一种基于深度改进残差网络的SAR图像分类方法.pdf
书生****12
亲,该文档总共14页,到这已经超出免费预览范围,如果喜欢就直接下载吧~
相关资料
一种基于深度改进残差网络的SAR图像分类方法.pdf
本发明公开了一种基于深度改进残差网络的SAR图像分类方法,首先准备用于训练和测试的SAR图像数据训练集和测试集,两种数据都包括十类目标,每类目标包括多张SAR图像。建立深度残差网络模型,改进了残差模块,在传统残差模块的基础上进行三次跳跃性连接,增加了连接的分支数。深度残差网络模型包含依次顺序连接的输入层Input、残差与下采样组合、全连接层以及输出层Output,残差与下采样组合包括依次连接的多重连接残差模块和下采样模块DS,多重连接残差模块包括三个非线性处理子模块。用训练集对深度残差网络模型进行训练,然
一种基于深度Curvelet残差网的极化SAR影像分类方法.pdf
本发明公开了一种基于多尺度深度残差网的极化SAR影像分类方法,主要解决现有的图像特征损失强烈使得分类精度低的问题,其方案是输入待分类的极化SAR图像,对极化散射矩阵S进行Pauli分解,得到奇次散射、偶次散射、体散射系数,用这3个系数作为极化SAR图像的3维图像特征,构成基于像素点的特征矩阵F;本发明在深度残差网中加入多尺度Curvelet变换层更好的提取了极化SAR图像的尺度、位置和角度信息,更好的保留了图像中存在的边缘,有效去除极化SAR图像中的噪声,结合深度残差网可以完备学习特征的特性,增强了模型的
基于残差神经网络的图像分类方法.pdf
本发明公开了一种基于残差神经网络的图像分类方法,包括如下步骤:步骤S1:获取待分类的图像,图像需进行预处理为一设定尺寸;步骤S2:对步骤S1中的图像,使用卷积核7x7,步幅为2填充为3进行卷积操作和卷积核3x3步幅为2填充为1的最大池化操作;步骤S3:将步骤S2的输出的特征输入设定残差块;步骤S4:将步骤S3的输出输入到过渡层,将特征图尺寸缩小;所述过渡层包含:批量归一化、Relu激活和2x2平均池化,所述2x2平均池化的步幅为2;步骤S5:多次重复步骤S3和步骤S4,让特征图逐渐缩小,最后将输出接入全局
基于深度光谱空间倒残差网络的高光谱图像分类方法.pdf
基于深度光谱空间倒残差网络的高光谱图像分类方法,本发明涉及高光谱图像分类方法。本发明的目的是为了解决现有高光谱图像数据集中标记样本有限,并实现光谱空间特征的有效提取的问题。过程为:步骤一、获取高光谱图像
基于深度方向波网络的极化SAR图像分类方法.pdf
本发明公开了一种基于深度方向波网络的极化SAR图像分类方法,本方法实现步骤为:(1)输入极化SAR图像;(2)提取泡利分解特征;(3)构建训练样本特征矩阵;(4)初始化卷积神经网络;(5)训练卷积神经网络;(6)构建测试样本特征矩阵;(7)得到测试样本的类标;(8)计算分类精度;(9)上色;(10)输出上色后的极化SAR图像。本发明将方向滤波器作为卷积神经网络的滤波器,对极化SAR图像进行分类,使得本发明具有很好地保留极化SAR图像的方向信息的优点。