公开(公告)号：CN114202674A

公开(公告)日：2022-03-18

申请号：CN202111540134.9

申请日：2021-12-15

Applicant: 北京化工大学

Inventor： 尹嫱 ,  黄译 ,  张帆 ,  周勇胜

IPC: G06V10/764 ,  G06V10/82 ,  G06K9/62 ,  G06N3/04 ,  G06N3/08

Abstract: 本发明公开了一种基于散射机制用于简缩极化SAR的交互CNN分类方法，提取斯托克斯矢量：提取简缩极化SAR数据的散射矩阵[S]，提取斯托克斯矢量用于获取不同地物目标的散射机制；获取散射机制：计算极化度m和相对相位差δ，作为目标分解的基本参数，通过m‑δ分解区分不同地物目标的散射机制；对测试样本进行分类，计算分类结果的混淆矩阵，通过建立的神经网络模型，对简缩极化SAR的图像信息进行分类，计算各地物的混淆矩阵，得到各地物的分类精度。本发明在简缩极化SAR领域使用了权值共享、交互通道机制的多通道卷积神经网络方法，提升了分类精度。

公开(公告)号：CN110956221A

公开(公告)日：2020-04-03

申请号：CN201911301348.3

申请日：2019-12-17

Applicant: 北京化工大学

Inventor： 张帆 ,  倪军 ,  尹嫱 ,  周勇胜 ,  洪文

IPC: G06K9/62 ,  G06T7/46 ,  G06K9/00 ,  G06K9/46

Abstract: 本发明公开了基于深度递归网络下小样本PolSAR图像分类方法，本发明借鉴了深度递归网络的复杂性和空间分析的优势，对小样本数据首先进行了特征增强，然后选取0.5％的样本作为训练样本，同时每个点只使用了5个特征序列来作为训练样本。此外，本发明提出了RNBP的样本合成方法类提升训练样本的丰富度，同时提出MB和MBW来提升测试样板的鲁棒性，从而达到小样本较优的分类效果。在深度递归网络的构建中，本发明使用LSTM作为基本的处理单元，每个空间的样本序列对应一个LSTM时间单元，从而使其充分兼顾PolSAR的空间特征，从而实现分类。最后在深度递归网络得到的概率图基础上，利用CRF进行空间纹理分析，以实现最优的小样本决策分类过程。