基于卷积神经网络的高分辨率SAR图像飞机目标检测方法

王思雨 高鑫 孙皓 郑歆慰 孙显

张磊, 董纯柱, 侯兆国, 王超, 殷红成. 多层介质平板结构的传输线等效面模型及相位修正算法[J]. 雷达学报, 2015, 4(3): 317-325. doi: 10.12000/JR15038
引用本文: 王思雨, 高鑫, 孙皓, 郑歆慰, 孙显. 基于卷积神经网络的高分辨率SAR图像飞机目标检测方法[J]. 雷达学报, 2017, 6(2): 195-203. doi: 10.12000/JR17009
Zhang Lei, Dong Chun-zhu, Hou Zhao-guo, Wang Chao, Yin Hong-cheng. Transmission Line Equivalent Plane Model and Phase Correction Algorithm for Multilayered Dielectric Slab Structure[J]. Journal of Radars, 2015, 4(3): 317-325. doi: 10.12000/JR15038
Citation: Wang Siyu, Gao Xin, Sun Hao, Zheng Xinwei, Sun Xian. An Aircraft Detection Method Based on Convolutional Neural Networks in High-Resolution SAR Images[J]. Journal of Radars, 2017, 6(2): 195-203. doi: 10.12000/JR17009

基于卷积神经网络的高分辨率SAR图像飞机目标检测方法

DOI: 10.12000/JR17009
基金项目: 国家自然科学基金青年基金(41501485)
详细信息
    作者简介:

    王思雨(1992–),女,山西人,中国科学院电子学研究所硕士研究生,研究方向为SAR图像飞机目标检测识别。E-mail: siyuwang92@163.com

    高 鑫(1966–),男,辽宁人,北京师范大学理学博士,现任中国科学院电子学研究所研究员,研究方向为SAR场景分类、目标检测识别、解译标注。E-mail: gaxi@mail.ie.ac.cn

    孙皓:孙   皓(1984–),男,山东人,中国科学院大学工学博士,现任中国科学院电子学研究所副研究员,研究方向为遥感图像理解。E-mail: sun.010@163.com

    郑歆慰(1987–),男,福建人,中国科学院大学工学博士,现任中国科学院电子学研究所助理研究员,研究方向为大规模遥感图像解译。E-mail: zxw_1020@163.com

    孙显:孙   显(1981–),男,浙江人,中国科学院大学工学博士,现任中国科学院电子学研究所副研究员,研究方向为计算机视觉与遥感图像理解、地理空间大数据解译。E-mail: sunxian@mail.ie.ac.cn

    通讯作者:

    高鑫   gaxi@mail.ie.ac.cn

  • 中图分类号: TP753

An Aircraft Detection Method Based on Convolutional Neural Networks in High-Resolution SAR Images

Funds: The National Natural Science Foundation of China (41501485)
  • 摘要: 传统的合成孔径雷达(Synthetic Aperture Radar, SAR)图像飞机检测方法一般利用像素对比度信息进行图像分割,从而提取待定目标。然而这些方法只考虑了像素亮度信息而忽视了目标的结构特征,进而导致目标的不精确定位和大量虚警的产生。基于上述问题,该文构建了一个全新的SAR图像飞机目标检测算法框架。首先,针对大场景SAR图像应用需求,提出了改进的显著性预检测方法,从而实现SAR图像候选飞机目标多尺度快速粗定位;然后,设计并调优了含4个权重层的卷积神经网络(Convolutional Neural Network, CNN),实现对候选目标的精确检测和鉴别;最后,因为SAR数据量有限、易导致过拟合,提出4种适用于SAR图像的数据增强方法,具体包括平移、斑点加噪、对比度增强和小角度旋转。实验证实该飞机检测算法在高分辨率TerraSAR-X数据集上效果显著,与传统的SAR飞机检测方法相比,该方法检测效率更高,泛化能力更强。

     

  • 图  1  SAR飞机检测框架的整体流程图

    Figure  1.  Overall flowchart of our SAR aircraft detection framework

    图  2  显著性变换

    Figure  2.  Saliency transformation

    图  3  改进的显著性预检测方法流程图

    Figure  3.  Flowchart of improved saliency-based pre-detection method

    图  4  数据增强示例

    Figure  4.  Demonstration of data augmentation

    图  5  本文CNN的网络结构设计

    Figure  5.  Structure of our CNN

    图  6  训练集示例

    Figure  6.  Demonstration of training set

    图  7  Selective search方法、原始显著性预检测方法和改进后的预检测方法

    Figure  7.  Comparison among the Selective search method, the basic saliency-based method and improved saliency-based method

