摘要浏览排行
近年来,深度学习技术得到广泛应用,然而在合成孔径雷达(SAR)舰船目标检测研究中,由于数据获取难、样本规模小,尚难以支撑深度网络模型的训练。该文公开了一个面向高分辨率、大尺寸场景的SAR舰船检测数据集,该数据集包含31景高分三号SAR图像,场景类型包含港口、岛礁、不同级别海况的海面等,背景涵盖近岸和远海等多样场景。同时,该文使用经典舰船检测算法和深度学习算法进行了实验,其中基于密集连接端到端网络方法效果最佳,平均精度达到88.1%。通过实验对比分析形成指标基准,方便其他学者在此数据集基础上进一步展开SAR舰船检测相关研究。
合成孔径雷达3维成像技术可以消除目标和地形在2维图像上产生的严重混叠,显著提升目标识别和3维建模能力,已经成为当前SAR发展的重要趋势。合成孔径雷达3维成像技术经过了数十年的发展,已提出多种技术体制。该文系统性回顾了SAR 3维成像技术领域的发展过程,深入分析了现有SAR 3维成像技术的特点;指出了SAR回波及图像中蕴含的未被现有技术利用的3维信息,提出“合成孔径雷达微波视觉3维成像”的新概念和新思路,将SAR成像方法与微波散射机制和图像视觉语义有机融合,形成SAR微波视觉3维成像理论与方法,实现高效能、低成本的SAR 3维成像。该文重点阐述了SAR微波视觉3维成像的概念、目标和关键科学问题,并给出了初步的技术途径,为SAR 3维成像提供了新的技术思路。
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%。
- 首页
- 上一页
- 1
- 2
- 3
- 4
- 5
- 下一页
- 末页
- 共:5页