-
公开(公告)号：CN109063760B
公开(公告)日：2021-06-08
申请号：CN201810808001.7
申请日：2018-07-22
Applicant: 西安电子科技大学
IPC: G06K9/62
Abstract: 本发明提出了一种基于随机森林多尺度卷积模型的极化SAR分类方法，用于解决现有技术中存在的分类准确率较低和分类时间较长的技术问题，实现步骤为：构建包含多尺度卷积模型和随机森林模型的随机森林多尺度卷积模型，其中多尺度卷积模型包括细化模块和至少两个输入模块，并初始化模型的相关参数；对待分类的极化SAR图像进行Lee滤波；对滤波后的极化SAR图像进行预处理；获取训练数据集；将训练数据集输入到多尺度卷积模型中进行模型训练，得到特征图feature map，并将feature map输入到随机森林模型进行模型训练，得到训练好的随机森林多尺度卷积模型；对极化SAR图像进行分类。
-
公开(公告)号：CN108470183B
公开(公告)日：2020-06-16
申请号：CN201810112427.9
申请日：2018-02-05
Applicant: 西安电子科技大学
Abstract: 本发明公开了一种基于聚类细化残差模型的极化SAR分类方法，其步骤为：(1)搭建聚类细化残差模型；(2)对待分类的极化SAR图像进行预处理；(3)生成训练数据集和测试数据集；(4)对网络的深浅层进行信息融合处理；(5)对初始分类图小图斑进行重新分类处理；(6)对测试数据进行分类，获得测试结果。本发明通过将极化SAR图像在细化残差网络中深浅层信息进行融合处理，提取了极化SAR图像丰富的纹理特性，保留了特征信息的完整性，提高了训练速度，使用聚类层对融合处理后的分类图中边缘的小图斑进行重新分类处理，提高了图像边缘的分类精度，加快了训练速度。
-
公开(公告)号：CN108470183A
公开(公告)日：2018-08-31
申请号：CN201810112427.9
申请日：2018-02-05
Applicant: 西安电子科技大学
Abstract: 本发明公开了一种基于聚类细化残差模型的极化SAR分类方法，其步骤为：(1)搭建聚类细化残差模型；(2)对待分类的极化SAR图像进行预处理；(3)生成训练数据集和测试数据集；(4)对网络的深浅层进行信息融合处理；(5)对初始分类图小图斑进行重新分类处理；(6)对测试数据进行分类，获得测试结果。本发明通过将极化SAR图像在细化残差网络中深浅层信息进行融合处理，提取了极化SAR图像丰富的纹理特性，保留了特征信息的完整性，提高了训练速度，使用聚类层对融合处理后的分类图中边缘的小图斑进行重新分类处理，提高了图像边缘的分类精度，加快了训练速度。
-
公开(公告)号：CN109063760A
公开(公告)日：2018-12-21
申请号：CN201810808001.7
申请日：2018-07-22
Applicant: 西安电子科技大学
IPC: G06K9/62
CPC classification number: G06K9/6282 , G06K9/6256 , G06K9/6268
Abstract: 本发明提出了一种基于随机森林多尺度卷积模型的极化SAR分类方法，用于解决现有技术中存在的分类准确率较低和分类时间较长的技术问题，实现步骤为：构建包含多尺度卷积模型和随机森林模型的随机森林多尺度卷积模型，其中多尺度卷积模型包括细化模块和至少两个输入模块，并初始化模型的相关参数；对待分类的极化SAR图像进行Lee滤波；对滤波后的极化SAR图像进行预处理；获取训练数据集；将训练数据集输入到多尺度卷积模型中进行模型训练，得到特征图feature map，并将feature map输入到随机森林模型进行模型训练，得到训练好的随机森林多尺度卷积模型；对极化SAR图像进行分类。
-
-
-
Search Results
4
records
(took 0.027 seconds)