    图  8  不同方法的ROC曲线图

    Figure  8.  ROC curves of different methods

    图  9  本文框架的检测结果

    Figure  9.  Detection result of our framework

    表  1  CNN参数

    Table  1.   Parameters of our CNN

    层结构 核结构 输出尺寸
    输入层 120×120
    C1 32@5×5 116×116
    S1 2×2 58×58
    C2 64@5×5 54×54
    S2 2×2 27×27
    C3 128@6×6 22×22
    S3 2×2 11×11
    下载: 导出CSV

    表  2  不同预检测方法性能比较

    Table  2.   The performance of different pre-detection methods

    方法 预检测 正确率(%) 候选目标 个数 预检测 时间(s)
    Selective search 100 569 47.50
    原始显著性预检测 94.12 298 6.07
    改进的显著性预检测 100 242 10.67
    下载: 导出CSV

    表  3  不同数据增强方法的检测正确率

    Table  3.   Accuracy rates of CNN with different augmentation methods

    操作 检测正确率(%)
    原始 86.33
    平移 92.01
    斑点加噪 93.74
    对比度增强 93.64
    小角度旋转 92.76
    综合4种增强方法 96.36
    下载: 导出CSV

    表  4  不同网络层数的检测正确率比较

    Table  4.   Accuracy rates of CNN with different number of layers

    网络结构 检测正确率(%)
    C1: 32@5×5, S1, C2: 64@5×5, S2, C3: 128@6×6, S3, C4: 256@6×6, S4 95.99
    C1: 32@5×5, S1, C2: 64@5×5, S2, C3: 128@6×6, S3 (本文) 96.36
    C1: 32@5×5, S1, C2: 64@5×5, S2 93.70
    下载: 导出CSV

    表  5  不同卷积核个数的检测正确率比较

    Table  5.   Accuracy rates of CNN with different number of kernels

    网络结构 检测正确率(%)
    C1: 16@5×5, S1, C2: 32@5×5, S2, C3: 64@6×6, S3 93.93
    C1: 32@5×5, S1, C2: 64@5×5, S2, C3: 128@6×6, S3 (本文) 96.36
    C1: 64@5×5, S1, C2: 128@5×5, S2, C3: 256@6×6, S3 95.05
    下载: 导出CSV

    表  6  不同卷积核大小的检测正确率比较

    Table  6.   Accuracy rates of CNN with different size of kernels

    网络结构 检测正确率(%)
    C1: 32@3×3, S1, C2: 64@3×3, S2, C3: 128@3×3, S3 95.96
    C1: 32@5×5, S1, C2: 64@5×5, S2, C3: 128@6×6, S3 (本文) 96.36
    C1: 32@5×5, S1, C2: 64@5×5, S2, C3: 128@5×5, S3 96.16
    下载: 导出CSV

