-
公开(公告)号：CN107292317A
公开(公告)日：2017-10-24
申请号：CN201710495285.4
申请日：2017-06-26
Applicant: 西安电子科技大学
Abstract: 本发明公开了一种基于浅层特征与T矩阵深度学习的极化SAR分类方法，主要解决现有技术对散射信息差异明显的同一地物和散射信息相近的不同地物分类正确率低的问题。其实现步骤为：1.对原始极化SAR图像进行滤波处理2.提取滤波后的极化SAR图像的极化浅层特征；3.将浅层特征与滤波后的极化SAR数据进行融合，构造训练样本和测试样本；4.采用卷积神经网络对训练样本进行学习；5.利用学习得到的卷积神经网络对测试样本进行分类，得到最终的极化SAR地物分类结果。本发明对极化SAR目标地物的分类正确率高，并且对大区域的地物目标分类有良好的实验效果，可用于目标识别和大场景的地物分类。
-
公开(公告)号：CN110555483B
公开(公告)日：2022-12-02
申请号：CN201910846053.8
申请日：2019-09-09
Applicant: 西安电子科技大学
IPC: G06V10/764 , G06V10/82 , G06N3/04 , G06N3/08
Abstract: 本发明公开了一种基于FW‑DCGAN特征生成的极化SAR分类方法，主要解决极化SAR数据中分类样本分布不均衡问题。其方案为：对原始极化SAR数据特征提取；获取图像中数据较少地物的极化特征；生成服从Wishart分布的随机噪声Z；构建FW‑DCGAN网络并制作其训练样本S1，利用S1对FW‑DCGAN网络训练；预测噪声Z生成极化特征；构建卷积神经网络并制作其训练样本与测试样本；利用该训练样本对卷积神经网络进行训练，利用训练好的卷积神经网络对测试样本进行预测，得到分类结果。本发明均衡了极化SAR数据中样本分布，提高了数据量稀少地物的分类准确率及总体正确率，可用于极化SAR图像的大场景地物分类。
-
公开(公告)号：CN107292317B
公开(公告)日：2020-07-28
申请号：CN201710495285.4
申请日：2017-06-26
Applicant: 西安电子科技大学
Abstract: 本发明公开了一种基于浅层特征与T矩阵深度学习的极化SAR分类方法，主要解决现有技术对散射信息差异明显的同一地物和散射信息相近的不同地物分类正确率低的问题。其实现步骤为：1.对原始极化SAR图像进行滤波处理2.提取滤波后的极化SAR图像的极化浅层特征；3.将浅层特征与滤波后的极化SAR数据进行融合，构造训练样本和测试样本；4.采用卷积神经网络对训练样本进行学习；5.利用学习得到的卷积神经网络对测试样本进行分类，得到最终的极化SAR地物分类结果。本发明对极化SAR目标地物的分类正确率高，并且对大区域的地物目标分类有良好的实验效果，可用于目标识别和大场景的地物分类。
-
公开(公告)号：CN110555483A
公开(公告)日：2019-12-10
申请号：CN201910846053.8
申请日：2019-09-09
Applicant: 西安电子科技大学
Abstract: 本发明公开了一种基于FW-DCGAN特征生成的极化SAR分类方法，主要解决极化SAR数据中分类样本分布不均衡问题。其方案为：对原始极化SAR数据特征提取；获取图像中数据较少地物的极化特征；生成服从Wishart分布的随机噪声Z；构建FW-DCGAN网络并制作其训练样本S1，利用S1对FW-DCGAN网络训练；预测噪声Z生成极化特征；构建卷积神经网络并制作其训练样本与测试样本；利用该训练样本对卷积神经网络进行训练，利用训练好的卷积神经网络对测试样本进行预测，得到分类结果。本发明均衡了极化SAR数据中样本分布，提高了数据量稀少地物的分类准确率及总体正确率，可用于极化SAR图像的大场景地物分类。
-
-
-
Search Results
4
records
(took 0.019 seconds)
