本得到的所有扩展样本合并得到的集合，确定为扩展样本集。
本发明实施例所提供的方案中，在SAR图像的目标识别网络有限的原始样本集基础上，通过对原始样本集中每个原始样本利用参数化模型进行目标重构，进行随机部分频率修改操作，然后再进行SAR成像，可以得到与之前原始样本具有频率差异的扩展样本，将原始样本集中所有原始样本对应得到的扩展样本集与原始样本集共同作为目标识别网络的训练样本，能够增加训练样本数量，提高目标识别网络的训练精度，实现更可靠、更稳健的判决。可见，本发明实施例无需高昂的数据采集成本，利用图像处理等手段则可以简便地实现增加训练样本的目的，能够利用少量的训练样本实现高效的特征学习，因此在目标识别网络训练完成后用于识别未知的SAR图像时，能够提高识别精度，从而实现在训练样本受限情况下，提高SAR图像的目标识别精度的目的。
并且，本发明实施例将模型驱动的目标识别策略携带的领域知识及经验知识融入到深度学习策略中，并对频率采用随机选取部分进行修改的操作，利用该随机选取方式，能够增加去除杂波等不必要成分的概率，能够减小实际扰动因素的影响。
为了说明本发明实施例方法的有效性，以下以实验数据进行说明。
(一)实验条件：
本发明实施利用MSTAR SAR实测数据进行验证。MSTAR数据集是由MSTAR计划公布的用于科学研究的SAR图像数据集，是常用于科学评价SAR自动目标识别系统性能的数据集。MSTAR数据集共包括10类地面战术目标，分别为BTR70(装甲运输车)、D7(推土机)、ZSU_234(自行高炮)、BRDM_2(装甲侦察车)、T72(坦克)、BTR_60(装甲运输车)、2S1(自行榴弹炮)、ZIL131(货运卡车)、T62(坦克)和BMP2(步兵战车)，各种类别的目标还具有不同的型号，同类但不同型号的目标在配备上有些差异，但总体散射特性相差不大。数据采集的雷达传感器参数如下表1，实验运行系统为Intel(R)Core(TM)i7-8750H CPU@2.20GHz和NVIDIAGeForce RTX2060GPU，64位Windows10操作系统，仿真软件采用Python3.6。
表1实验的SAR图像成像参数
中心频率 9.6GHz
信号带宽 0.591GHz
工作模式 条带式成像
极化方式 HH
乘性噪声 -10dB
加性噪声 -32～34dB
动态范围 64dB
方位角波束宽度 8.8度
倾斜角波束宽度 6.8度
分辨率 0.3×0.3米
像元间距 0.2×0.2米
(二)实验内容和结果分析：
表2实验样本类别及数量
Figure BDA0003217850890000171
本发明实施例实验选取部分MSTAR SAR实测数据。表2中，第一列表示俯仰角度数；后面几列中数字表示样本数量，SN开头的字符表示目标的具体型号。
在具体实验中，随机部分频率修改操作采用四种模式，如表3所示。
表3随机部分频率修改操作采用的四种模式
模式 区域框形状 预设值
模式1 随机矩形 零值
模式2 随机矩形 随机值
模式3 固定矩形 零值
模式4 固定矩形 随机值
具体的，随机矩形表示矩形的尺寸随机但长宽比为1，即为正方形，正方形的边长取值范围可以在0.3～3之间；固定矩形表示矩形的尺寸随机且长宽比随机，固定矩形的尺寸可以为30×30、30×25、25×20等等。
关于四种模式，请参见图5，图5为本发明实施例提出的随机部分频率修改操作采用的四种模式的处理示意图。图5中，四行分别对应模式1～模式4，每个模式给出3个不同的示例。预设值为零值对应的填充区域为单一颜色；预设值为随机值对应的填充区域为点状杂色，不同颜色表示数值不同。
需要补充说明的是，本发明实施例中图5和图3、图4均采用灰度图方式示意，原始的实验数据图是具有颜色特征的。
1)第一组实验：
目标识别网络选用ShuffleNet网络，利用构造的实验环境对其识别准确率进行验证，实验结果如表4所示。
表4第一组实验结果评价对比
Figure BDA0003217850890000181