    表  7  不同方法在同一数据集上的平均检测率

    Table  7.   Average detection rates of different methods on the same dataset

    方法 检测正确率(%)
    CNN 96.36
    SVM 92.64
    HOG+SVM 93.79
    AdaBoost 92.28
    下载: 导出CSV
  • [1] El-Darymli K, McGuire P, Power D, et al. Target detection in synthetic aperture radar imagery: A state-of-the-art survey[J].Journal of Applied Remote Sensing, 2013, 7(1): 071598. doi: 10.1117/1.JRS.7.071598
    [2] Steenson B O. Detection performance of a mean-level threshold[J].IEEE Transactions on Aerospace and Electronic Systems, 1968, 4(4): 529–534.
    [3] Gandhi P P and Kassam S A. Analysis of CFAR processors in homogeneous background[J].IEEE Transactions on Aerospace and Electronic Systems, 1988, 24(4): 427–445. doi: 10.1109/7.7185
    [4] Novak L M and Hesse S R. On the performance of order-statistics CFAR detectors[C]. IEEE 25th Asilomar Conference on Signals, Systems and Computers, Pacific Grove, California, USA, Nov. 1991: 835–840.
    [5] Smith M E and Varshney P K. VI-CFAR: A novel CFAR algorithm based on data variability[C]. IEEE National Radar Conference, Syracuse, NY, May 1997: 263–268.
    [6] Ai Jia-qiu, Qi Xiang-yang, Yu Wei-dong, et al. A new CFAR ship detection algorithm based on 2-D joint log-normal distribution in SAR images[J].IEEE Geoscience and Remote Sensing Letters, 2010, 7(4): 806–810. doi: 10.1109/LGRS.2010.2048697
    [7] di Bisceglie M and Galdi C. CFAR detection of extended objects in high-resolution SAR images[J].IEEE Transactions on Geoscience and Remote Sensing, 2005, 43(4): 833–843. doi: 10.1109/TGRS.2004.843190
    [8] Jung C H, Kwag Y K, and Song W Y. CFAR detection algorithm for ground target in heterogeneous clutter using high resolution SAR image[C]. 3rd International Asia-Pacific Conference on Synthetic Aperture Radar (APSAR), Seoul, South Korea, Sep. 2011: 1–4.
    [9] Olson C F and Huttenlocher D P. Automatic target recognition by matching oriented edge pixels[J].IEEE Transactions on Image Processing, 1997, 6(1): 103–113. doi: 10.1109/83.552100
    [10] Kaplan L M. Improved SAR target detection via extended fractal features[J].IEEE Transactions on Aerospace and Electronic Systems, 2001, 37(2): 436–451. doi: 10.1109/7.937460
    [11] Sandirasegaram N M. Spot SAR ATR using wavelet features and neural network classifier[R]. Defence Research and Development Canada Ottawa (Ontario), 2005.
    [12] Tan Yi-hua, Li Qing-yun, Li Yan-sheng, et al. Aircraft detection in high-resolution SAR images based on a gradient textural saliency map[J].Sensors, 2015, 15(9): 23071–23094. doi: 10.3390/s150923071
    [13] Jao J K, Lee C E, and Ayasli S. Coherent spatial filtering for SAR detection of stationary targets[J].IEEE Transactions on Aerospace and Electronic Systems, 1999, 35(2): 614–626. doi: 10.1109/7.766942
    [14] Zhao Q and Principe J C. Support vector machines for SAR automatic target recognition[J].IEEE Transactions on Aerospace and Electronic Systems, 2001, 37(2): 643–654. doi: 10.1109/7.937475
    [15] Sun Yi-jun, Liu Zhi-peng, Todorovic S, et al. Adaptive boosting for SAR automatic target recognition[J].IEEE Transactions on Aerospace and Electronic Systems, 2007, 43(1): 112–125. doi: 10.1109/TAES.2007.357120
    [16] Keydel E R, Lee S W, and Moore J T. MSTAR extended operating conditions: A tutorial[C]. Proc. SPIE 2757, Algorithms for Synthetic Aperture Radar Imagery III, Orlando, FL, Apr. 1996: 228–242.
    [17] Krizhevsky A, Sutskever I, and Hinton G E. ImageNet classification with deep convolutional neural networks[C]. International Conference on Neural Information Processing Systems, South Lake Tahoe, Nevada, USA, Dec. 2012: 1097–1105.
    [18] Ding Jun, Chen Bo, Liu Hong-wei, et al. Convolutional neural network with data augmentation for SAR target recognition[J].IEEE Geoscience and Remote Sensing Letters, 2016, 13(3): 364–368.
    [19] Chen Si-zhe, Wang Hai-peng, Xu Feng, et al. Target classification using the deep convolutional networks for SAR images[J].IEEE Transactions on Geoscience and Remote Sensing, 2016, 54(8): 4806–4817. doi: 10.1109/TGRS.2016.2551720
    [20] Diao Wen-hui, Sun Xian, Zheng Xin-wei, et al. Efficient saliency-based object detection in remote sensing images using deep belief networks[J].IEEE Geoscience and Remote Sensing Letters, 2016, 13(2): 137–141. doi: 10.1109/LGRS.2015.2498644
    [21] Chen Jie-hong, Zhang Bo, and Wang Chao. Backscattering feature analysis and recognition of civilian aircraft in TerraSAR-X images[J].IEEE Geoscience and Remote Sensing Letters, 2015, 12(4): 796–800. doi: 10.1109/LGRS.2014.2362845
    [22] Srivastava N, Hinton G, Krizhevsky A, et al. Dropout: A simple way to prevent neural networks from overfitting[J].The Journal of Machine Learning Research, 2014, 15(1): 1929–1958.
    [23] Glorot X, Bordes A, and Bengio Y. Deep sparse rectifier neural networks[C]. 14th International Conference on Artificial Intelligence and Statistics, Fort Lauderdale, FL, USA, 2011: 315–323.
    [24] Qian Ning. On the momentum term in gradient descent learning algorithms[J].Neural Networks, 1999, 12(1): 145–151. doi: 10.1016/S0893-6080(98)00116-6
  • 期刊类型引用(88)

