一种基于卷积神经网络的SAR图像舰船检测方法.pdf
Ja****23
亲,该文档总共16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
一种基于卷积神经网络的SAR图像舰船检测方法.pdf
本发明提供了一种基于卷积神经网络的SAR图像舰船检测方法,包括:步骤S1,获取至少一合成孔径雷达输出的包含多个海洋舰船的一高分辨率SAR图像;步骤S2,对各高分辨率SAR图像分别进行预处理得到对应的一预处理后SAR图像;步骤S3,针对每个预处理后SAR图像,将预处理后SAR图像输入至预先构建得到的一多尺度特征金字塔网络模型中进行多尺度海洋舰船的检测和实例分割,并得到包含不同尺度的海洋舰船的一特征结果图。有益效果是本发明提出一种多尺度特征金字塔模型,能够从复杂背景中检测和实例分割小物体,并能够自适应选择重要
基于卷积神经网络的SAR图像海洋目标分类检测方法.pdf
本发明公开了一种基于卷积神经网络的SAR图像海洋目标分类检测方法,包括以下几个步骤:步骤一:将含有海洋目标的SAR单视复图像转换为进行功率图像转换并量化;步骤二:将量化后的功率图像进行分割,加注样本类别的标签后构建训练集建立数据集;步骤三:对训练集数据集去均值处理;步骤四:建立卷积神经网络模型;步骤五:使用训练集训练卷积神经网络模型;步骤六:将待分类切片输入卷积神经网络模型,得到分类检测结果。本发明具有可靠性强、泛化能力强、计算复杂度低,实用性强、应用范围广等特点。
基于卷积神经网络的SAR图像分类.pdf
SAR图像分类基于卷积神经网络的SAR图像分类摘要:合成孔径雷达(SAR)技术在地球观测、军事、安全和资源开发等领域得到广泛应用。对于SAR图像的分类能够提高对地面目标的识别和定位能力。本文旨在研究一种基于卷积神经网络(CNN)的SAR图像分类方法,通过对经过特定处理的SAR图像进行分析和训练,提高分类的精度和效率。实验结果表明,该方法可在SAR图像分类中取得良好的性能,准确率达到90.2%。关键词:SAR图像分类;卷积神经网络;特征提取;分类器;深度学习1.引言SAR技术是一种高分辨率、全天候、全天时的
一种SAR图像舰船检测方法.pdf
星载SAR成像幅宽通常很宽,分辨率往往不够高,导致海面舰船在SAR图像上成像区域有限,影响舰船目标识别精度。为了克服了现有技术中的缺点,本发明提出了一种SAR图像舰船检测方法,该方法不仅能够精确获得舰船的位置、方位与轮廓信息,还可以准确估计舰船的几何特征、形状特征、边缘特征等特征信息。
基于深度卷积神经网络的SAR图像目标分类方法.pdf
本发明提出了一种基于深度卷积神经网络的SAR图像目标分类方法,用于提高SAR图像目标分类精度。实现步骤为:获取包含SAR目标图像的训练样本集和测试样本集;去除训练样本集和测试样本集中每幅SAR图像的背景杂波;构建包含变换sigmoid激活函数构成Enhanced‑SE层的深度卷积神经网络模型;对深度卷积神经网络模型进行训练;用训练后的深度卷积神经网络模型对测试样本集进行分类。本发明通过形态学闭运算方法在去除SAR目标图像中背景杂波时融合目标区域的边缘缺口并填补目标区域的内部缺损,有效保留目标区域的形状特征