CN117392545B - 一种基于深度学习的sar图像目标检测方法 - Google Patents
一种基于深度学习的sar图像目标检测方法 Download PDFInfo
- Publication number
- CN117392545B CN117392545B CN202311397629.XA CN202311397629A CN117392545B CN 117392545 B CN117392545 B CN 117392545B CN 202311397629 A CN202311397629 A CN 202311397629A CN 117392545 B CN117392545 B CN 117392545B
- Authority
- CN
- China
- Prior art keywords
- sample set
- sar image
- sar
- network
- layer
- 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 34
- 238000013135 deep learning Methods 0.000 title claims abstract description 22
- 238000012549 training Methods 0.000 claims abstract description 34
- 238000000034 method Methods 0.000 claims abstract description 23
- 230000008569 process Effects 0.000 claims abstract description 7
- 230000006870 function Effects 0.000 claims description 13
- 238000012935 Averaging Methods 0.000 claims description 11
- 230000035945 sensitivity Effects 0.000 claims description 10
- 238000011176 pooling Methods 0.000 claims description 8
- 238000010606 normalization Methods 0.000 claims description 7
- 230000004913 activation Effects 0.000 claims description 4
- PXFBZOLANLWPMH-UHFFFAOYSA-N 16-Epiaffinine Natural products C1C(C2=CC=CC=C2N2)=C2C(=O)CC2C(=CC)CN(C)C1C2CO PXFBZOLANLWPMH-UHFFFAOYSA-N 0.000 claims description 3
- 230000009466 transformation Effects 0.000 claims description 3
- 238000013519 translation Methods 0.000 claims description 3
- 238000013507 mapping Methods 0.000 claims description 2
- 230000000694 effects Effects 0.000 abstract description 5
- 238000012360 testing method Methods 0.000 abstract description 3
- 230000001629 suppression Effects 0.000 abstract 1
- 238000011160 research Methods 0.000 description 3
- 238000011161 development Methods 0.000 description 2
- 230000007246 mechanism Effects 0.000 description 2
- 238000013473 artificial intelligence Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 230000007613 environmental effect Effects 0.000 description 1
- 238000002474 experimental method Methods 0.000 description 1
- 238000000605 extraction Methods 0.000 description 1
- 230000004927 fusion Effects 0.000 description 1
- 238000003384 imaging method Methods 0.000 description 1
- 238000002372 labelling Methods 0.000 description 1
- 230000000149 penetrating effect Effects 0.000 description 1