    1. 肜瑶,张洋洋. 重构目标和多层次BVMD特征融合的SAR图像目标识别方法. 探测与控制学报. 2025(01): 94-101 . 百度学术
    2. 杨慧娉,赖小龙,刘丹. 一种基于区域特征的SAR图像目标识别方法. 电光与控制. 2025(03): 76-81 . 百度学术
    3. 吕虎. 基于属性散射中心目标重构加权决策融合的SAR目标识别方法. 电光与控制. 2024(02): 112-117+124 . 百度学术
    4. 李振汕,丁柏圆. 联合核稀疏表示和增强字典的SAR目标识别方法. 电光与控制. 2024(08): 44-49 . 百度学术
    5. 罗曼,李新. 改进卷积神经网络的SAR图像识别方法. 空天预警研究学报. 2024(03): 162-166+172 . 百度学术
    6. 赵琰,赵凌君,张思乾,计科峰,匡纲要. 自监督解耦动态分类器的小样本类增量SAR图像目标识别. 电子与信息学报. 2024(10): 3936-3948 . 百度学术
    7. 何洁,李文娟,陈欣. NCIE在多特征选择及SAR目标识别中的应用. 太赫兹科学与电子信息学报. 2023(02): 183-188 . 百度学术
    8. 王源源. 联合变分模态分解和卷积神经网络的SAR图像目标分类方法. 电光与控制. 2023(06): 41-46 . 百度学术
    9. 陈婕,潘洁,杨小英. 结合非采样剪切波和MCCA的SAR目标识别方法. 探测与控制学报. 2023(03): 89-94 . 百度学术
    10. 李鹏,冯存前,胡晓伟. 一种改进的可解释SAR图像识别网络. 空军工程大学学报. 2023(04): 49-55 . 百度学术
    11. 王源源. 基于改进稀疏表示的SAR图像目标识别方法. 电光与控制. 2023(09): 42-46 . 百度学术
    12. 许延龙,潘昊,丁柏圆. 基于深度信念网络的属性散射中心匹配及在SAR图像目标识别中的应用. 液晶与显示. 2023(11): 1511-1520 . 百度学术
    13. 李昆,赵鹏,张帝,尹广举. 基于结构相似性的多模态筛选及在SAR目标识别中的应用研究. 中国电子科学研究院学报. 2023(11): 996-1002+1028 . 百度学术
    14. 陆建华. 融合CNN和SRC决策的SAR图像目标识别方法. 红外与激光工程. 2022(03): 520-526 . 百度学术
    15. 游丽. 基于块稀疏贝叶斯学习的SAR图像目标方位角估计方法. 红外与激光工程. 2022(04): 399-404 . 百度学术
    16. 赵高丽,宋军平. 联合多特征的MSTAR数据集SAR目标识别方法. 武汉大学学报(工学版). 2022(07): 732-739 . 百度学术
    17. 周志洪,陈秀真,马进,夏正敏. 烟花算法在SAR图像属性散射中心参数估计中的应用. 红外与激光工程. 2022(08): 481-487 . 百度学术
    18. 李正伟,黄孝斌,胡尧. 基于二维随机投影特征典型相关分析融合的SAR ATR方法. 红外与激光工程. 2022(10): 366-373 . 百度学术
    19. 王源源,王小芳. 结合多特征联合表征和自适应加权的SAR图像目标识别方法. 电光与控制. 2022(11): 97-101+117 . 百度学术
    20. 莫海宁,钟友坤. 基于BVMD特征决策融合的SAR目标识别方法. 电子信息对抗技术. 2022(05): 40-44+50 . 百度学术
    21. 邢孟道,谢意远,高悦欣,张金松,刘嘉铭,吴之鑫. 电磁散射特征提取与成像识别算法综述. 雷达学报. 2022(06): 921-942 . 本站查看
    22. 来雨. 基于属性散射中心的SAR图像重构及在目标识别中的应用. 火力与指挥控制. 2021(02): 46-52 . 百度学术
