CN115345322B - 一种基于层级化元迁移的小样本雷达目标识别方法 - Google Patents
一种基于层级化元迁移的小样本雷达目标识别方法 Download PDFInfo
- Publication number
- CN115345322B CN115345322B CN202211276348.4A CN202211276348A CN115345322B CN 115345322 B CN115345322 B CN 115345322B CN 202211276348 A CN202211276348 A CN 202211276348A CN 115345322 B CN115345322 B CN 115345322B
- Authority
- CN
- China
- Prior art keywords
- sample
- class
- samples
- meta
- task
- 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
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V20/00—Scenes; Scene-specific elements
- G06V20/10—Terrestrial scenes
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N20/00—Machine learning
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/20—Image preprocessing
- G06V10/26—Segmentation of patterns in the image field; Cutting or merging of image elements to establish the pattern region, e.g. clustering-based techniques; Detection of occlusion
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
- G06V10/764—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using classification, e.g. of video objects
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
- G06V10/77—Processing image or video features in feature spaces; using data integration or data reduction, e.g. principal component analysis [PCA] or independent component analysis [ICA] or self-organising maps [SOM]; Blind source separation
- G06V10/774—Generating sets of training patterns; Bootstrap methods, e.g. bagging or boosting
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Physics & Mathematics (AREA)
- Software Systems (AREA)
- Multimedia (AREA)
- Computing Systems (AREA)
- Medical Informatics (AREA)
- Evolutionary Computation (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Artificial Intelligence (AREA)
- General Health & Medical Sciences (AREA)
- Databases & Information Systems (AREA)
- Health & Medical Sciences (AREA)
- Data Mining & Analysis (AREA)
- General Engineering & Computer Science (AREA)
- Mathematical Physics (AREA)
- Image Analysis (AREA)
Abstract