- 238000012545 processing Methods 0.000 description 1
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
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/0464—Convolutional networks [CNN, ConvNet]
-
- 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
- G06N3/084—Backpropagation, e.g. using gradient descent
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/10—Image acquisition
- G06V10/16—Image acquisition using multiple overlapping images; Image stitching
-
- 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
- G06V10/30—Noise filtering
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/40—Extraction of image or video features
- G06V10/52—Scale-space analysis, e.g. wavelet analysis
-
- 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
-
- 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
- G06V10/82—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using neural networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V2201/00—Indexing scheme relating to image or video recognition or understanding
- G06V2201/07—Target detection
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Multimedia (AREA)
- Evolutionary Computation (AREA)
- Health & Medical Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Computing Systems (AREA)
- Software Systems (AREA)
- Artificial Intelligence (AREA)
- Biomedical Technology (AREA)
- Medical Informatics (AREA)
- Databases & Information Systems (AREA)
- Life Sciences & Earth Sciences (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Data Mining & Analysis (AREA)
- Molecular Biology (AREA)
- General Engineering & Computer Science (AREA)
- Mathematical Physics (AREA)
- Image Analysis (AREA)
Abstract
本发明公开了一种基于深度学习的SAR图像目标检测方法，属于SAR图像目标检测技术领域，包括：获取SAR图像数据，构建训练样本集；通过马赛克数据增强方式对训练样本集中每幅SAR图像进行数据增强，得到扩充后的样本集；构建规范残差去噪网络；通过扩充后的训练样本集构建训练好的规范残差去噪网络模型；用训练好的规范残差去噪网络模型对SAR图像进行目标检测，得到测试数据目标检测结果。本发明采用上述的一种基于深度学习的SAR图像目标检测方法，实现了在规范残差去噪网络内部的自动软阈值化，以自适应地在特征学习的过程中消除冗余信息，提高了深度学习方法在含噪声数据或复杂数据上的特征学习效果，解决了现有SAR目标检测技术的相干斑噪声抑制关键问题。
Description
技术领域
本发明涉及SAR图像目标检测技术领域，尤其是涉及一种基于深度学习的SAR图像目标检测方法。
背景技术
合成孔径雷达（Synthetic Aperture Radar，简称SAR）是一种主动式的对地观测系统，具有全天候、全天时、分辨率高以及穿透力强等特点，可安装在飞机、卫星等飞行平台上，获得高分辨率的地表图像。SAR图像在民用、环境等领域有着广泛的应用，其中目标检测与识别是SAR图像处理中的一个重要问题。