    23. 刘飞,高红艳,卫泽刚,刘亚军,钱郁. 基于Res-Net深度特征的SAR图像目标识别方法. 液晶与显示. 2021(04): 624-631 . 百度学术
    24. 伍友龙. 多元经验模态分解及在SAR图像目标识别中的应用. 红外与激光工程. 2021(04): 251-257 . 百度学术
    25. 陈丛. 基于狼群算法的SAR图像属性散射中心参数估计. 红外与激光工程. 2021(04): 258-264 . 百度学术
    26. 辛海燕,童有为. 结合多源特征与高斯过程模型的SAR图像目标识别. 电讯技术. 2021(04): 454-460 . 百度学术
    27. 毛舒宇,岳凤英. 二维变分模态分解在SAR图像特征提取及目标识别中的应用. 电光与控制. 2021(03): 98-101+106 . 百度学术
    28. 唐吉深,覃少华. 稀疏表示系数下局部最优重构的SAR图像目标识别算法. 探测与控制学报. 2021(02): 69-75+80 . 百度学术
    29. 张楚笛,唐涛,计科峰. SAR图像车辆目标多模态联合协同表示分类方法. 信号处理. 2021(05): 681-689 . 百度学术
    30. 刘志超,屈百达. 复数二维经验模态分解在SAR目标识别中的应用. 红外与激光工程. 2021(05): 245-252 . 百度学术
    31. 刘志超,屈百达. 结合BM3D去噪与极限学习机的SAR目标分类方法. 电光与控制. 2021(06): 29-32 . 百度学术
    32. 吴剑波,陆正武,关玉蓉,王庆东,姜国松. 二维压缩感知多投影矩阵特征融合的SAR目标识别方法. 红外与激光工程. 2021(06): 314-320 . 百度学术
    33. 尚珊珊,余子开,范涛,金利民. 高斯过程模型在SAR图像目标识别中的应用. 红外与激光工程. 2021(07): 151-157 . 百度学术
    34. 胡媛媛,韩彦龙. 快速自适应二维经验模态分解在SAR目标识别中的应用研究. 电光与控制. 2021(08): 40-43+87 . 百度学术
    35. 张振中. 基于更新分类器的合成孔径雷达图像目标识别. 激光与光电子学进展. 2021(14): 234-241 . 百度学术
    36. 李亚娟. 结合多决策准则稀疏表示的SAR图像目标识别方法. 红外与激光工程. 2021(08): 353-360 . 百度学术
    37. 唐波,刘钢,谢黄海,黄力,代朝阳,李枫航. 基于多视角属性散射中心的风电机动态叶片雷达回波模拟. 中国电机工程学报. 2021(18): 6449-6461 . 百度学术
    38. 马丹丹. 图像分块匹配的SAR目标识别方法. 红外与激光工程. 2021(10): 290-297 . 百度学术
    39. 陈禾,张心怡,李灿,庄胤. 基于多尺度注意力CNN的SAR遥感目标识别. 雷达科学与技术. 2021(05): 517-525+533 . 百度学术
    40. 李笑雪,黄煜峰,李忠智. 嵌入特征预提取和注意力机制的SAR图像目标检测. 江西科学. 2021(06): 1103-1109 . 百度学术
    41. 陈婕,潘洁,杨小英,陈海媚,廖志平. 一种多视角SAR图像目标识别方法. 电讯技术. 2021(12): 1547-1553 . 百度学术
    42. 李宁,王军敏,司文杰,耿则勋. 基于最大熵准则的多视角SAR目标分类方法. 红外与激光工程. 2021(12): 572-578 . 百度学术
    43. 陈欣,陈明逊. 基于增强数据集卷积神经网络的SAR目标识别方法. 重庆理工大学学报(自然科学). 2020(01): 86-93 . 百度学术
    44. 张婷,蔡德饶. 联合多层次深度特征的SAR图像目标识别方法. 火力与指挥控制. 2020(02): 135-140 . 百度学术
    45. 陈婕. 考察独立性和相关性的多视角SAR图像目标识别方法. 电光与控制. 2020(03): 89-93+114 . 百度学术