本发明属于目标识别技术领域,具体的说是涉及一种基于小样本的层级化元迁移雷达目标识别方法。本发明基于注意力机制提取特征,在特征级、样本级、和任务级上的层级化深度知识迁移,以寻求一个嵌入空间使得样本接近同类目标的类别原子,远离于其他类目标的类别原子。其中,在特征级设计了基于注意力机制的特征编码器,充分挖掘样本全局性的域不变特征,以克服样本在数据分布上的域差异问题;在样本级设计原子编码器,生成更加稳定的类别原子,以避免离群样本的影响;在任务级,设计元学习器累积训练任务的学习经验迁移至新任务,培养模型跨任务知识迁移的能力,实现元迁移目标识别。本发明的目标识别方法是一种智能的目标识别方法。
Description
技术领域
本发明属于雷达目标识别技术领域,具体的说是涉及一种基于层级化元迁移的小样本雷达目标识别方法。
背景技术
雷达目标识别技术是指利用雷达对目标进行探测,通过分析所捕获信息确定目标的种类、型号等属性的技术,在地形勘探及战场侦察等领域展现出很好的应用潜力。随着人工智能技术的发展,深度学习方法因其自动且强大的特征提取能力而受到研究者的广泛关注,推动了智能化雷达目标识别技术的产生与进步。然而,深度学习的模型训练往往依赖于大量的标记样本。受时效性约束和资源限制,获取大量的标记样本耗费巨大的人力、物力及时间成本。因此,在小样本场景下利用元学习进行知识共享,从而提升目标识别性能,是当前雷达目标识别技术领域的研究热点之一。
文献“Guo J, Wang L, Zhu D, et al. SAR Target Recognition With LimitedSamples Based on Meta Knowledge Transferring Using Relation Network[C]//2020International Symposium on Antennas and Propagation (ISAP). IEEE, 2021: 377-378”提出一种基于对比学习的小样本雷达目标识别方法,通过构建神经网络来计算两个输入样本之间的距离来分析匹配程度,从而判断其是否属于同一类。在对未标记样本进行分类时,以距离最近的标记样本的标签作为预测标签。但是,这种方法需要将待测样本与每一个标记样本进行对比,计算繁琐且复杂度较高。为解决上述问题,文献“Cai J, Zhang Y,Guo J, et al. ST-PN: A Spatial Transformed Prototypical Network for Few-ShotSAR Image Classification[J]. Remote Sensing, 2022, 14(9): 2019”提出一种基于类别原子的小样本雷达目标识别方法,将每类标记样本的特征取平均作为类别原子,在对未标记样本分类时,只需将其特征和类别原子进行对比,从而降低计算复杂度,但该方法没有对样本特征和目标特征进行深度探索,生成的类别原子在小样本场景下很容易受离群样本的影响,存在质量差,稳健性差的问题,进而影响目标识别性能。同时,考虑到这些元学习方法只是寻求样本的相似度关系,在面对和训练任务不同的新任务时,模型无法优化实现知识的跨任务迁移。因此,研究基于层级化元迁移的小样本目标识别方法有望进一步提升目标识别性能。
发明内容
本发明的目的是,为克服上述不足,提供一种基于层级化元迁移的小样本雷达目标识别方法。本发明基于注意力机制提取特征,在特征级、样本级、和任务级上的层级化深度知识迁移,以寻求一个嵌入空间使得样本接近同类目标的类别原子,远离于其他类目标的类别原子。其中,在特征级设计了基于注意力机制的特征编码器,充分挖掘样本全局性的域不变特征,以克服样本在数据分布上的域差异问题;在样本级设计原子编码器,生成更加稳定的类别原子,以避免离群样本的影响;在任务级,设计元学习器累积训练任务的学习经验迁移至新任务,培养模型跨任务知识迁移的能力,实现元迁移目标识别。因此本发明提出的基于层级化元迁移的小样本雷达目标识别方法是一种智能的目标识别方法。
本发明的技术方案是:
一种基于层级化元迁移的小样本雷达目标识别方法,包括以下步骤:
S1、通过雷达获取各目标静态时在源域和目标域的原始图像,将对目标在不同方位角下进行观测得到的图像进行切割处理后得到样本;
S32、在样本级构建基于注意力机制的类别原子编码器,利用元学习器对类别
原子编码器进行初始化后,基于获得的支撑集样本的深度全局性特征计算
的类别原子,根据支撑集样本和不同类别原子的距离获得对应样本归属于不同类的概率,
再根据概率设计并最小化类别原子损失函数,以此更新类别原子编码器和类别原子;
S33、在任务级累计当前训练任务的学习经验,更新元学习器:
S5、记待测任务的标记样本为支撑集,未标记的待测样本为查询集;利用S4获得的
元学习器进行初始化得到目标识别用特征编码器和类别原子编码器,利
用目标识别用特征编码对支撑集和查询集样本提取深度全局性特征;利用目标识别用类别
原子编码器基于支撑集深度全局性特征计算并更新类别原子,利用距离函数计算查
询集中待测样本的深度全局性特征和不同类别原子的距离,选取距离最近的类别原子的标
签作为待测样本的预测标签,得到识别结果。
进一步的,步骤S2中,所述支撑集是通过K way N shot形式在源域中抽取标记样