随着人工智能技术的日益发展，计算机视觉中物体检测技术越来越成熟，深度学习是当前目标识别研究领域中热门的研究方向之一。深度学习显著的特点是在不需要人工设计特征的前提下，通过网络自动地提取出有效特征，完成端到端的模型训练、预测。深度学习方法具有灵活性高、通用性强、精度高、计算量大等特点，为SAR图像自动目标识别提供了一种有价值的解决方案。
SAR系统独特的成像原理导致目标图像存在姿态缺失、角度变化敏感和背景充斥散斑噪声的问题。在深度学习算法中，传统方法采用CNN进行目标识别，但CNN方法存在具有鉴别性的关键特征提取困难的现象，会直接影响模型最终的识别性能；另一方面，受限于标注成本和访问限制，客观存在一些小样本SAR数据集，CNN在对小样本数据集进行训练时会产生严重的过拟合现象，导致最终的模型泛化性差；此外，CNN具有较高的空间复杂度，对计算设备的算力和储存空间具有较高的要求，不利于相关算法在实际SAR系统上的开发部署。
近年来，以YOLOv8（You Only Look Once）为代表的YOLO系列算法是学术届和工业届的研究热点。相比传统CNN检测算法，YOLOv8在多数情况下能够实现更快速的检测速度及检测精度；由于采用了多尺度特征融合的策略，YOLOv8在复杂场景下能够实现更高的检测准确率，也可以在实时视频检测、边缘计算等场景下发挥重要作用。
YOLO系列的算法虽然可以提高精确度和效率，但是其作为一种目标检测的通用算法，在SAR图像目标检测中需要更多的适应性。SAR图像中存在的噪声特征与一般高斯噪声不同，具有结构相干的特性，也被称为相干斑噪声。当目标纹理较弱或者尺寸特征不明显时，相干斑噪声会对目标造成污染，影响检测结果。
发明内容
本发明的目的是提供一种基于深度学习的SAR图像目标检测方法，将软阈值化作为非线性层引入残差的网络结构之中，在网络的内部实现了自动软阈值化，以自适应地在特征学习的过程中消除冗余信息，改善目标在噪声环境下的影响，提高目标识别的精度，降低误检率与漏检率，提高深度学习方法在SAR图像数据上的特征学习效果。
为实现上述目的，本发明提供了一种基于深度学习的SAR图像目标检测方法，包括以下步骤：
S1、获取SAR图像数据，构建训练样本集；
S2、对训练样本集进行数据增强，得到扩充后的样本集；
S3、在YOLOv8的基础上构建规范残差去噪网络；
构建规范残差去噪网络，包括：
S31、扩充后的样本集经过1×1卷积后，将特征映射均匀地分成s个特征映射子集x i，其中i∈{1,2，…,s}，每个特征映射子集x i 具有相同的空间大小，通道数为1/s，除x 1 外，每个特征映射子集x i 都有一个对应的3×3卷积，记为K i ()，用y i 表示K i ()的输出，将特征映射子集x i 与K i−1 ()的输出相加，然后反馈到K i ()；
S32、求取输入特征图的所有特征的绝对值；
S33、在主干网络路径下，经过全局均值池化和平均，获得一个特征，即主干网络中经池化和平均获得的特征A；在另一条路径中，将全局均值池化之后的特征图输入批归一化网络中；
（1）
式中，和σ B 分别为B in 的均值和标准差；γ和β是可训练的仿射变换参数；/>为常数；B in 为输入特征，B out 为经过批归一化后输出特征，BN为批归一化函数；
通道注意子模块如方程（2）所示，其中M c 表示输出特征，μ为各通道的标度因子，权重为;
（2）
其中，F 1 为每一层输入图像特征；为第i个通道的标度因子；/>为第j个通道的标度因子；
再将M c 输入到空间注意力模块中，如方程（3）所示，其中输出记为M s ，λ为比例因子，权重为;
（3）
规范注意力网络以Sigmoid函数作为最后一层，将输出归一化到0和1之间，获得系数α，最终的阈值表示为α×A；
其中，A为主干网络中经过池化和平均获得的特征；
S34、每层规范注意力网络堆叠2-6个基本模块，基本模块包括卷积层、批标准化、激活函数、全局均值池化以及全连接输出层，得到完整的规范残差去噪网络；
S4、通过扩充后的训练样本集构建训练好的规范残差去噪网络模型；
S5、用训练好的规范残差去噪网络模型对SAR图像进行目标检测，得到目标检测结果。
优选的，步骤S1中，获取SAR图像数据，构建训练样本集，包括以下步骤：
S11、选取SSDD-SAR数据集中的所有SAR图像；
S12、从SAR-ship-dataset数据集中随机选取SAR图像；
S13、从SSDD-SAR数据集和SAR-ship-dataset数据集中选取与各自所选SAR图像对应的目标坐标信息和类别标签；
S14、分别将每幅SAR图像以及目标坐标信息和类别标签组成训练样本集。
优选的，步骤S2中，对训练样本集进行数据增强，得到扩充后的样本集，包括：对训练样本集中每幅SAR图像采用马赛克数据增强方式，随机缩放，再随机分布进行拼接，增加随机小目标以增强网络的鲁棒性；采用随机旋转、平移、缩放、错切、叠加、随机粘贴、水平翻转操作，得到扩充后的样本集。
优选的，步骤S4中，通过扩充后的训练样本集构建训练好的规范残差去噪网络模型，包括以下步骤：
S41、将扩充后的训练样本集输入到规范残差去噪网络中，利用随机梯度下降算法，分别计算规范残差去噪网络中每一层的代价函数的梯度值，用每一层的梯度值更新该层的权值，得到更新前的权值；
S42、利用反向传播算法，计算规范残差阈值去噪网络中每一层的误差灵敏度，用每一层的误差灵敏度更新该层的权值，得到更新后的权值；
S43、判断更新前的权值与更新后的权值是否相等，若是，则网络训练完毕，得到训练好的规范残差去噪网络模型，执行步骤S5，否则，执行步骤S41。
