共查询到10条相似文献,搜索用时 15 毫秒
1.
2.
农作物分类是偏振合成孔径雷达(PolSAR)数据的重要应用之一。由于单时相PolSAR数据获取的信息有限,因此,采用多时相PolSAR数据,其含有农作物生长周期更丰富的特征信息。针对多时相PolSAR数据在极化特征分解时造成的“维数灾难”问题,提出了一种非负性约束稀疏自编码器(NC-SAE)的特征压缩方法,用于对分解后的特征数据进行压缩,以获得分类所需的有效特征。此外,构建了一种多尺度特征分类网络(MSFCN),该网络可以提高农作物的分类性能,且优于目前传统的卷积神经网络和支持向量机方法。通过使用欧空局提供的数据进行仿真实验,对分类结果进行性能评估,并与传统方法比较。实验结果表明:所提的方法具有很好的农业应用前景。 相似文献
3.
相参雷达捕获的全极化海面目标距离-多普勒(RD)回波数据中,目标区域占比小、信噪比低,且海况环境与干扰种类多变,使得经典的深度神经网络在此种条件下检测识别精度较低。为此,本文提出了一种基于极化深度神经网络的全极化相参雷达海面目标检测识别算法。首先,引入极化特征提取模块挖掘目标与干扰的差异化特征;其次,通过特征金字塔网络解决小目标检测识别的问题;最后,使用级联结构进一步提升算法性能。在全极化相参雷达回波数据集上的测试结果表明:基于特征值与特征矢量的极化特征对于数据集中两类舰船目标的平均精度分别达到0.907 9与1.0,相比不采用极化特征有着显著提高。 相似文献
4.
针对合成孔径雷达(SAR)图像中的舰船检测与分类问题,常规的图像处理技术或者机器学习方式难以准确检测出海上舰船的类别以及当前舰船运行状态。因海上舰船目标具有相对于SAR图像尺寸较小、方位难以测算以及容易与其他目标混淆的特点,针对上述问题设计了端到端的海上舰船分类与状态感知模型,加入特征金字塔以达到拥有对于微小目标提取其深度特征,同时又保留其相对位置的目的;使用残差结构以解决特征融合网络层数增加导致的梯度消失问题;最后加入舰船状态感知模块,使其最终可以得到海上舰船目标相对于图像的角度值。使用公开SAR卫星图像进行了多次实验,最终体现出提出的端到端的模型具有较高的识别率以及良好的舰船状态估计能力。 相似文献
5.
传统的基于深度学习的极化合成孔径雷达(Polarimetric Synthetic Aperture Radar,PolSAR)地物分类方法,通过堆叠卷积层提取图像局部特征,难以建立长距离依赖关系。基于自注意力机制的深度学习模型Transformer(变换)在图像分类任务中取得了成功,其自注意力机制能够捕获全局像素之间的关联性,同时PolSAR地物分类任务被证实:相比于实数域,其在复数域上表现出更好的分类效果。因此,本文将Transformer引入到复数域中,提出了一种基于复数域的Transformer和Unet(语义分割网络)混合模型(CT-Unet)用于PolSAR地物分类,将Transformer与CNN相结合,对复数类型的PolSAR数据进行特征提取,使用西安数据集和德国数据集进行PolSAR地物分类的实验结果表明:提出的模型能够有效提高PolSAR地物分类的准确性,Transformer有望在PolSAR地物分类任务中弥补卷积神经网络的不足。 相似文献
6.
地物分类是PolSAR(极化合成孔径雷达)的重要应用方向。传统算法需要基于特定数据人工选取特征和设计分类器,而深度学习算法能够自行从海量数据中提取层次化特征。在深度学习算法总结的基础上,结合深度学习和PolSAR大数据,提出了一种高效率、高精度的通用分类器设计方法。使用人工标记的数据训练CNN(深度卷积网络),自动化地进行特征学习和提取,并实现高精度的地物自动分类。在具有不同分辨率的机载和星载PolSAR数据上对通用分类器进行测试,都能快速、准确地分类。研究成果可快速将PolSAR数据转译为更直观的地物分类结果,对海量数据,特别是GF-3卫星PolSAR图像的利用有一定的辅助价值。 相似文献
7.
8.
为了解决较高分辨率条件下的可见光航天遥感图像航母目标识别问题,文章提出了一套完整的识别算法。该算法通过基于最大类间方差算法(Otsu算法)的双阈值分割方法获得舰船目标,然后通过形态学闭运算去除目标图像内部的空洞,对获得的目标图像进行优化。结合航母的形态特点,文章提出了描述目标的舰首宽度比编码特征,该特征能够显著的描述航母和其他舰船之间的区别。通过长宽比和舰首宽度比编码构成组合特征向量对提取的舰船目标进行描述。最后文章采用k折交叉验证方法划分训练样本集合和测试样本集合,采用最小距离分类器进行目标识别。所有的算法都在Matlab软件上进行仿真实验,实验结果表明,相比于其他的舰船描述特征,文章提出的组合特征对航母的识别率更好。 相似文献
9.