其中，原始方法指的是利用原始样本集训练ShuffleNet网络完成后，利用其对测试集中SAR图像进行目标识别。本发明方法指的是对原始样本集利用本发明实施例方法得到扩展样本集，用两者合并训练ShuffleNet网络后，利用训练完成的ShuffleNet网络对测试集中SAR图像进行目标识别。准确率表示正确识别目标的概率。从表4可见，使用本发明实施例提出方法，识别结果比原始的判决结果的准确率有明显提升。
2)第二组实验：
目标识别网络选用MobileNet网络，利用构造的实验环境对其识别准确率进行验证，实验结果如表5所示。
表5第二组实验结果评价对比
Figure BDA0003217850890000191
其中，原始方法指的是利用原始样本集训练MobileNet网络完成后，利用其对测试集中SAR图像进行目标识别。本发明方法指的是对原始样本集利用本发明实施例方法得到扩展样本集，用两者合并训练MobileNet网络后，利用训练完成的MobileNet网络对测试集中SAR图像进行目标识别。准确率表示正确识别目标的概率。从表5可见，使用本发明实施例提出方法，识别结果比原始的判决结果的准确率有明显提升。
实验结果可见，本发明实施方法能够克服训练样本不足造成的神经网络欠拟合现象，能够较好地解决训练样本受限条件下的SAR图像目标识别问题。
第二方面，相应于上述方法实施例，本发明实施例还提供了一种模型与数据联合驱动的SAR图像目标识别装置，如图6所示，该装置包括：
图像获取模块601，用于获取待识别的SAR图像；
目标识别模块602，用于将所述SAR图像输入预先训练完成的目标识别网络，得到所述SAR图像的目标识别结果；
其中，所述目标识别网络是利用具有标记信息的原始样本集和扩展样本集预先合并训练得到的；所述扩展样本集是基于所述原始样本集，利用参数化模型进行目标重构，并进行随机部分频率修改操作后再成像得到的。
进一步的，所述扩展样本集的获得过程，包括：
针对所述原始样本集中每个原始样本，对该原始样本进行参数化电磁散射建模，得到构建的参数化模型；
估计所述参数化模型的模型参数；
利用该原始样本、所述参数化模型和所述模型参数进行目标重构，得到该原始样本的重构数据组，所述重构数据组包括目标重构结果和对应的残差分量；
对所述目标重构结果和/或所述对应的残差分量进行至少一次的所述随机部分频率修改操作，每次得到修改后重构数据组；
将每个修改后重构数据组中的目标重构结果和残差分量进行合成，并将合成结果进行SAR成像，得到该原始样本对应的一个扩展样本；
将所述原始样本集中各原始样本得到的所有扩展样本所构成的集合，确定为扩展样本集。
进一步的，所述参数化模型，包括：
属性散射中心模型。
进一步的，所述估计所述参数化模型的模型参数，包括：
利用信号稀疏表示策略，估计所述参数化模型的模型参数。
进一步的，所述随机部分频率修改操作，包括：
随机选取部分频率值，将选出的频率值置为预设值。
进一步的，所述随机选取部分频率值，包括：
利用一个位置随机的区域框框选部分频率值。
进一步的，所述预设值，包括：
零值或者随机值。
关于具体内容请参见第一方面所述的方法部分，在此不做赘述。
本发明实施例所提供的方案中，在SAR图像的目标识别网络有限的原始样本集基础上，通过对原始样本集中每个原始样本利用参数化模型进行目标重构，进行随机部分频率修改操作，然后再进行SAR成像，可以得到与之前原始样本具有频率差异的扩展样本，将原始样本集中所有原始样本对应得到的扩展样本集与原始样本集共同作为目标识别网络的训练样本，能够增加训练样本数量，提高目标识别网络的训练精度，实现更可靠、更稳健的判决。可见，本发明实施例无需高昂的数据采集成本，利用图像处理等手段则可以简便地实现增加训练样本的目的，能够利用少量的训练样本实现高效的特征学习，因此在目标识别网络训练完成后用于识别未知的SAR图像时，能够提高识别精度，从而实现在训练样本受限情况下，提高SAR图像的目标识别精度的目的。
并且，本发明实施例将模型驱动的目标识别策略携带的领域知识及经验知识融入到深度学习策略中，并对频率采用随机选取部分进行修改的操作，利用该随机选取方式，能够增加去除杂波等不必要成分的概率，能够减小实际扰动因素的影响。