优选的，误差灵敏度包括精确率、召回率和平均精确率。
因此，本发明采用上述一种基于深度学习的SAR图像目标检测方法，其技术效果如下：
（1）可在更细粒度级别表示多尺度特征，并增加了每个网络层的感受野范围。
（2）每个样本特有一组阈值，使得规范残差去噪网络适用于各个样本的噪声含量不同的情况。
（3）可以降低不太显著的特征的权重，在计算上更加高效，同时能够保持同样的性能。
下面通过附图和实施例，对本发明的技术方案做进一步的详细描述。
附图说明
图1是一种基于深度学习的SAR图像目标检测方法的流程图；
图2是规范残差去噪网络的结构；
图3是残差网络的基本模块；
图4是规范注意力机制的基本模块。
具体实施方式
以下通过附图和实施例对本发明的技术方案作进一步说明。
除非另外定义，本发明使用的技术术语或者科学术语应当为本发明所属领域内具有一般技能的人士所理解的通常意义。
实施例一
如图1所示，一种基于深度学习的SAR图像目标检测方法，包括以下步骤：
S1、获取SAR图像数据，构建训练样本集；
S11、选取SSDD-SAR数据集中的所有SAR图像；
S12、从SAR-ship-dataset数据集中随机选取SAR图像；
S13、从SSDD-SAR数据集和SAR-ship-dataset数据集中选取与各自所选SAR图像对应的目标坐标信息和类别标签；
S14、分别将每幅SAR图像以及目标坐标信息和类别标签组成训练样本集。
S2、对训练样本集进行数据增强，得到扩充后的样本集；
对训练样本集进行数据增强，得到扩充后的样本集，包括：对训练样本集中每幅SAR图像采用马赛克数据增强方式，随机缩放，再随机分布进行拼接，增加随机小目标以增强网络的鲁棒性；采用随机旋转、平移、缩放、错切、叠加、随机粘贴、水平翻转操作，得到扩充后的样本集。
S3、在YOLOv8的基础上构建规范残差去噪网络；
如图2所示，为规范残差去噪网络的结构，其中，FC表示全连接层；BN表示批归一化；C为特征通道数；W为图像宽度；Sigmoid，ReLU为激活函数；为减法器；/>为乘法器；表示软阈值化；/>为各通道的权重因子；/>为各通道的标度因子。
构建规范残差去噪网络，包括以下步骤：
如图3所示，为残差网络的基本模块，S31、扩充后的样本集经过1×1卷积后，将特征映射均匀地分成s个特征映射子集x i，其中i∈{1,2，…,s}，每个特征映射子集x i 具有相同的空间大小，通道数为1/s，除x 1 外，每个特征映射子集x i 都有一个对应的3×3卷积，记为K i ()，用y i 表示K i ()的输出，将特征映射子集x i 与K i-1 ()的输出相加，然后反馈到K i ()；
S32、求取输入特征图的所有特征的绝对值；
如图4所示，为规范注意力机制的基本模块。
S33、在主干网络路径下，经过全局均值池化和平均，获得一个特征，记为A；在另一条路径中，将全局均值池化之后的特征图输入批归一化网络中；
（1）
式中，和σ B 分别为B in 的均值和标准差；γ和β是可训练的仿射变换参数；/>为常数，此处取0.001；B in 为输入特征，B out 为经过批归一化后输出特征，BN为批归一化函数；
通道注意子模块如方程（2）所示，其中M c 表示输出特征，μ为各通道的标度因子，权重为，
（2）
其中，F 1 为每一层输入图像特征；为第i个通道的标度因子；/>为第j个通道的标度因子；
再将M c 输入到空间注意力模块中，如方程（3）所示，其中输出记为M s ，λ为比例因子，权重为;
（3）
规范注意力网络以Sigmoid函数作为最后一层，将输出归一化到0和1之间，获得系数α，最终的阈值表示为α×A；
其中，A为主干网络中经过池化和平均获得的特征；
S34、每层规范注意力网络堆叠2-6个的基本模块，基本模块包括卷积层、批标准化、激活函数、全局均值池化以及全连接输出层，得到完整的规范残差去噪网络。
S4、通过扩充后的训练样本集构建训练好的规范残差去噪网络模型；
S41、将扩充后的训练样本集输入到规范残差去噪网络中，利用随机梯度下降算法，分别计算规范残差去噪网络中每一层的代价函数的梯度值，用每一层的梯度值更新该层的权值，得到更新前的权值；
S42、利用反向传播算法，计算规范残差阈值去噪网络中每一层的误差灵敏度，用每一层的误差灵敏度更新该层的权值，得到更新后的权值；
误差灵敏度包括精确率、召回率和平均精确率；
S43、判断更新前的权值与更新后的权值是否相等，若是，则网络训练完毕，得到训练好的规范残差去噪网络模型，执行步骤S5，否则，执行步骤S41。
S5、用训练好的规范残差去噪网络模型对SAR图像进行目标检测，得到目标检测结果。
下面通过试验来说明本发明的技术效果：本发明采用但不限于Windows10操作系统，CPU为Intel Core i7-8700，显卡为Nvidia 3070Ti，显存8GB，内存16GB，Python版本3.9。训练过程批大小设置为16，训练迭代300-1000次。利用高分三号和哨兵一号卫星拍摄的数据集进行测试，测试结果分别为在SSDD数据集上达到97.7%的精确率和94.1%的召回率，在SAR-ship-dataset数据集上达到96.9%的精确率，96.4%的召回率。
因此，本发明采用上述一种基于深度学习的SAR图像目标检测方法，将软阈值化作为非线性层引入残差的网络结构之中，在网络的内部实现了自动软阈值化，以自适应地在特征学习的过程中消除冗余信息，改善目标在噪声环境下的影响，提高目标识别的精度，降低误检率与漏检率，提高深度学习方法在SAR图像数据上的特征学习效果。
