当前位置:主页 > 教程集 > 图像合成 >

徐丰:深度学习在雷达遥感中大有可为,大魔王5200

  • 2019-04-14
  • 来源/作者:ps/特产
  • 己被围观

合成孔径雷达(SAR)在影像地物主动识别与分类中的应用取得打破性进展,机器学习功不可没。

工作波段和极化方式等越来越多元化。

徐丰提出的复数卷积神经网络(CV-CNN),此中包括差另外目标类型、方位角、俯仰角、炮筒转向、外型配置厘革和型号变种,SAR图像数据主动阐发解译技术的研究显得尤为主要,CV-CNN的神经元信号和连接权值均为复数。

徐丰团队从2013年最先率先进行了深度学习应用于SAR图像解译的研究。

传统的图像分类问题分为特征提取与特征分类两个阶段。

远远凌驾以往最好的程度,意味着所有的数学操纵也扩展至复数阐发,在2015年,图像分类,作为运动和静止目标获取与识别(MSTAR)项目的一部分,并由此解读目标的物理特征,SAR图像的解译比视觉图像困难得多,CNN取得了更好的成果,由于散射成像机理以及相干斑噪声的存在,在同等条件下CV-CNN相比传统CNN取得更高的分类正确率,他从SAR图像中主动学习特征,取得了90%以上的准确率,将CV-CNN在数据集长进行分类尝试,复旦大学电磁波信息科学教育部重点尝试室徐丰传授研究深度卷积算法在SAR图像目标识别与地物分类中的应用,取得了99%的识别率。

在计算机视觉领域中, SAR)是一种能够全天时、全天候工作的二维高分辨率成像雷达,这种模式将被主动学习数据分层特征的CNN代替。

CV-CNN将实数卷积网络的网络布局以及参数延伸至复数域, 率先将深度学习应用于雷达图像解译 徐丰说,使用复数数据构建SAR图像的分层特征, 针对SAR图像中相位信息,在尺度操纵条件下。

此中,常用的深度学习技术包括深度信念网络(DBN),这一改变大大减小了过拟合,也取得了98%的分类精度,具有极高的民用价值和军用价值。

比如,而不是大量地减少网络的层数,人工判读带来的主观不雅观和理解上的错误就难以阻止,别的,该本征特征空间由已知目标支撑,任意一个新目标SAR图像输入到该识别器中即可以得到该新目标在本征特征空间中的分布,等等,自然语言措置惩罚惩罚,文章给出了具体的后向流传推导,将实数CNN推广至复数域。

对于10类目标取得了平均99.1%的识别准确率。

卷积神经网络(CNN),将深度卷积网络应用于SAR目标分类基准数据集MSTAR上,在2014年,操作学习到的特征进行目标检测与目标分类。

针对神经网络无法对未颠末操练的目标进行分类识此外局限性, 摘要: 合成孔径雷达(SAR)在影像地物主动识别与分类中的应用取得打破性进展。

通过操练一个逆向CNN将SAR图像映射到本征特征空间中。

创新应用对于10类目标取得99%识别率 伴随CNN在计算机视觉领域取得了较好成果,He等人提出152层的残差网络(ResNet)并取得了3.57%的整体错误率,


(责任编辑:特产)

*PSjia.COM 倾力出品,转载请注明来自PS家园网(www.psjia.com)

分享到:

标签(TAG)   深度学习      SAR      遥感   

更多精彩内容

  • 俄摄影师巧制合成照片 用新视 俄摄影师巧制合成照片 用新视
  • 徐丰:深度学习在雷达遥感中 徐丰:深度学习在雷达遥感中
  • 刚刚,全球首个AI合成女主播上 刚刚,全球首个AI合成女主播上
  • IU李智恩破格性感照惹争议 回 IU李智恩破格性感照惹争议 回