-
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
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。
-
公开(公告)号：CN113392871A
公开(公告)日：2021-09-14
申请号：CN202110365566.4
申请日：2021-04-06
Applicant: 北京化工大学
Abstract: 本发明公开了一种基于散射机制多通道扩张卷积神经网络的极化SAR地物分类方法，该方法的实施流程如下：步骤1、数据预处理；步骤2、样本的划分；步骤3、构建基于散射机制的多通道卷积神经网络；步骤4、训练网络模型；步骤5、PolSAR图像地物分类；本发明降低了特征提取过程中的复杂度，并且为了避免特征之间的相互干扰，将三种极化特征按照散射机制分别输入到三通道卷积神经网络进行特征提取，每个通道的网络参数设置相同，保证了每个通道对最终结果贡献相同；最终的分类结果也达到了比较好的效果。
-
公开(公告)号：CN116863191A
公开(公告)日：2023-10-10
申请号：CN202310412453.4
申请日：2023-04-18
Applicant: 北京化工大学
IPC: G06V10/764 , G06V10/762 , G06V10/77 , G06V10/62 , G06V10/26 , G06V10/28 , G06V20/10
Abstract: 本发明公开了一种基于双极化SAR特征的水体悬浮物空间分布监测方法，属于极化合成孔径雷达图像处理领域。本发明使用双极化数据对悬浮泥沙目标开展研究，目的在于发掘极化数据在识别悬浮泥沙目标中的作用。通过使用新分类平面A'/α获取初步分类图，A'相比于极化熵(H)拥有更加直观的物理意义，随即利用可区分弱散射目标的似然比距离分类器进一步聚类以精确锁定研究范围，通过分析、锁定并利用有助于悬浮泥沙识别的极化特征(香农熵强度分量)，进行悬浮泥沙区域的精确提取。
-
公开(公告)号：CN109840542B
公开(公告)日：2021-03-26
申请号：CN201811489586.7
申请日：2018-12-06
Applicant: 北京化工大学
IPC: G06K9/62
Abstract: 本发明公开了基于极化特征的自适应维度决策树分类方法，本发明在决策树分类器的基础上，使节点自适应的选择所需维度，节点的维度从一维开始，如果需要将扩展到二维甚至三维，不再是所有节点都使用统一维度的特征。灵活地选择节点维度，使易分类别节点仍保持低维度，避免节点选择无关冗余特征，在提高分类精度的同时，有效地缩减了计算复杂度。实验结果表明，基于极化特征的自适应维度决策树较一维节点的决策树平均分类精度提高了8.89％，相较于二维节点的决策树平均分类精度提高了1.65％的同时，避免了节点在特征上的无关冗余，计算所需时间同比三维决策树降低了27％左右。
-
公开(公告)号：CN109840542A
公开(公告)日：2019-06-04
申请号：CN201811489586.7
申请日：2018-12-06
Applicant: 北京化工大学
IPC: G06K9/62
Abstract: 本发明公开了基于极化特征的自适应维度决策树分类方法，本发明在决策树分类器的基础上，使节点自适应的选择所需维度，节点的维度从一维开始，如果需要将扩展到二维甚至三维，不再是所有节点都使用统一维度的特征。灵活地选择节点维度，使易分类别节点仍保持低维度，避免节点选择无关冗余特征，在提高分类精度的同时，有效地缩减了计算复杂度。实验结果表明，基于极化特征的自适应维度决策树较一维节点的决策树平均分类精度提高了8.89％，相较于二维节点的决策树平均分类精度提高了1.65％的同时，避免了节点在特征上的无关冗余，计算所需时间同比三维决策树降低了27％左右。
-
Patent Agency Ranking
公开(公告)号：CN103645463A
公开(公告)日：2014-03-19
申请号：CN201310722014.X
申请日：2013-12-24
Applicant: 中国科学院电子学研究所 , 北京化工大学
IPC: G01S7/04