    46. 丁慧洁. 基于非下采样剪切波特征提取的SAR图像目标识别方法. 探测与控制学报. 2020(01): 75-80 . 百度学术
    47. 柳小文,雷军程,伍雁鹏. 基于二维经验模态分解的合成孔径雷达目标识别方法. 激光与光电子学进展. 2020(04): 76-83 . 百度学术
    48. 张宏武,康凯. 结合二维内蕴模函数和贝叶斯多任务学习的SAR目标识别. 电讯技术. 2020(04): 372-377 . 百度学术
    49. 李亚娟. 结合全局和局部稀疏表示的SAR图像目标识别方法. 电子测量与仪器学报. 2020(02): 165-171 . 百度学术
    50. 兰文宝,车畅,陶成云. 基于斯皮尔曼等级相关的单演谱成分选择及其在SAR目标识别中的应用. 电波科学学报. 2020(03): 414-421 . 百度学术
    51. 周光宇,刘邦权,张亶. 基于变分模态分解的SAR图像目标识别方法. 国土资源遥感. 2020(02): 33-39 . 百度学术
    52. 郭炜炜,张增辉,郁文贤,孙效华. SAR图像目标识别的可解释性问题探讨. 雷达学报. 2020(03): 462-476 . 本站查看
    53. 陈婕,廖志平. 基于增强字典稀疏表示分类的SAR目标识别方法. 探测与控制学报. 2020(03): 75-81 . 百度学术
    54. 吴天宝,夏靖波,黄玉燕. 基于SVM和SRC级联决策融合的SAR图像目标识别方法. 河南理工大学学报(自然科学版). 2020(04): 118-124 . 百度学术
    55. 丛培贤,赵永彬,邸卓,刘雪松,徐静. 基于内蕴判别分析的SAR目标识别方法. 自动化技术与应用. 2020(09): 103-107 . 百度学术
    56. 张伟昌,王文政,代作松. 结合NSCT和TPCA的SAR图像目标识别. 火力与指挥控制. 2020(09): 41-46 . 百度学术
    57. 王源源. 一种基于多分辨率表示的SAR图像识别方法. 电光与控制. 2020(10): 31-36 . 百度学术
    58. 申伟,石平. 单演信号随机加权融合的SAR图像目标识别方法. 电子测量与仪器学报. 2020(09): 181-187 . 百度学术
    59. 陈潜,刘金清. 结合属性散射中心模型和空间变迹法的SAR图像旁瓣抑制方法. 电子测量与仪器学报. 2020(10): 57-64 . 百度学术
    60. 张虹,左鑫兰,黄瑶. 基于稀疏表示系数相关性的特征选择及SAR目标识别方法. 激光与光电子学进展. 2020(14): 271-278 . 百度学术
    61. 徐永士,贲可荣,王天雨,刘斯杰. DCGAN模型改进与SAR图像生成研究. 计算机科学. 2020(12): 93-99 . 百度学术
    62. 涂豫. 基于贝叶斯卷积神经网络与数据增强的SAR图像目标分类方法. 探测与控制学报. 2020(06): 43-48 . 百度学术
    63. 马梓元,龚华军,王新华,刘禹. 典型多特征决策融合方法及在无人机SAR图像目标识别中的应用. 舰船电子工程. 2020(12): 96-99 . 百度学术
    64. 何洁,陈欣. 基于非线性相关信息熵的SAR图像多分辨率选择及目标识别. 激光与光电子学进展. 2020(22): 215-222 . 百度学术
    65. 王骏,陈艳平,江立辉. 结合稀疏表示和协同表示的SAR图像目标方位角估计. 电子测量与仪器学报. 2020(12): 165-171 . 百度学术
    66. 乔良才. 结合多分辨率表示和复数域CNN的SAR图像目标识别方法. 激光与光电子学进展. 2020(24): 98-106 . 百度学术
    67. 王旭,蒋书波,张秀梅. SAR目标轮廓匹配及其在目标识别中的运用. 计算机工程与设计. 2019(01): 184-189 . 百度学术
    68. 蔡德饶,宋愈珍. 带鉴别分析的多视角SAR图像联合决策及目标识别. 中国电子科学研究院学报. 2019(01): 37-41+54 . 百度学术