本构成,定义为,K way N shot指的是对K类目标每个类别随机抽取N个标记训
练样本,是第k类目标的第n个样本;查询集是通过K way N shot的形式在目标域抽取标
记样本构成,定义为,其中,是第k类目标的第m个样本;支撑集和查询集中
的样本是相同类别目标在不同域中的样本,定义对应的类别标签为,其中,。
通过神经网络模块对样本提取泛化特征;
进一步的,步骤S32中,所述更新类别原子编码器和类别原子的具体方法为:
根据概率设计并最小化类别原子损失函数:
进一步的,步骤S33中,更新元学习器的具体方法为:
根据概率设计元学习器损失函数:
本发明的有益效果是:本发明针对小样本目标识别场景,在特征级充分挖掘样本的全局特征,在样本级充分探索同类目标不同样本的稳健性特征,在任务级设计元学习器有效累积不同任务的学习经验。通过特征级、样本级和任务级的层级化学习,提升了特征信息的质量,降低离群样本的负面影响,培养了模型的自主学习能力,进而提高了小样本目标识别技术的鲁棒性。本发明提出的基于层级化元迁移的小样本雷达目标识别方法是一种智能的雷达目标识别方法。
附图说明
图1为本发明的算法流程图。
图2为背景技术方法和本发明方法的识别准确率对比图。
具体实施方式
下面结合附图及实施例,详细描述本发明的技术方案:
如图1所示,本发明设计了一种基于层级化元迁移的小样本雷达目标识别方法,包括特征级,样本级和任务级。针对每个元训练任务,在特征级,采用注意力机制构建特征编码器以提取单个样本中更重要的特征;在样本级,采用注意力机制构建原子编码器,通过整合同类目标不同样本的信息生成高质量的类别原子作为对应类别的代表性信息。在任务级,构建元学习器,通过累积不同元训练任务的学习经验,获得自主学习能力。在面对新的待测任务时,基于少量标记样本,进一步优化训练好的的元学习器,生成高质量的类别原子用于目标识别。将待测样本和类别原子进行对比,选取相似度最高的类别原子的类别作为测试样本的预测类别,完成对测试样本的识别。
实施例:
本例是基于本发明内容方法的实际应用方式,在实际应用中,在建立特征编码器和类别原子编码器的时候进行同步初始化以使其能更快的进行处理。
步骤1. 在源域和目标域中分别采集原始图像样本并进行预处理,初步筛除目标背景的冗余信息,为训练模型做准备。
由雷达获取各目标静态时的不同俯仰角下的原始图像,每个固定的俯仰角下,对该目标在不同的方位角下进行观测。将获取的图像根据俯仰角的不同记为源域和目标域,并对其进行切割预处理。
记一个K分类任务为,构建所有元训练任务并记为,其中,P是任务总数。针
对任务,以K way N shot形式在源域中抽取标记样本构成支撑集并记为,其
中,K way N shot指的是对K类目标每个类别随机抽取N个标记训练样本,是第k类目标
的第n个样本;以K way M shot的形式在目标域抽取标记样本构成查询集并记为,其中,是第k类目标的第m个样本。支撑集和查询集中的样本应是相同类别
目标在不同域中的样本,记对应的类别标签为,其中,。
进一步地,所述步骤31的具体步骤为:
步骤31-1. 在特征级设计特征编码器,该特征编码器包含一个神经网络模块和
注意力机制模块,神经网络模块具备强大的特征提取能力,可挖掘样本的深层特征,注意力
机制模块则是为了使模型有选择地关注样本中的重要信息,提高模型信息处理的效率。利
用当前元学习器中的特征提取器对其进行初始化:;
步骤31-2. 采用神经网络模块和注意力机制提取样本的深度全局性特征,具体步骤如下:
步骤31-2-2. 将步骤31-2-1得到的样本泛化特征分块并拉直成向量,每个向量的
维度是,将所有向量记为,其中,R是分块的个数。为了有效整合分块特征
中信息,添加一个同维度的可学习向量代表整个样本的全局特征,记嵌入可学习信息的
特征为,;
步骤31-3. 由于高维空间的信息更加丰富,采用一层全连接网络将步骤31-2得到
的特征映射到高维空间,记高维空间的维度是维,再利用一层全连接网络映射回原来的
维度维,每层全连接层后面采用激活函数进行处理,以学习获得更加抽象的深层特征,增强信息的表达能力。为避免梯度消失问题,将其和步骤3-2得到的特征采用
残差结构进行结合得到深度全局性特征:
进一步地,所述步骤32的具体步骤为:
步骤32-2-3. 由于高维空间的信息更加丰富,采用一层全连接网络将步骤32-2-2
得到的特征映射到维的高维空间,再利用一层全连接网络映射回原来的维度维,每层
全连接层后面采用激活函数进行处理,以学习获得更加抽象的深层特征,增
强信息的表达能力。为避免梯度消失问题,将其和步骤32-2-2得到的特征采用残差结构进
行结合得到样本级深度全局性特征:
步骤32-4. 根据概率设计并最小化类别原子损失函数,以此更新类别原子编码器和类别原子,具体步骤为:
步骤33-2-1. 根据步骤33-1获得的分类概率设计元学习器分类损失函数:
步骤33-2-2. 为了提高样本的可分性,提升模型的识别性能,模型训练还采用对比损失作为损失函数,定义如下:
其中,
步骤33-2-3. 将步骤33-2-1和步骤33-2-2的损失函数结合获得总的元学习器损失函数为:
仿真示例:
采用实施例模型对运动和静止目标获取与识别MSTAR数据集进行实验,该数据集的传感器采用的是高分辨率的聚束式合成孔径雷达,采用HH极化方式,在X波段工作,分辨率为0.3m×0.3m。该数据大多是静止车辆的SAR切片图像,共包含十类目标,分别是BMP2、T72、BTR70、2S1、BRDM2、BTR60、D7、T62、ZIL131、ZSU234和T72,取其中的7类目标构成元训练任务,剩余的3类目标构建待测任务。以俯仰角17°观测的样本数据为源域样本,俯仰角15°观测的样本数据为目标域样本,实验中的具体样本数目如表1所示。
表 1 实验数据具体数目
为去除背景杂波的影响,将样本图像大小以中心切割为64×64。本案例采用的3分
类任务,即每个元训练任务和待测任务均包含三类目标。对于元训练任务,随机选取7类目
标中的3类组成元训练任务,针对小样本目标识别,以3way 5shot的形式随机在源域抽取样
本构成任务的支撑集,也就是在源域中对该任务的3类目标每类随机抽取5个样本;以3 way
15 shot 的形式在目标域随机抽取样本构成的查询集,也就是对该任务的3类目标每类随
机抽取15个样本。对于元训练任务,支撑集和查询集中的样本都是标记样本。以类似的方式
对待测目标类别随机抽取样本构成待测任务,其中支撑集来自源域,为俯仰角17°观测的标
记样本,查询集来自目标域,为俯仰角15°观测的待测样本。另外,本案例还仿真了不同噪声
环境下的目标域样本,对待测任务中查询集的待测样本随机选取一定百分比的像素,并通
过用独立的服从均匀分布的样本替换其像素点的强度来破坏像素,添加的随机噪声服从的均匀分布,其中,是图像中像素点中的最大值。选取的像素比例分别为0%,
5%和15%,分别代表不同噪声环境下的目标域,其中,0%表示原有数据集中的俯仰角15°观测
样本构建的待测样本。
本发明针对小样本目标识别设计了不同噪声环境下的实验来验证提出算法的优
越性,分别对比了背景技术方法和本发明方法对待测任务的识别结果。实验中特征编码器
的神经网络模块由四层卷积层组成,每层卷积层后均采用最大池化运算来缩减模型的大
小,提高计算速度,表2展示了每层卷积层及池化运算的详细参数,包括卷积核的尺寸,卷积
时的步长,填充的尺寸以及池化窗的尺寸。此外,实验中其他参数具体设置为:,, 以及margin =200。采用200个元训练任务进行
训练,采用1000个待测任务的平均识别率为算法性能的量化指标。随着目标域噪声水平的
增大,背景技术方法均产生了不同程度的明显下降,其中,背景技术方法1在0%和15%的噪声
环境下的识别准确率分别为77.43%和71.66%,背景技术方法的识别准确率为71.67%和
68.1%,而本发明方法仍能保持较高的识别率,在0%,5%和15%噪声环境下的识别准确率分别
为83.86%, 82.24%, 和81.92%,具有明显优势。综上所述,实验结果证明了本发明有效地在
小样本目标识别场景下探索了样本的深度全局性特征,培养了模型的自主学习能力,建立
了更加稳定的元学习模型,提升了目标识别性能。
表2 实验参数设置
Claims (3)
1.一种基于层级化元迁移的小样本雷达目标识别方法,其特征在于,包括以下步骤:
S1、通过雷达获取各目标静态时在源域和目标域的原始图像,将对目标在不同方位角下进行观测得到的图像进行切割处理后得到样本;
S2、利用样本构建训练任务,其中P是任务总数,任务包括支撑集和查询集,其
中支撑集是从源域中抽取标记样本构成,查询集是从目标域中抽取标记样本构成;所述支
撑集是通过K way N shot形式在源域中抽取标记样本构成,定义为,K way N
shot指的是对K类目标每个类别随机抽取N个标记训练样本,是第k类目标的第n个样本;
查询集是通过K way N shot的形式在目标域抽取M个标记样本构成,定义为,其
中,是第k类目标的第m个样本;支撑集和查询集中的样本是相同类别目标在不同域中的
样本,定义对应的类别标签为,其中,;
S31、在特征级构建基于注意力机制的特征编码器,利用元学习器对特征编码器进行
初始化后,提取中支撑集和查询集的深度全局性特征;所述特征编码器包括
一个神经网络模块和注意力机制模块,提取深度全局性特征的具体方式为:
通过神经网络模块对样本提取泛化特征;
S32、在样本级构建基于注意力机制的类别原子编码器,利用元学习器对类别原子编
码器进行初始化后,基于获得的支撑集样本的深度全局性特征计算的类别
原子,根据支撑集样本和不同类别原子的距离获得对应样本归属于不同类的概率,再根据
概率设计并最小化类别原子损失函数,以此更新类别原子编码器和类别原子;
S33、在任务级累计当前训练任务的学习经验,更新元学习器:
2.根据权利要求1所述的一种基于层级化元迁移的小样本雷达目标识别方法,其特征在于,步骤S32中,所述更新类别原子编码器和类别原子的具体方法为:
根据概率设计并最小化类别原子损失函数:
