引用排行
深度卷积网络等深度学习算法变革了计算机视觉领域,在多种应用上的效果都超过了以往传统图像处理算法。该文简要回顾了将深度学习应用在SAR图像目标识别与地物分类中的工作。利用深度卷积网络从SAR图像中自动学习多层的特征表征,再利用学习到的特征进行目标检测与目标分类。将深度卷积网络应用于SAR目标分类数据集MSTAR上,10类目标平均分类精度达到了99%。针对带相位的极化SAR图像,该文提出了复数深度卷积网络,将该算法应用于全极化SAR图像地物分类,Flevoland 15类地物平均分类精度达到了95%。
深度卷积网络等深度学习算法变革了计算机视觉领域,在多种应用上的效果都超过了以往传统图像处理算法。该文简要回顾了将深度学习应用在SAR图像目标识别与地物分类中的工作。利用深度卷积网络从SAR图像中自动学习多层的特征表征,再利用学习到的特征进行目标检测与目标分类。将深度卷积网络应用于SAR目标分类数据集MSTAR上,10类目标平均分类精度达到了99%。针对带相位的极化SAR图像,该文提出了复数深度卷积网络,将该算法应用于全极化SAR图像地物分类,Flevoland 15类地物平均分类精度达到了95%。
空时自适应处理(Space Time Adaptive Processing, STAP)技术通过空域和时域2维联合自适应滤波的方式,实现了机载雷达对强杂波与干扰的有效抑制。作为提升机载雷达性能的一项关键技术,近年来备受雷达领域的关注与世界军事强国的重视。该文从方法、实验系统和应用3个方面回顾了空时自适应处理技术的发展过程和研究现状,着重阐述了其发展过程中遇到的关键技术问题,介绍了STAP技术在装备上的应用情况,并讨论了下一步的发展趋势,提出了需要或值得进一步研究的方向。
空时自适应处理(Space Time Adaptive Processing, STAP)技术通过空域和时域2维联合自适应滤波的方式,实现了机载雷达对强杂波与干扰的有效抑制。作为提升机载雷达性能的一项关键技术,近年来备受雷达领域的关注与世界军事强国的重视。该文从方法、实验系统和应用3个方面回顾了空时自适应处理技术的发展过程和研究现状,着重阐述了其发展过程中遇到的关键技术问题,介绍了STAP技术在装备上的应用情况,并讨论了下一步的发展趋势,提出了需要或值得进一步研究的方向。
该文提出了一种基于卷积神经网络(CNN)及有效图像预处理的合成孔径雷达(SAR)图像变化检测方法。为了验证方法的有效性,以2011年日本仙台地区地震导致的城区变化为例进行了研究。在预处理中分别利用DEM模型以及Otsu方法对SAR图像中的山体和水体进行了提取和去除。利用多层卷积神经网络从SAR图像中自动学习目标特征,再利用学习到的特征对图像进行分类。训练集和测试集的分类精度分别达到了98.25%和97.86%。利用图像差值法得到分类后的SAR图像变化检测结果,并验证了该方法的准确性和有效性。另外,文中给出了基于CNN的变化检测方法和传统方法的对比结果。结果表明,相对于传统方法,基于CNN的变化检测方法具有更高的检测精度。
该文提出了一种基于卷积神经网络(CNN)及有效图像预处理的合成孔径雷达(SAR)图像变化检测方法。为了验证方法的有效性,以2011年日本仙台地区地震导致的城区变化为例进行了研究。在预处理中分别利用DEM模型以及Otsu方法对SAR图像中的山体和水体进行了提取和去除。利用多层卷积神经网络从SAR图像中自动学习目标特征,再利用学习到的特征对图像进行分类。训练集和测试集的分类精度分别达到了98.25%和97.86%。利用图像差值法得到分类后的SAR图像变化检测结果,并验证了该方法的准确性和有效性。另外,文中给出了基于CNN的变化检测方法和传统方法的对比结果。结果表明,相对于传统方法,基于CNN的变化检测方法具有更高的检测精度。
相控阵雷达能同时发射多个波束,其波束指向灵活,且能实现无惯性的快速扫描。为了使相控阵雷达用尽量少的系统资源去实现多个目标的同时跟踪,该文提出了一种基于多目标跟踪的波束和驻留时间联合分配方法。该方法通过建立和求解一个在各目标跟踪精度满足一定要求的前提下,最小化总波束驻留时间的非凸优化数学问题来实现资源的联合分配。贝叶斯克拉美罗界(BCRLB)为目标状态估计的误差提供了一个下界,该文推导了带有资源参数变量的BCRLB并将它作为跟踪性能的准则。随后针对上述非凸优化问题,该文提出一个先确立波束指向再分配驻留时间的两步分解算法。最后,根据资源分配结果,采用粒子滤波算法实现了多目标跟踪。仿真结果证明,和平均分配资源的固定操作方式相比,该文方法不仅能节约系统资源而且能保证坏目标的跟踪性能,体现了该文方法的有效性。
相控阵雷达能同时发射多个波束,其波束指向灵活,且能实现无惯性的快速扫描。为了使相控阵雷达用尽量少的系统资源去实现多个目标的同时跟踪,该文提出了一种基于多目标跟踪的波束和驻留时间联合分配方法。该方法通过建立和求解一个在各目标跟踪精度满足一定要求的前提下,最小化总波束驻留时间的非凸优化数学问题来实现资源的联合分配。贝叶斯克拉美罗界(BCRLB)为目标状态估计的误差提供了一个下界,该文推导了带有资源参数变量的BCRLB并将它作为跟踪性能的准则。随后针对上述非凸优化问题,该文提出一个先确立波束指向再分配驻留时间的两步分解算法。最后,根据资源分配结果,采用粒子滤波算法实现了多目标跟踪。仿真结果证明,和平均分配资源的固定操作方式相比,该文方法不仅能节约系统资源而且能保证坏目标的跟踪性能,体现了该文方法的有效性。
- 首页
- 上一页
- 1
- 2
- 3
- 4
- 下一页
- 末页
- 共:4页