深度卷积神经网络在迁移学习模式下的SAR目标识别

合成孔径雷达（synthetic aperture radar,SAR）自动目标识别过程主要包括目标特征提取和分类器训练两个步骤。提出一种基于深度卷积神经网络（deep convolutional neural networks,DNNs）的SAR自动目标识别方法,使用一类优化的DNNs网络结构对SAR图像目标进行分类训练。该网络结构自动提取目标类别特征,避免人工预选取特征方法带来的不标准性。在DNNs网络模型训练过程中引入迁移学习的概念,以防止结果陷入局部最优解和加快模型参数的训练。最后使用美国运动和静止目标获取与识别MSTAR数据集进行试验,给出该方法与其他分类方法结果的对比,证明其取得较高的分类正确率。     

基于深度卷积神经网络的指纹纹型分类算法

传统指纹纹型分类算法的准确率直接受到相应特征提取算法的影响.在海量指纹库中，同类纹型指纹形态变化明显增大，不同类纹型界限变得模糊，仅通过人工定义的特征进行分类很难适应全部指纹数据.为解除纹型分类问题与人工定义的特征提取问题的耦合，提出一种直接在指纹原图上进行纹型识别的算法.利用卷积神经网络自动特征提取的能力从大量指纹数据中学习得到纹型特征，并通过对训练数据的设计使网络能够适应指纹的多样性，提升算法的鲁棒性.此外，多尺度网络模型平均方法使分类准确性得到进一步提升.在国际公开指纹数据集NIST DB4上测得纹型四分类准确率达94.2%.     

基于仿真SAR图像深度迁移学习的自动目标识别

使用深度卷积神经网络实现SAR图像的自动目标识别在训练过程中需要大量的标注数据。为解决由SAR实测数据获取成本高、标注数据量不足带来的问题，提出一种在由CReLU激活函数和批归一化改进的卷积神经网络上，使用仿真SAR图像提升最终目标识别性能的方法，把从大量仿真SAR图像学习到的有效知识迁移到实测SAR图像数据上。在训练中，先用仿真SAR图像预训练卷积神经网络，结合迁移学习的方法，有效地解决由SAR图像数据不足带来的过拟合问题。在MSTAR数据集上验证方法的有效性，识别准确率提高到99.78%，并在少量SAR图像样本数据上也取得不错的识别效果。     

基于卷积神经网络与主动学习的高光谱图像分类

在利用主动学习方法进行高光谱图像分类时，往往存在空-谱特征不能得到有效利用和样本需要进行手动标注的问题。针对这些问题，提出一种结合卷积神经网络的主动学习方法进行高光谱图像分类。该方法首先提取像素的空间邻域组成训练样本，通过卷积神经网络对样本的空间特征和光谱特征进行学习并对数据进行初步分类；然后，基于高光谱图像的空间相似性和光谱相似性，对无标注样本进行标注，并将其加入标注训练集以提高分类器的分类精度。在Salinas、PaviaU和Indian Pines这3个高光谱数据上的实验结果表明，该方法能在较少标注样本的情况下，有效提高高光谱图像的分类精度。     

基于改进RA-CNN的舰船光电目标识别方法

针对光电图像中舰船分类检测困难的问题,提出一种基于改进循环注意卷积神经网络(recurrent attention convolutional neural network,RA-CNN)的舰船目标识别方法。该方法中的VGG19采用多个卷积层提取图像特征,注意建议网络(attention proposal network,APN)通过全连接层的输出定位特征区域,然后采用尺度依赖池化(scale-dependent pooling,SDP)算法选择VGG19中合适的卷积层输出进行类别判定,最后引入多特征描述特征区域,交叉训练VGG19和APN来加速收敛和提高模型精度。利用自建舰船数据集对方法进行测试,识别准确率较VGG19和RA-CNN有较大提升,识别准确率最高可达86.7%。     

基于图像分割和EM算法的PolSAR地物分类方法

在极化合成孔径雷达（PolSAR）地物分类研究中,基于卷积神经网络的图像分割算法存在高维特征信息冗余而导致的分类边界模糊、分类精度低、计算复杂等不足,提出一种基于卷积神经网络和EM算法的轻量化图像分割网络,称为低秩重构网络（low-rank-reconstruction-net,LRR-Net）,应用于全极化SAR图像的地物分类。LRR-Net从极化目标分解的思想出发,利用EM算法对特征进行低秩重构,将特征从高维空间映射到低维空间,在减少参数的同时实现更精确的分类。用高分三号全极化图像数据对模型进行训练测试并评估,结果表明模型在保证分类精度的前提下,降低了模型复杂度。     

基于特征筛选和二级分类的极化SAR建筑提取算法

提出一种基于特征筛选和二级分类的建筑提取算法。该算法首先对极化SAR数据进行精致Lee滤波,获取多维极化特征和纹理特征构成原始特征集;然后将随机森林作为初级分类器评估各特征的重要性,依据重要性排名进行特征筛选;最后通过支持向量机对特征子集进行次级分类,并用邻域投票法将两级分类结果融合。AIRSAR极化数据实验结果表明,本算法可有效提高极化SAR建筑提取准确率。     