第三方面，本发明实施例还提供了一种电子设备，如图7所示，包括处理器701、通信接口702、存储器703和通信总线704，其中，处理器701，通信接口702，存储器703通过通信总线704完成相互间的通信，
存储器703，用于存放计算机程序；
处理器701，用于执行存储器703上所存放的程序时，实现如第一方面所述的模型与数据联合驱动的SAR图像目标识别方法的步骤。
该电子设备可以为：台式计算机、便携式计算机、智能移动终端、服务器等。在此不作限定，任何可以实现本发明的电子设备，均属于本发明的保护范围。
上述电子设备提到的通信总线可以是外设部件互连标准(Peripheral ComponentInterconnect，PCI)总线或扩展工业标准结构(Extended Industry StandardArchitecture，EISA)总线等。该通信总线可以分为地址总线、数据总线、控制总线等。为便于表示，图中仅用一条粗线表示，但并不表示仅有一根总线或一种类型的总线。
通信接口用于上述电子设备与其他设备之间的通信。
存储器可以包括随机存取存储器(Random Access Memory，RAM)，也可以包括非易失性存储器(Non-Volatile Memory，NVM)，例如至少一个磁盘存储器。可选的，存储器还可以是至少一个位于远离前述处理器的存储装置。
上述的处理器可以是通用处理器，包括中央处理器(Central Processing Unit，CPU)、网络处理器(Network Processor，NP)等；还可以是数字信号处理器(Digital SignalProcessing，DSP)、专用集成电路(Application Specific Integrated Circuit，ASIC)、现场可编程门阵列(Field-Programmable Gate Array，FPGA)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件。
通过上述电子设备，能够实现：在训练样本受限情况下，提高SAR图像的目标识别精度，并减小实际扰动因素的影响。
第四方面，相应于第一方面所提供的模型与数据联合驱动的SAR图像目标识别方法，本发明实施例还提供了一种计算机可读存储介质，该计算机可读存储介质内存储有计算机程序，计算机程序被处理器执行时实现本发明实施例所提供的模型与数据联合驱动的SAR图像目标识别方法的步骤。
上述计算机可读存储介质存储有在运行时执行本发明实施例所提供的模型与数据联合驱动的SAR图像目标识别方法的应用程序，因此能够实现：在训练样本受限情况下，提高SAR图像的目标识别精度，并减小实际扰动因素的影响。
对于装置/电子设备/存储介质实施例而言，由于其基本相似于方法实施例，所以描述的比较简单，相关之处参见方法实施例的部分说明即可。
需要说明的是，本发明实施例的装置、电子设备及存储介质分别是应用上述模型与数据联合驱动的SAR图像目标识别方法的装置、电子设备及存储介质，则上述模型与数据联合驱动的SAR图像目标识别方法的所有实施例均适用于该装置、电子设备及存储介质，且均能达到相同或相似的有益效果。
需要说明的是，在本文中，诸如第一和第二等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来，而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。而且，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、物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、物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，并不排除在包括要素的过程、方法、物品或者设备中还存在另外的相同要素。
以上仅为本发明的较佳实施例而已，并非用于限定本发明的保护范围。凡在本发明的精神和原则之内所作的任何修改、等同替换、改进等，均包含在本发明的保护范围内。

