一种基于特征正交的集成模型优化方法、装置及介质

    公开(公告)号:CN115496183A

    公开(公告)日:2022-12-20

    申请号:CN202211130448.6

    申请日:2022-09-16

    摘要: 本发明提出了一种基于特征正交的集成模型优化方法、装置及介质,所述方法基于特征正交度量结合常规分类对集成模型进行优化,本方法中的特征正交不仅考虑原始图像本身的特征,还根据原始图像一定邻域内的输入空间的损失场对特征正交进行表征,进而使对抗样本在集成模型中有稳定的特征表达,即对抗样本可以使单个子模型发生剧烈的特征变化,但由于子模型特征正交,对抗样本无法影响所有的子模型,也就使合成模型有了稳定的输出。应用本发明进行集成模型优化,取得了更为明显的特征鲁棒性提升效果,同时对干净样本的分类性能影响很小,具有很好的实用性。

    一种基于自监督学习的遥感图像分类网络鲁棒性提升方法

    公开(公告)号:CN114067177A

    公开(公告)日:2022-02-18

    申请号:CN202111368092.5

    申请日:2021-11-18

    摘要: 本发明提供了一种基于自监督学习的遥感图像分类网络鲁棒性提升方法,不仅利用了有标签数据,还充分利用遥感领域中大量存在的无标签数据,通过孪生网络挖掘图像自身的信息,有效提升模型的鲁棒性;使用孪生网络对干净样本和对抗样本同时进行特征提取,即得到特征向量,并通过对比学习迫近干净样本和对抗样本的特征向量完成模型训练,使图像在孪生网络中的在线网络中的深度遥感图像编码器网络中具有稳定的表达,进而实现鲁棒性的提升。此方法有效增强了模型对于对抗样本噪声和自然噪声的鲁棒性,同时几乎不影响干净数据集的分类效果,便于应用。

    基于轻量化脉冲神经网络的SAR目标识别方法、装置及设备

    公开(公告)号:CN118155078A

    公开(公告)日:2024-06-07

    申请号:CN202410478448.8

    申请日:2024-04-19

    摘要: 本申请涉及一种基于轻量化脉冲神经网络的SAR目标识别方法、装置及设备,通过提取与待识别SAR数据类型相同的样本数据进行训练得到的轻量化脉冲神经网络,该网络包括基于LIF神经元构建的脉冲编码单元、特征提取单元以及识别单元,其中,脉冲编码单元为采用直接编码方式将输入图像的浮点数编码为对应的脉冲序列,特征提取单元包括两层卷积层,脉冲序列进行特征提取得到特征图像,识别单元包络两层全连接层,根据特征图像进行目标识别,将待识别SAR数据输入至轻量化脉冲神经网络中得到目标识别结果。采用本方法可以通过轻量化的神经网络对SAR图像进行精准的目标识别。

    一种基于自监督学习的遥感图像分类网络鲁棒性提升方法

    公开(公告)号:CN114067177B

    公开(公告)日:2022-09-20

    申请号:CN202111368092.5

    申请日:2021-11-18

    IPC分类号: G06V10/774 G06V10/764

    摘要: 本发明提供了一种基于自监督学习的遥感图像分类网络鲁棒性提升方法,不仅利用了有标签数据,还充分利用遥感领域中大量存在的无标签数据,通过孪生网络挖掘图像自身的信息,有效提升模型的鲁棒性;使用孪生网络对干净样本和对抗样本同时进行特征提取,即得到特征向量,并通过对比学习迫近干净样本和对抗样本的特征向量完成模型训练,使图像在孪生网络中的在线网络中的深度遥感图像编码器网络中具有稳定的表达,进而实现鲁棒性的提升。此方法有效增强了模型对于对抗样本噪声和自然噪声的鲁棒性,同时几乎不影响干净数据集的分类效果,便于应用。