Priority Applications (2)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211276348.4A CN115345322B (zh) | 2022-10-19 | 2022-10-19 | 一种基于层级化元迁移的小样本雷达目标识别方法 |
PCT/CN2022/133980 WO2024082374A1 (zh) | 2022-10-19 | 2022-11-24 | 一种基于层级化元迁移的小样本雷达目标识别方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211276348.4A CN115345322B (zh) | 2022-10-19 | 2022-10-19 | 一种基于层级化元迁移的小样本雷达目标识别方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN115345322A CN115345322A (zh) | 2022-11-15 |
CN115345322B true CN115345322B (zh) | 2023-02-07 |
Family
ID=83957489
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202211276348.4A Active CN115345322B (zh) | 2022-10-19 | 2022-10-19 | 一种基于层级化元迁移的小样本雷达目标识别方法 |
Country Status (2)
Country | Link |
---|---|
CN (1) | CN115345322B (zh) |
WO (1) | WO2024082374A1 (zh) |
Families Citing this family (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115345322B (zh) * | 2022-10-19 | 2023-02-07 | 电子科技大学长三角研究院(衢州) | 一种基于层级化元迁移的小样本雷达目标识别方法 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112990334A (zh) * | 2021-03-29 | 2021-06-18 | 西安电子科技大学 | 基于改进原型网络的小样本sar图像目标识别方法 |
CN114387524A (zh) * | 2022-03-24 | 2022-04-22 | 军事科学院系统工程研究院网络信息研究所 | 基于多层级二阶表征的小样本学习的图像识别方法和系统 |
CN114488140A (zh) * | 2022-01-24 | 2022-05-13 | 电子科技大学 | 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 |
Family Cites Families (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110472483B (zh) * | 2019-07-02 | 2022-11-15 | 五邑大学 | 一种面向sar图像的小样本语义特征增强的方法及装置 |
CN114492581A (zh) * | 2021-12-27 | 2022-05-13 | 中国矿业大学 | 基于迁移学习和注意力机制元学习应用在小样本图片分类的方法 |
CN114511739A (zh) * | 2022-01-25 | 2022-05-17 | 哈尔滨工程大学 | 一种基于元迁移学习的任务自适应的小样本图像分类方法 |
CN114859316A (zh) * | 2022-06-14 | 2022-08-05 | 中国人民解放军海军航空大学 | 基于任务相关度加权的雷达目标智能识别方法 |
CN114879185A (zh) * | 2022-06-14 | 2022-08-09 | 中国人民解放军海军航空大学 | 基于任务经验迁移的雷达目标智能识别方法 |
CN115345322B (zh) * | 2022-10-19 | 2023-02-07 | 电子科技大学长三角研究院(衢州) | 一种基于层级化元迁移的小样本雷达目标识别方法 |
-
2022
- 2022-10-19 CN CN202211276348.4A patent/CN115345322B/zh active Active
- 2022-11-24 WO PCT/CN2022/133980 patent/WO2024082374A1/zh unknown
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112990334A (zh) * | 2021-03-29 | 2021-06-18 | 西安电子科技大学 | 基于改进原型网络的小样本sar图像目标识别方法 |