Claims (10)

1.一种模型与数据联合驱动的SAR图像目标识别方法，其特征在于，包括：
获取待识别的SAR图像；
将所述SAR图像输入预先训练完成的目标识别网络，得到所述SAR图像的目标识别结果；
其中，所述目标识别网络是利用具有标记信息的原始样本集和扩展样本集预先合并训练得到的；所述扩展样本集是基于所述原始样本集，利用参数化模型进行目标重构，并进行随机部分频率修改操作后再成像得到的。
2.根据权利要求1所述的模型与数据联合驱动的SAR图像目标识别方法，其特征在于，所述扩展样本集的获得过程，包括：
针对所述原始样本集中每个原始样本，对该原始样本进行参数化电磁散射建模，得到构建的参数化模型；
估计所述参数化模型的模型参数；
利用该原始样本、所述参数化模型和所述模型参数进行目标重构，得到该原始样本的重构数据组，所述重构数据组包括目标重构结果和对应的残差分量；
对所述目标重构结果和/或所述对应的残差分量进行至少一次的所述随机部分频率修改操作，每次得到修改后重构数据组；
将每个修改后重构数据组中的目标重构结果和残差分量进行合成，并将合成结果进行SAR成像，得到该原始样本对应的一个扩展样本；
将所述原始样本集中各原始样本得到的所有扩展样本所构成的集合，确定为扩展样本集。
3.根据权利要求2所述的模型与数据联合驱动的SAR图像目标识别方法，其特征在于，所述参数化模型，包括：
属性散射中心模型。
4.根据权利要求2所述的模型与数据联合驱动的SAR图像目标识别方法，其特征在于，所述估计所述参数化模型的模型参数，包括：
利用信号稀疏表示策略，估计所述参数化模型的模型参数。
5.根据权利要求2所述的模型与数据联合驱动的SAR图像目标识别方法，其特征在于，所述随机部分频率修改操作，包括：
随机选取部分频率值，将选出的频率值置为预设值。
6.根据权利要求5所述的模型与数据联合驱动的SAR图像目标识别方法，其特征在于，所述随机选取部分频率值，包括：
利用一个位置随机的区域框框选部分频率值。
7.根据权利要求5所述的模型与数据联合驱动的SAR图像目标识别方法，其特征在于，所述预设值，包括：
零值或者随机值。
8.一种模型与数据联合驱动的SAR图像目标识别装置，其特征在于，包括：
图像获取模块，用于获取待识别的SAR图像；
目标识别模块，用于将所述SAR图像输入预先训练完成的目标识别网络，得到所述SAR图像的目标识别结果；
其中，所述目标识别网络是利用具有标记信息的原始样本集和扩展样本集预先合并训练得到的；所述扩展样本集是基于所述原始样本集，利用参数化模型进行目标重构，并进行随机部分频率修改操作后再成像得到的。
9.一种电子设备，其特征在于，包括处理器、通信接口、存储器和通信总线，其中，所述处理器、所述通信接口、所述存储器通过所述通信总线完成相互相的通信；
所述存储器，用于存放计算机程序；
所述处理器，用于执行所述存储器上所存放的程序时，实现权利要求1-7任一所述的方法步骤。
10.一种计算机可读存储介质，其特征在于，
所述计算机可读存储介质内存储有计算机程序，所述计算机程序被处理器执行时实现权利要求1-7任一所述的方法步骤。
CN202110949385.6A 2021-08-18 2021-08-18 一种模型与数据联合驱动的sar图像目标识别方法 Pending CN113780364A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202110949385.6A CN113780364A (zh) 2021-08-18 2021-08-18 一种模型与数据联合驱动的sar图像目标识别方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202110949385.6A CN113780364A (zh) 2021-08-18 2021-08-18 一种模型与数据联合驱动的sar图像目标识别方法

