-
公开(公告)号：CN109871902A
公开(公告)日：2019-06-11
申请号：CN201910177075.X
申请日：2019-03-08
Applicant: 哈尔滨工程大学
Abstract: 本发明属于雷达数据处理领域，具体涉及一种基于超分辨率对抗生成级联网络的SAR小样本识别方法。针对SAR目标图像分辨率低所导致的目标特征不明显，受环境影响较大，数据样本易混淆的问题，提出一个基于深度学习的超分辨率网络，对低分辨率的SAR的小样本图像进行放大。让分类网络能够提取到更多的特征。与传统超分辨率方法不同，利用GAN进行的图像超分辨率能够有效的提取到图像的特征，生成非过度平滑的逼真的高分辨率图像。针对SAR小样本图像具有的低分辨率，特征模糊，样本容易混淆的特点，针对SAR图像固有特点的GAN超分辨率模型。将实现一个4倍放大因子的超分模型，可以将原图像的像素数量放大到原来的16倍。这样可以提供给分类器更多的内容和特征。
-
公开(公告)号：CN109934282A
公开(公告)日：2019-06-25
申请号：CN201910176375.6
申请日：2019-03-08
Applicant: 哈尔滨工程大学
Abstract: 本发明属于合成孔径雷达小样本目标识别领域，具体涉及一种基于SAGAN样本扩充和辅助信息的SAR目标分类方法。本研究根据SAR的数据样本图像的特性，对Inception结构进行优化和改进，并添加适当的正则化条件，联合上述的GAN小样本生成和GAN小样本超分辨率的成果，对SAR小样本目标进行精确的识别。本发明提出了一种更适用于SAR遥感图像的网络，使得其能够学习不同种类目标区域的特征，从而生成新的较为逼真的目标区域图像，解决了SAR小样本的数据量少的问题。解决了针对合成孔径雷达SAR遥感图像中的目标区域，一种基于自注意力生成对抗网络样本扩充和辅助信息的SAR目标分类方法，本发明主要涉及生成式对抗网络来扩充SAR新样本数据，并基于Restnet50结构网络用以SAR小样本目标识别。
-
公开(公告)号：CN109871902B
公开(公告)日：2022-12-13
申请号：CN201910177075.X
申请日：2019-03-08
Applicant: 哈尔滨工程大学
IPC: G06V10/774 , G06V10/82 , G06N3/08
Abstract: 本发明属于雷达数据处理领域，具体涉及一种基于超分辨率对抗生成级联网络的SAR小样本识别方法。针对SAR目标图像分辨率低所导致的目标特征不明显，受环境影响较大，数据样本易混淆的问题，提出一个基于深度学习的超分辨率网络，对低分辨率的SAR的小样本图像进行放大。让分类网络能够提取到更多的特征。与传统超分辨率方法不同，利用GAN进行的图像超分辨率能够有效的提取到图像的特征，生成非过度平滑的逼真的高分辨率图像。针对SAR小样本图像具有的低分辨率，特征模糊，样本容易混淆的特点，针对SAR图像固有特点的GAN超分辨率模型。将实现一个4倍放大因子的超分模型，可以将原图像的像素数量放大到原来的16倍。这样可以提供给分类器更多的内容和特征。
-
公开(公告)号：CN109934282B
公开(公告)日：2022-05-31
申请号：CN201910176375.6
申请日：2019-03-08
Applicant: 哈尔滨工程大学
Abstract: 本发明属于合成孔径雷达小样本目标识别领域，具体涉及一种基于SAGAN样本扩充和辅助信息的SAR目标分类方法。本研究根据SAR的数据样本图像的特性，对Inception结构进行优化和改进，并添加适当的正则化条件，联合上述的GAN小样本生成和GAN小样本超分辨率的成果，对SAR小样本目标进行精确的识别。本发明提出了一种更适用于SAR遥感图像的网络，使得其能够学习不同种类目标区域的特征，从而生成新的较为逼真的目标区域图像，解决了SAR小样本的数据量少的问题。解决了针对合成孔径雷达SAR遥感图像中的目标区域，一种基于自注意力生成对抗网络样本扩充和辅助信息的SAR目标分类方法，本发明主要涉及生成式对抗网络来扩充SAR新样本数据，并基于Restnet50结构网络用以SAR小样本目标识别。
-
-
-
Search Results
4
records
(took 0.02 seconds)