Abstract: 本发明提供了一种合成孔径雷达成像数据三维显示的方法。该方法包括：步骤A，对接收到的原始三维合成孔径雷达数据M0(x，y，z，v)进行降噪和插值，得到包括目标三维空间坐标信息(x、y、z)和后向散射信息v的三维合成孔径雷达数据步骤B，对降噪插值后的三维合成孔径雷达数据进行三维曲面重构得到三维网格数据以及步骤C，利用三维图形绘制流水线对三维网格数据进行绘制得到三维图形，从而实现对三维合成孔径雷达数据的三维显示。本发明利用三维图形绘制流水线对所述三维网格数据进行绘制得到三维图形，从而实现对三维合成孔径雷达数据的三维显示。
-
公开(公告)号：CN113392871B
公开(公告)日：2023-10-24
申请号：CN202110365566.4
申请日：2021-04-06
Applicant: 北京化工大学
IPC: G06V10/764 , G06V10/82 , G06V20/10 , G06N3/0464 , G06N3/082
Abstract: 本发明公开了一种基于散射机制多通道扩张卷积神经网络的极化SAR地物分类方法，该方法的实施流程如下：步骤1、数据预处理；步骤2、样本的划分；步骤3、构建基于散射机制的多通道卷积神经网络；步骤4、训练网络模型；步骤5、PolSAR图像地物分类；本发明降低了特征提取过程中的复杂度，并且为了避免特征之间的相互干扰，将三种极化特征按照散射机制分别输入到三通道卷积神经网络进行特征提取，每个通道的网络参数设置相同，保证了每个通道对最终结果贡献相同；最终的分类结果也达到了比较好的效果。
-
公开(公告)号：CN110909667B
公开(公告)日：2022-05-10
申请号：CN201911143404.5
申请日：2019-11-20
Applicant: 北京化工大学
IPC: G06V20/00 , G06V10/774 , G06V10/762 , G06V10/82 , G06K9/62 , G06N3/04
Abstract: 本发明公开了面向多角度SAR目标识别网络的轻量化设计方法，属于计算机视觉和遥感的交叉领域。现有的神经网络压缩方法通常是逐步压缩思路且有识别精度损失的，而本发明结合SAR目标多角度特征保持的要求，使用结构化剪枝生成轻量化SAR目标识别CNN网络结构，使用知识蒸馏恢复CNN网络模型的多角度特征提取能力，使用权重共享进一步压缩网络模型存储空间需求，最终得到了无损的轻量化多角度SAR目标识别网络模型。在识别精度无损的前提下，压缩率能达到60倍以上，同时计算量能减少2倍以上。
-
公开(公告)号：CN110909667A
公开(公告)日：2020-03-24
申请号：CN201911143404.5
申请日：2019-11-20
Applicant: 北京化工大学
Abstract: 本发明公开了面向多角度SAR目标识别网络的轻量化设计方法，属于计算机视觉和遥感的交叉领域。现有的神经网络压缩方法通常是逐步压缩思路且有识别精度损失的，而本发明结合SAR目标多角度特征保持的要求，使用结构化剪枝生成轻量化SAR目标识别CNN网络结构，使用知识蒸馏恢复CNN网络模型的多角度特征提取能力，使用权重共享进一步压缩网络模型存储空间需求，最终得到了无损的轻量化多角度SAR目标识别网络模型。在识别精度无损的前提下，压缩率能达到60倍以上，同时计算量能减少2倍以上。
-
公开(公告)号：CN111160268B
公开(公告)日：2024-03-29
申请号：CN201911402471.4
申请日：2019-12-30
Applicant: 北京化工大学
Abstract: 本发明公开了一种基于多任务学习的多角度SAR目标识别方法，本发明构建了两种学习任务用以提升神经网络对于SAR目标特征的感知能力，一个是用以判断SAR目标角度的角度估计辅助任务，一个是在角度估计基础上进行目标识别的主任务。辅助任务充分利用了SAR图像数据中的角度特征，使用多任务学习中的参数共享学习机制来提升网络特征提取层对于目标散射特征、方位敏感特征的提取能力，为主任务的学习提供先验知识支撑。共享网络层基于深度残差学习框架进行设计，针对两种学习任务引入Softmax Loss和Center Loss两种损失函数共同监督训练，提高小样本情况下的合成孔径雷达目标识别效率。
-
-
-
-
-
-
-
-
-
Search Results
12
records
(took 0.021 seconds)