最后应说明的是：以上实施例仅用以说明本发明的技术方案而非对其进行限制，尽管参照较佳实施例对本发明进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对本发明的技术方案进行修改或者等同替换，而这些修改或者等同替换亦不能使修改后的技术方案脱离本发明技术方案的精神和范围。
Claims (4)
1.一种基于深度学习的SAR图像目标检测方法，其特征在于，包括以下步骤：
S1、获取SAR图像数据，构建训练样本集；
S2、对训练样本集进行数据增强，得到扩充后的样本集；
S3、在YOLOv8的基础上构建规范残差去噪网络；
构建规范残差去噪网络，包括：
S31、扩充后的样本集经过1×1卷积后，将特征映射均匀地分成s个特征映射子集x i，其中i∈{1,2，…,s}，每个特征映射子集x i 具有相同的空间大小，通道数为1/s，除x 1 外，每个特征映射子集x i 都有一个对应的3×3卷积，记为K i ()，用y i 表示K i ()的输出，将特征映射子集x i 与K i−1 ()的输出相加，然后反馈到K i ()；
S32、求取输入特征图的所有特征的绝对值；
S33、在主干网络路径下，经过全局均值池化和平均，获得一个特征，即主干网络中经池化和平均获得的特征A；在另一条路径中，将全局均值池化之后的特征图输入批归一化网络中；
（1）
式中，和σ B 分别为B in 的均值和标准差；γ和β是可训练的仿射变换参数；/>为常数；B in 为输入特征，B out 为经过批归一化后输出特征，BN为批归一化函数；
通道注意子模块如方程（2）所示，其中M c 表示输出特征，μ为各通道的标度因子，权重为；
（2）
其中，F 1 为每一层输入图像特征；为第i个通道的标度因子；/>为第j个通道的标度因子；
再将M c 输入到空间注意力模块中，如方程（3）所示，其中输出记为M s ，λ为比例因子，权重为；
（3）
规范注意力网络以Sigmoid函数作为最后一层，将输出归一化到0和1之间，获得系数α，最终的阈值表示为α×A；
其中，A为主干网络中经过池化和平均获得的特征；
S34、每层规范注意力网络堆叠2-6个基本模块，基本模块包括卷积层、批标准化、激活函数、全局均值池化以及全连接输出层，得到完整的规范残差去噪网络；
S4、通过扩充后的训练样本集构建训练好的规范残差去噪网络模型；
S41、将扩充后的训练样本集输入到规范残差去噪网络中，利用随机梯度下降算法，分别计算规范残差去噪网络中每一层的代价函数的梯度值，用每一层的梯度值更新该层的权值，得到更新前的权值；
S42、利用反向传播算法，计算规范残差阈值去噪网络中每一层的误差灵敏度，用每一层的误差灵敏度更新该层的权值，得到更新后的权值；
S43、判断更新前的权值与更新后的权值是否相等，若是，则网络训练完毕，得到训练好的规范残差去噪网络模型，执行步骤S5，否则，执行步骤S41；
S5、用训练好的规范残差去噪网络模型对SAR图像进行目标检测，得到目标检测结果。
2.根据权利要求1所述的一种基于深度学习的SAR图像目标检测方法，其特征在于，步骤S1中，获取SAR图像数据，构建训练样本集，包括以下步骤：
S11、选取SSDD-SAR数据集中的所有SAR图像；
S12、从SAR-ship-dataset数据集中随机选取SAR图像；
S13、从SSDD-SAR数据集和SAR-ship-dataset数据集中选取与各自所选SAR图像对应的目标坐标信息和类别标签；
S14、分别将每幅SAR图像以及目标坐标信息和类别标签组成训练样本集。
3.根据权利要求1所述的一种基于深度学习的SAR图像目标检测方法，其特征在于，步骤S2中，对训练样本集进行数据增强，得到扩充后的样本集，包括：对训练样本集中每幅SAR图像采用马赛克数据增强方式，随机缩放，再随机分布进行拼接，增加随机小目标以增强网络的鲁棒性；采用随机旋转、平移、缩放、错切、叠加、随机粘贴、水平翻转操作，得到扩充后的样本集。
4.根据权利要求1所述的一种基于深度学习的SAR图像目标检测方法，其特征在于，误差灵敏度包括精确率、召回率和平均精确率。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311397629.XA CN117392545B (zh) | 2023-10-26 | 2023-10-26 | 一种基于深度学习的sar图像目标检测方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311397629.XA CN117392545B (zh) | 2023-10-26 | 2023-10-26 | 一种基于深度学习的sar图像目标检测方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN117392545A CN117392545A (zh) | 2024-01-12 |
| CN117392545B true CN117392545B (zh) | 2024-02-09 |
Family
ID=89438770
