基于卷积神经网络的SAR图像分类.pdf
文库****品店
在线预览结束,喜欢就下载吧,查找使用更方便
相关资料
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
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
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。
基于复数轮廓波卷积神经网络的极化SAR图像分类方法.pdf
本发明公开了一种基于复数轮廓波卷积神经网络的极化SAR图像分类方法,主要解决现有技术分类精度较低的问题。其实现步骤是:1.输入待分类极化SAR图像的极化相干矩阵T并归一化;2.根据归一化后的矩阵,分别构造训练数据集和测试数据集的特征矩阵;3.构造复数卷积神经网络,进而得到复数轮廓波卷积神经网络;4.用训练数据集训练复数轮廓波卷积神经网络,得到训练好的模型;5.将测试数据集的特征矩阵输入到训练好的模型中进行分类,得到分类结果。本发明将卷积神经网络延拓至复数域进行运算并提取多尺度、多方向、多分辨特性的图像特征
基于卷积神经网络的图像分类技术.docx
基于卷积神经网络的图像分类技术童浩然+楚军+沈静静【摘要】随着大量带标记的数据库的开源使用和带有高性能GPU的计算机的发展推广,深度学习已然从理论走向实践,开始广泛地活跃于图像分类的舞台之上,其中变现最为突出的是卷积神经网络(Convolutionalneuralnetworks,CNNs),目前已经在大规模的识别与分类任务获得了瞩目的成果,突破了传统分类方法的极限并且已经首次达到优于人眼识别的地步。本次实验的重点是将CNN应用在实际的图像分类操作中,并对CNN进行优化与改进,采用Inception架构高