一种基于深度Curvelet残差网的极化SAR影像分类方法.pdf
淑然****by
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
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
一种基于强化学习的极化SAR影像分类方法.pdf
本发明涉及一种基于强化学习的极化SAR影像分类方法。首先对极化SAR影像进行辐射定标、滤波处理,接着对其进行极化分解得到极化特征参数,并对极化特征参数进行归一化处理,构建极化‑空间联合样本集,然后采用强化学习的开发‑利用学习机制训练FCN模型,在提升样本空间上下文信息和极化特征信息利用效率的同时,通过对样本的学习探索,生成大量的经验数据来训练模型,以达到减少样本量和提升分类精度的双重目的,最后用训练好的FCN模型对极化SAR影像进行分类。与现有需要大量数据驱动的CNN网络模型不同,本发明经过强化学习的经验
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。
基于多尺度残差注意力模型的SAR影像水体提取方法.pdf
本发明公开了一种基于多尺度残差注意力模型的SAR影像水体提取方法,步骤如下:首先对SAR原影像进行预处理和标签制作,得到模型的训练集和测试集;其次针对遥感影像中水体形态各异问题,模型的编码器被设计成多尺度残差模块;针对狭窄水域识别准确率低的问题,模型的解码器采用嵌套式结构;最后在每层编码器后面加上细化注意力模块(SC‑attention),融合空间特征中丰富的语义信息和通道特征中准确的位置信息,以逐步细化分割细节来避免水体边界信息的丢失。本发明利用多尺度残差模块获得水体不同尺度下的特征信息,通过嵌套式解码