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202311397629.XA Active CN117392545B (zh) | 2023-10-26 | 2023-10-26 | 一种基于深度学习的sar图像目标检测方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN117392545B (zh) |
Families Citing this family (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN117576553B (zh) * | 2024-01-15 | 2024-04-02 | 中国海洋大学 | 双极化sar图像海洋冰涡识别方法、装置和电子设备 |
Citations (11)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN106156744A (zh) * | 2016-07-11 | 2016-11-23 | 西安电子科技大学 | 基于cfar检测与深度学习的sar目标检测方法 |
| 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 |
| CN109978778A (zh) * | 2019-03-06 | 2019-07-05 | 浙江工业大学 | 基于残差学习的卷积神经网络医学ct图像去噪方法 |
| AU2020100196A4 (en) * | 2020-02-08 | 2020-03-19 | Juwei Guan | A method of removing rain from single image based on detail supplement |
| CN111401207A (zh) * | 2020-03-11 | 2020-07-10 | 福州大学 | 基于mars深度特征提取与增强的人体动作识别方法 |
| CN112233026A (zh) * | 2020-09-29 | 2021-01-15 | 南京理工大学 | 一种基于多尺度残差注意力网络的sar图像去噪方法 |
| CN114155411A (zh) * | 2021-12-09 | 2022-03-08 | 四川九洲电器集团有限责任公司 | 一种弱小目标智能检测识别方法 |
| WO2022151535A1 (zh) * | 2021-01-15 | 2022-07-21 | 苏州大学 | 基于深度学习的人脸特征点检测方法 |
| CN114842208A (zh) * | 2022-06-08 | 2022-08-02 | 南昌大学 | 一种基于深度学习的电网危害鸟种目标检测方法 |
| CN115830407A (zh) * | 2021-09-16 | 2023-03-21 | 上海电力大学 | 一种基于yolov4目标检测模型的电缆管线故障判别算法 |
| WO2023134097A1 (zh) * | 2022-01-11 | 2023-07-20 | 南方医科大学顺德医院(佛山市顺德区第一人民医院) | 基于残差网络结构的子宫肌瘤目标图像获取方法 |
Family Cites Families (4)
| 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 |
| CN111340711B (zh) * | 2020-05-21 | 2020-09-08 | 腾讯科技（深圳）有限公司 | 一种超分辨率重建方法、装置、设备和存储介质 |
| CN113052106B (zh) * | 2021-04-01 | 2022-11-04 | 重庆大学 | 一种基于PSPNet网络的飞机起降跑道识别方法 |
| CN114627383B (zh) * | 2022-05-13 | 2022-08-02 | 南京航空航天大学 | 一种基于度量学习的小样本缺陷检测方法 |
-
2023
- 2023-10-26 CN CN202311397629.XA patent/CN117392545B/zh active Active
Patent Citations (11)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN106156744A (zh) * | 2016-07-11 | 2016-11-23 | 西安电子科技大学 | 基于cfar检测与深度学习的sar目标检测方法 |
| 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 |
| CN109978778A (zh) * | 2019-03-06 | 2019-07-05 | 浙江工业大学 | 基于残差学习的卷积神经网络医学ct图像去噪方法 |
| AU2020100196A4 (en) * | 2020-02-08 | 2020-03-19 | Juwei Guan | A method of removing rain from single image based on detail supplement |
| CN111401207A (zh) * | 2020-03-11 | 2020-07-10 | 福州大学 | 基于mars深度特征提取与增强的人体动作识别方法 |
| CN112233026A (zh) * | 2020-09-29 | 2021-01-15 | 南京理工大学 | 一种基于多尺度残差注意力网络的sar图像去噪方法 |