    69. 段芃芃,刘锂. 基于相关性分析的SAR图像目标方位角估计. 中国电子科学研究院学报. 2019(01): 42-46 . 百度学术
    70. 靳黎忠,陈俊杰,彭新光. 决策可靠性分析及在SAR图像目标识别中的应用. 电讯技术. 2019(04): 409-414 . 百度学术
    71. 王鑑航,张广宇,李艳. 基于协同编码分类器的SAR目标识别方法. 中国电子科学研究院学报. 2019(03): 290-295 . 百度学术
    72. 陈岭. 基于随机加权的SAR图像多特征联合目标分类. 电子测量与仪器学报. 2019(05): 187-192 . 百度学术
    73. 张婷,蔡德饶. 基于属性散射中心匹配的噪声稳健SAR目标识别方法. 中国电子科学研究院学报. 2019(06): 557-562+567 . 百度学术
    74. 郭敦,吴志军. 基于局部字典块稀疏表示的SAR图像目标识别方法. 中国电子科学研究院学报. 2019(08): 813-817+829 . 百度学术
    75. 张克,牛鹏涛. 稀疏表示分类在SAR图像目标识别中的应用分析. 信息技术. 2019(09): 39-43 . 百度学术
    76. 张华,张素莉,何树吉. 基于幅相分离和动态粒子群算法的SAR图像属性散射中心参数估计. 中国电子科学研究院学报. 2019(09): 993-1000 . 百度学术
    77. 王源源. 基于单演信号多重集典型相关分析的SAR目标识别方法. 电光与控制. 2019(10): 7-11+29 . 百度学术
    78. 夏朋举. 目标区域和阴影联合决策的SAR图像目标识别方法. 中国电子科学研究院学报. 2019(10): 1062-1067+1087 . 百度学术
    79. 陈惠红,刘世明. 基于多重集典型相关的深度特征融合及SAR目标识别方法. 电子测量与仪器学报. 2019(09): 57-63 . 百度学术
    80. 冯冬艳,王海晖. 相关性约束下SAR图像动态重构的目标识别方法. 电子测量与仪器学报. 2019(09): 100-106 . 百度学术
    81. 陈宏. 结合多视角-多特征的SAR图像目标识别方法. 电子测量与仪器学报. 2019(09): 87-92 . 百度学术
    82. 刘阳. 基于属性散射中心多层次匹配的SAR目标识别方法. 电子测量与仪器学报. 2019(11): 192-198 . 百度学术
    83. 李辉. 基于峰值特征高斯混合建模的SAR目标识别. 电子测量与仪器学报. 2018(08): 103-108 . 百度学术
    84. 赵鹏举,甘凯. 基于互补特征层次决策融合的SAR目标识别方法. 电光与控制. 2018(10): 28-32 . 百度学术
    85. 谢晴,张洪. SAR图像多层次正则化增强及在目标识别中的应用. 电子测量与仪器学报. 2018(09): 157-162 . 百度学术
    86. 王立梅,李金凤,张亚峰. 联合多层次散射区域的SAR目标识别方法. 中国电子科学研究院学报. 2018(06): 690-694 . 百度学术
    87. 蔡德饶,张婷. 联合多分辨表示的SAR图像目标识别方法. 电子测量与仪器学报. 2018(12): 71-77 . 百度学术
    88. 董平,林嘉宇,刘莹. 一种基于峰值匹配的SAR目标识别方法. 无线互联科技. 2017(22): 112-114+121 . 百度学术

    其他类型引用(11)

  • 加载中
图(9) / 表(7)
计量
  • 文章访问数: 6615
  • HTML全文浏览量: 1512
  • PDF下载量: 1923
  • 被引次数: 99
出版历程
  • 收稿日期:  2017-01-20
  • 修回日期:  2017-03-05
  • 网络出版日期:  2017-04-28

目录

    /

    返回文章
    返回