CN114488140A (zh) * | 2022-01-24 | 2022-05-13 | 电子科技大学 | 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 |
CN114387524A (zh) * | 2022-03-24 | 2022-04-22 | 军事科学院系统工程研究院网络信息研究所 | 基于多层级二阶表征的小样本学习的图像识别方法和系统 |
Non-Patent Citations (2)
Title |
---|
Ruifang Zhang ; Yangxue Liu.Multi Feature Small Sample Object Recognition Method based on DTW Algorithm.《2018 IEEE 3rd Advanced Information Technology, Electronic and Automation Control Conference (IAEAC)》.2018, * |
基于深度学习的合成孔径雷达图像目标识别研究;宣晨;《中国优秀硕士学位论文全文数据库》;20211215;全文 * |
Also Published As
Publication number | Publication date |
---|---|
CN115345322A (zh) | 2022-11-15 |
WO2024082374A1 (zh) | 2024-04-25 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110956185B (zh) | 一种图像显著目标的检测方法 | |
CN112347970B (zh) | 一种基于图卷积神经网络的遥感影像地物识别方法 | |
CN111079847B (zh) | 一种基于深度学习的遥感影像自动标注方法 | |
CN106897681B (zh) | 一种遥感图像对比分析方法及系统 | |
CN109871875B (zh) | 一种基于深度学习的建筑物变化检测方法 | |
CN111311647B (zh) | 一种基于全局-局部及卡尔曼滤波的目标跟踪方法及装置 | |
CN113988147B (zh) | 基于图网络的遥感图像场景多标签分类方法及装置、多标签检索方法及装置 | |
CN113221848B (zh) | 基于多分类器域对抗网络的高光谱开放集领域自适应方法 | |
CN115345322B (zh) | 一种基于层级化元迁移的小样本雷达目标识别方法 | |
CN113837134A (zh) | 一种基于面向对象的深度学习模型和迁移学习的湿地植被识别方法 | |
CN113111947A (zh) | 图像处理方法、装置和计算机可读存储介质 | |
CN114913498A (zh) | 一种基于关键点估计的并行多尺度特征聚合车道线检测方法 | |
CN113297988A (zh) | 一种基于域迁移和深度补全的物体姿态估计方法 | |
CN110705384B (zh) | 一种基于跨域迁移增强表示的车辆再识别方法 | |
Zhang et al. | SaltISCG: Interactive salt segmentation method based on CNN and graph cut | |
CN111291818A (zh) | 一种面向云掩膜的非均匀类别的样本均衡化方法 | |
CN111242028A (zh) | 基于U-Net的遥感图像地物分割方法 | |
CN115327544B (zh) | 基于自监督学习的少样本空间目标isar散焦补偿方法 | |
Wang et al. | Self-supervised learning for high-resolution remote sensing images change detection with variational information bottleneck | |
CN116310812A (zh) | 基于半监督语义分割对比学习的高分辨遥感图像语义变化检测方法 | |
Su et al. | Which CAM is better for extracting geographic objects? A perspective from principles and experiments | |
CN113409351B (zh) | 基于最优传输的无监督领域自适应遥感图像分割方法 | |
CN115223033A (zh) | 一种合成孔径声呐图像目标分类方法及系统 | |
CN115147727A (zh) | 一种遥感影像不透水面提取方法及系统 | |
CN112801179A (zh) | 面向跨领域复杂视觉任务的孪生分类器确定性最大化方法 |
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 |