| WO2022151535A1 (zh) * | 2021-01-15 | 2022-07-21 | 苏州大学 | 基于深度学习的人脸特征点检测方法 |
| CN115830407A (zh) * | 2021-09-16 | 2023-03-21 | 上海电力大学 | 一种基于yolov4目标检测模型的电缆管线故障判别算法 |
| CN114155411A (zh) * | 2021-12-09 | 2022-03-08 | 四川九洲电器集团有限责任公司 | 一种弱小目标智能检测识别方法 |
| WO2023134097A1 (zh) * | 2022-01-11 | 2023-07-20 | 南方医科大学顺德医院(佛山市顺德区第一人民医院) | 基于残差网络结构的子宫肌瘤目标图像获取方法 |
| CN114842208A (zh) * | 2022-06-08 | 2022-08-02 | 南昌大学 | 一种基于深度学习的电网危害鸟种目标检测方法 |
Non-Patent Citations (4)
| Title |
|---|
| 基于数据扩维的SAR目标识别性能提升技术;罗震宇;于俊朋;刘振华;;现代雷达;20190515(05);全文 * |
| 王俊 ; 王赛 ; 任俞明 ; 陈德红 ; 崔闪 ; 魏少明 ; .结合深度学习去噪和超分辨的SAR检测识别.空天防御.2020,(03),全文. * |
| 王晓红 ; 曾静 ; 麻祥才 ; 刘芳 ; .基于深度强化学习的图像去模糊方法.包装工程.2020,(第15期),全文. * |
| 高净植 ; 刘祎 ; 张权 ; 桂志国 ; .改进深度残差卷积神经网络的LDCT图像估计.计算机工程与应用.2018,(第16期),全文. * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN117392545A (zh) | 2024-01-12 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN110135366B (zh) | 基于多尺度生成对抗网络的遮挡行人重识别方法 | |
| CN109977918B (zh) | 一种基于无监督域适应的目标检测定位优化方法 | |
| Jiang et al. | Change detection in heterogeneous optical and SAR remote sensing images via deep homogeneous feature fusion | |
| CN112288011B (zh) | 一种基于自注意力深度神经网络的图像匹配方法 | |
| CN107423702B (zh) | 基于tld跟踪系统的视频目标跟踪方法 | |
| CN108921877B (zh) | 一种基于宽度学习的长期目标跟踪方法 | |
| CN109118473B (zh) | 基于神经网络的角点检测方法、存储介质与图像处理系统 | |
| CN107016689A (zh) | 一种尺度自适应的相关滤波对冲目标跟踪方法 | |
| CN108052940A (zh) | 基于深度学习的sar遥感图像水面目标检测方法 | |
| CN117392545B (zh) | 一种基于深度学习的sar图像目标检测方法 | |
| CN113255557B (zh) | 一种基于深度学习的视频人群情绪分析方法及系统 | |
| CN111967537B (zh) | 一种基于双路胶囊网络的sar目标分类方法 | |
| WO2023273337A1 (zh) | 一种基于代表特征的遥感图像中的密集目标检测方法 | |
| CN113888461A (zh) | 基于深度学习的小五金件缺陷检测方法、系统及设备 | |
| Wang et al. | License plate recognition system | |
| CN107862680A (zh) | 一种基于相关滤波器的目标跟踪优化方法 | |
| CN110852317A (zh) | 一种基于弱边缘的小尺度目标检测方法 | |
| CN115861883A (zh) | 一种多目标检测追踪方法 | |
| CN110135435B (zh) | 一种基于广度学习系统的显著性检测方法及装置 | |
| CN111523586A (zh) | 一种基于噪声可知的全网络监督目标检测方法 | |
| CN111105436B (zh) | 目标跟踪方法、计算机设备及存储介质 | |
| CN117237858A (zh) | 一种回环检测方法 | |
| CN117557884A (zh) | 一种基于多尺度注意力的旋转目标检测方法 | |
| CN114863164B (zh) | 一种面向小目标超分辨重建图像的目标识别模型构建方法 | |
| US20240104885A1 (en) | Method and system for unsupervised deep representation learning based on image translation |
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 |