Publications (1)

Publication Number Publication Date
CN113780364A true CN113780364A (zh) 2021-12-10

Family

ID=78838118

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202110949385.6A Pending CN113780364A (zh) 2021-08-18 2021-08-18 一种模型与数据联合驱动的sar图像目标识别方法

Country Status (1)

Country Link
CN (1) CN113780364A (zh)

Citations (16)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2004021042A1 (en) * 2002-08-31 2004-03-11 Eads Astrium Limited Pulse compression method, including a correction of non-linearity in radarsignals, and system for performing the same
CN101984454A (zh) * 2010-11-19 2011-03-09 杭州电子科技大学 一种基于数据驱动的多源多特征信息融合方法
DE102011109503A1 (de) * 2011-07-06 2013-01-10 Deutsches Zentrum für Luft- und Raumfahrt e.V. Qualitätsabhängige Modellierung von Radar-Rückstreuung
CN105659314A (zh) * 2013-09-19 2016-06-08 微软技术许可有限责任公司 通过自动地调整样本特征来组合音频样本
US20170350974A1 (en) * 2016-04-29 2017-12-07 The Boeing Company Methods and systems for model based automatic target recognition in sar data
CN108256465A (zh) * 2018-01-12 2018-07-06 国网冀北电力有限公司秦皇岛供电公司 电能质量扰动事件识别方法及装置
US20180300454A1 (en) * 2015-10-27 2018-10-18 Koninklijke Philips N.V. Pattern discovery visual analytics system to analyze characteristics of clinical data and generate patient cohorts
CN109145815A (zh) * 2018-08-21 2019-01-04 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
CN110516561A (zh) * 2019-08-05 2019-11-29 西安电子科技大学 基于dcgan和cnn的sar图像目标识别方法
CN110852975A (zh) * 2019-11-15 2020-02-28 大连海事大学 变异系数与局部熵联合驱动雷达图像非局部均值方法
CN111369567A (zh) * 2018-12-26 2020-07-03 腾讯科技（深圳）有限公司 三维图像中目标对象的分割方法、装置及电子设备
CN111538316A (zh) * 2020-05-21 2020-08-14 北京航空航天大学 基于性能的闭环控制系统执行机构故障诊断方法及系统
CN111950646A (zh) * 2020-08-20 2020-11-17 北京环境特性研究所 电磁图像的层次化知识模型构建方法及目标识别方法
CN112131962A (zh) * 2020-08-28 2020-12-25 西安电子科技大学 基于电磁散射特征和深度网络特征的sar图像识别方法
CN112654001A (zh) * 2020-10-27 2021-04-13 华中科技大学 面向多无人艇协同控制的混合通信网络架构、管理方法及通信质量评价
US20210118425A1 (en) * 2019-10-21 2021-04-22 Nuance Communications, Inc. System and method using parameterized speech synthesis to train acoustic models