基于不同骨架UNet++网络的建筑物提取

基于深度学习方法的建筑物自动提取具有精度高、速度快的技术特点,对城市规划、防灾减灾等的行业应用具有重要意义。针对高分辨率遥感影像建筑物自动提取,引入深度学习特征功能模块和传统遥感应用技术验证环节,形成不同骨架模块、UNet++网络和真实性检验的建筑物遥感提取功能模块嵌合的深度学习业务化应用技术体系,通过VGG、ResNet和Inception等传统卷积网络模型骨架对基础网络进行改造,提升模型运行效率,强化模型特征学习能力,通过真实性检验验证算法的有效性、适用性,展示完整的遥感应用技术链条。以Mnih公开的马萨诸塞州建筑物数据集为数据源,和传统非全卷积网络模型和全卷积网络模型等方法进行对比分析,结果表明通过增加模型深度和宽度可以有效提升模型建筑物提取效果,基于InceptionV3-UNet++骨架模型在召回率、准确度、CSI、F₁分数、Kappa系数和总精度表现最为优秀,分别达到85.14%、90.50%、0.7816、0.8774、0.8504和95.57%,并在WHU数据集上验证了它的鲁棒性。该方法在建筑物提取结果和细节上都有显著提高,特别是对复杂不规则建筑物的提取上,将极大促进真实、复杂、大场景高分辨率影像的建筑物提取遥感应用。     

基于频域通道注意力的YOLOv3网络的雾天海洋图像船舶检测

为解决在雾天背景下现有的船舶检测算法准确率低、召回率不高的问题,在YOLOv3网络的特征提取模块加入空间金字塔池化模块用以丰富特征图的表达能力,在特征融合模块引入频域通道注意力机制来抑制背景噪声,在预测模块采用K均值算法重新设计预测锚框大小以适应待检测目标的形状。实验结果表明：基于频域通道注意力的YOLOv3网络在雾天背景下对船舶的检测精度更高,在测试集上平均精确率可达到92.98%,准确率可达到93.06%,召回率可达到92.25%;检测速度可达到61帧/s。本文算法满足船舶实时检测的需求,为未来智能船舶的发展提出了一种兼顾准确率和实时性的船舶检测方法。     

基于层次化标签的人体解析

人体解析针对图像中人体不同部位进行语义分割，是近年来计算机视觉领域中的一个重要研究课题。不同于场景中的一般物体，人具有高度的结构化特征，并存在复杂的姿态变化和衣物遮挡情况。针对这一任务，提出一种基于卷积神经网络的层次化标签结构的人体解析方法。首先对精细的标签按照类别进行不同程度的合并，获得多个层级的解析图；然后改进具有金字塔特征抽取结构的卷积神经网络，使用解析图对金字塔不同层级的特征进行监督；最后将所有层级特征进行融合得到解析结果。在人体解析数据集LIP上的实验验证，与当前通用的语义分割算法相比，该算法可获得更高的人体解析准确性并改善了图像的分割效果。     

基于时序光谱重构的卷积神经网络遥感农作物分类

当前，基于时序特征提取的农作物遥感分类方法需要较多先验知识及人工干预，难以自动化，且易因忽略部分有效特征而导致精度降低。针对这些问题，提出基于时序光谱重构的卷积神经网络农作物分类法。为充分利用时间序列多光谱中丰富的作物物候与多光谱信息，对每个地面像元构造以时间维为纵轴、光谱维为横轴的时序光谱图，采用Adam梯度下降法与Dropout 40%连接率优化后的卷积神经网络对时序光谱图进行分类。对比实验结果表明，该方法可有效减少“椒盐”噪声的产生，且地块边界轮廓线清晰，总体分类精度达到95.12%，高于时间序列多光谱+随机森林（88.58%）、时间序列NDVI+随机森林（90.25%）、时间序列NDVI+卷积神经网络（91.79%）等对照实验组；对于“异物同谱”现象明显的春玉米与番茄，该方法的F₁-score分别达到95.9%与89.9%，相比各对照组均有较大幅度的提高。该研究结果可为遥感农作物的自动化精细制图提供参考。     

一种基于层次稀疏的全极化SAR层析成像方法

SAR层析成像利用多航过复数据对观测目标进行高程向重构，全极化数据具有丰富的散射信息。将全极化数据与SAR层析成像相结合，利用城市建筑高程向散射体的稀疏性和全极化数据信号稀疏支撑集相同的特点，提出基于组稀疏约束和稀疏约束相结合的求解模型，并利用层次稀疏的方法对模型进行求解。通过Monte Carlo仿真实验将该模型法的性能与单极化层析成像模型和基于组稀疏的求解方法的性能进行对比，并将该方法应用到实测数据的半点目标仿真实验中。结果表明，本文提出的方法提高了高程向重建精度，且有更好的鲁棒性，在低信噪比下也能较好地恢复目标的高程向信息和后向散射系数。     

图像处理与神经网络识别技术在船舶分类中的应用

应用图像处理和神经网络技术,提出一种基于静态照片对船舶进行分类的方法.首先通过图像处理技术对照片提取特征,然后将这些特征作为多层前向神经网络的输入,该神经网络用BP算法(反向传播算法)来进行,由该神经网络将照片中的船只分为大型船、中型船、小型船等3类.用真实的船的尺寸作实验,实验结果证明了该方法的有效性.另外,提出一种识别船舶类型的方法,用户可以通过GUI进行模拟实验.最后,讨论海上值班系统的研究现状.研究的目的是将图像处理技术集成到传统的船舶导航设备中.