Patent Citations (16)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2004021042A1 (en) * 2002-08-31 2004-03-11 Eads Astrium Limited Pulse compression method, including a correction of non-linearity in radarsignals, and system for performing the same
CN101984454A (zh) * 2010-11-19 2011-03-09 杭州电子科技大学 一种基于数据驱动的多源多特征信息融合方法
DE102011109503A1 (de) * 2011-07-06 2013-01-10 Deutsches Zentrum für Luft- und Raumfahrt e.V. Qualitätsabhängige Modellierung von Radar-Rückstreuung
CN105659314A (zh) * 2013-09-19 2016-06-08 微软技术许可有限责任公司 通过自动地调整样本特征来组合音频样本
US20180300454A1 (en) * 2015-10-27 2018-10-18 Koninklijke Philips N.V. Pattern discovery visual analytics system to analyze characteristics of clinical data and generate patient cohorts
US20170350974A1 (en) * 2016-04-29 2017-12-07 The Boeing Company Methods and systems for model based automatic target recognition in sar data
CN108256465A (zh) * 2018-01-12 2018-07-06 国网冀北电力有限公司秦皇岛供电公司 电能质量扰动事件识别方法及装置
CN109145815A (zh) * 2018-08-21 2019-01-04 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
CN111369567A (zh) * 2018-12-26 2020-07-03 腾讯科技（深圳）有限公司 三维图像中目标对象的分割方法、装置及电子设备
CN110516561A (zh) * 2019-08-05 2019-11-29 西安电子科技大学 基于dcgan和cnn的sar图像目标识别方法
US20210118425A1 (en) * 2019-10-21 2021-04-22 Nuance Communications, Inc. System and method using parameterized speech synthesis to train acoustic models
CN110852975A (zh) * 2019-11-15 2020-02-28 大连海事大学 变异系数与局部熵联合驱动雷达图像非局部均值方法
CN111538316A (zh) * 2020-05-21 2020-08-14 北京航空航天大学 基于性能的闭环控制系统执行机构故障诊断方法及系统
CN111950646A (zh) * 2020-08-20 2020-11-17 北京环境特性研究所 电磁图像的层次化知识模型构建方法及目标识别方法
CN112131962A (zh) * 2020-08-28 2020-12-25 西安电子科技大学 基于电磁散射特征和深度网络特征的sar图像识别方法
CN112654001A (zh) * 2020-10-27 2021-04-13 华中科技大学 面向多无人艇协同控制的混合通信网络架构、管理方法及通信质量评价

Similar Documents

Publication Publication Date Title
US11428803B2 (en) Method and apparatus for SAR image data enhancement, and storage medium
Zhang et al. Domain knowledge powered two-stream deep network for few-shot SAR vehicle recognition
CN109086700B (zh) 基于深度卷积神经网络的雷达一维距离像目标识别方法
Wang et al. New hierarchical saliency filtering for fast ship detection in high-resolution SAR images
CN109766835B (zh) 基于多参数优化生成对抗网络的sar目标识别方法
CN108776779B (zh) 基于卷积循环网络的sar序列图像目标识别方法
CN107341488B (zh) 一种sar图像目标检测识别一体化方法
CN114820465B (zh) 点云检测模型训练方法、装置、电子设备及存储介质
CN113486961A (zh) 基于深度学习的低信噪比下雷达rd图像目标检测方法、系统及计算机设备
Fu et al. Aircraft recognition in SAR images based on scattering structure feature and template matching
CN112884820A (zh) 一种影像初始配准及神经网络的训练方法、装置和设备
Yu et al. Application of a convolutional autoencoder to half space radar hrrp recognition
Ghannadi et al. Optimal texture image reconstruction method for improvement of SAR image matching
CN109801208A (zh) 基于多gpu任务优化的sar图像变化检测方法
CN113960551A (zh) 一种针对sar图像的杂波图像生成方法和目标检测方法
CN113806920B (zh) 一种无人机集群电磁散射仿真方法、装置、设备及介质
CN113780364A (zh) 一种模型与数据联合驱动的sar图像目标识别方法
Arivazhagan et al. Optimal Gabor sub-band-based spectral kurtosis and Teager Kaiser energy for maritime target detection in SAR images
CN109766899A (zh) 物理特征提取和svm的sar图像车辆目标识别方法
CN116258960A (zh) 基于结构化电磁散射特征的sar目标识别方法及装置
CN114708497A (zh) 一种深度生成模型仿真sar图像的质量评估方法和装置
Zhang et al. Marine radar monitoring IoT system and case study of target detection based on PPI images
CN104732190A (zh) 一种基于正交纹理相关分析的合成孔径声纳目标检测方法
CN113723182A (zh) 一种训练样本受限条件下的sar图像舰船检测方法
CN108830290B (zh) 基于稀疏表示和高斯分布的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