SAR与深度学习
文章平均质量分 52
毛毛真nice
首先祝大家在新的一年里学业进步、科研顺利!
去年目标已实现(CSDN总排名前4W),今年新目标,冲进前1W。博客内容主要还是SAR、深度学习等。同时,我也会在文章内容和结构上不断进行优化,为大家输出更优质的知识。
加油!
(项目代做和专业指导请联系QQ:1441504748,备注CSDN)
展开
-
深度学习遥感数据集
深度学习遥感数据集原创 2022-06-28 08:46:26 · 1163 阅读 · 0 评论 -
遥感典型任务分析
遥感典型任务分析原创 2022-06-28 07:57:15 · 409 阅读 · 0 评论 -
卷积神经网络中各层的作用
卷积神经网络中各层的作用原创 2022-06-19 17:12:36 · 6211 阅读 · 0 评论 -
复数卷积神经网络:CV-CNN
复数卷积神经网络:CV-CNN原创 2022-06-19 10:28:46 · 5062 阅读 · 0 评论 -
极化SAR地表分类
极化SAR地表分类原创 2022-06-19 10:10:30 · 396 阅读 · 0 评论 -
关于深度学习的几点思考
最近在读到相关的文献和书籍时,有些内容写的较好,这里写成博文给大家分享。深度神经网络之所以能够取得巨大的成功,在于对核心算法的改进时采取了一类简化的激活函数,即规则化线性单元(rectified linear unit,ReLU)。深度学习最适合用ReLU作为激活函数,其所给出的理由包括对ReLU与人脑神经元的相似性,因为神经元对某些输入完全没有反应,而对一些输入的反应呈单调关系,每一时刻处在激活状态的神经元总是稀疏的。这些工作奠定了2012年Hiton团队首次采用深度卷积网络赢得ImageNet挑战赛原创 2021-12-04 14:38:38 · 958 阅读 · 0 评论 -
极化SAR影像分类降维方探讨
地物分类即对遥感影像中的每个像素点进行分类并形成现实的地物目标,一直是极化SAR影像解译中的重要的一环。随着遥感影像数据的迅速增多和分辨率的逐步提高,利用遥感影像技术进行地物分类在城市规划、环境保护、资源管理、测绘等领域中发挥着越来越重要的作用。而分类的效果好坏依赖于所使用的极化特征能否充分表述地物的极化散射特性。为了有效的从极化SAR影像中提取目标的极化散射特征信息,除了极化数据本身的表征(散射矩阵、Stokes矩阵等)外,还需要通过变换和分解等方式获取更多有利于描述目标本身特性的极化表征,并将提取出极原创 2021-10-31 17:01:50 · 1078 阅读 · 0 评论 -
深度学习在遥感影像目标检测和地物分类中的一些探讨
近些年,基于深度学习的遥感影像处理方法不断涌现。基本思路是把光谱特征和纹理特征看作是深度网络的底层特征(对于极化SAR影像来说,地物目标的基本散射矩阵就是深度学习要提取的底层特征,也是作为分类的依据),把输出特征看作是深度网络的顶层特征,这样可以直接得到一个分类器,用于完成不同的任务。如果深究遥感的实际应用需求和深度网络输入层和输出层的设计之间的关系,深度学习的理念存在于遥感数据分析的许多方面。从传统的数据处理、像素级分类、目标检测到更深层次的基于语义的特征提取和遥感场景理解,都能或多或少看到深度学习的影子原创 2021-10-31 16:59:36 · 2182 阅读 · 0 评论 -
深度学习技术在极化SAR影像分类中的应用__知识点总结
极化SAR影像的极化特性与信息表达与自然图像具有极大的不同,因此基于深度学习的极化SAR影像解译在特征表征学习以及信息表达提取上需要更深入的研究。深度学习的输入通常是极化特征,如极化相干矩阵、极化协方差矩阵等,通过训练再进一步学习高层次的具有可分性的特征表达。构建适合于极化SAR影像解译的网络结构以及损失函数,突破极化SAR影像的信息表达问题,能有效的提高极化SAR影像解译的性能。极化SAR影像场景分类是极化SAR影像解译的重要应用。PolSAR影像的监督分类一般采用softmax层输出的独热向量(one原创 2021-10-29 09:19:12 · 1888 阅读 · 2 评论 -
运行深度学习模型出现“RuntimeError:expected scalar type Long but found Float”, 成功解决!
最近在做深度学习分类时遇到了如标题所示的错误,奈何不知如何修改,最后经过探索,成功解决!下面直接上报错问题及解决方案。错误解决方案实际做分类时:分类的标签应该是long,图像是float32因此,将数据类型修改一下就成功了!貌似又有新的bug了,不过不要紧,待我成功解决,再来分享给大家!...原创 2021-06-09 10:05:43 · 12872 阅读 · 3 评论 -
基于深度学习的极化SAR分类研究
极化合成孔径雷达是目前遥感领域较为先进的传感系统之一。因为采用了多通道获取数据并成像,所以极化SAR数据包含了更丰富的极化信息,包含了更多的地物信息和特征,基于极化SAR数据地物分类问题的研究也一直是雷达图像理解与处理领域的研究重点。近年来,深度学习在机器学习领域引起广泛重视,并在工业界和学术界取得了令人振奋的成果。文章的主要工作是研究基于深度学习的极化SAR图像分类方法,以深度信念网络模型为基础,将其应用于极化SAR地物分类,结合极化SAR数据的统计分布特性提出了改进的SAR地物分类方法。注:文章选自《原创 2020-12-05 23:04:03 · 681 阅读 · 0 评论 -
基于深度学习的极化SAR地物分类研究
基于传统图像分类方法的PolSAR地物分类算法通常依赖于特定特征的选取,算法过程通常会依靠严密的数学计算,因此关于分类阈值等参数的确定需要一定的先验知识。与此同时,传统分类方法通常以像素为基本单位,易受到相干斑噪声的影响;而深度学习的方法既可以从原始数据中抽象出更高维的特征又能充分利用二维空间信息。文章主要进行了以下几个方面的研究,1.探索了一种结合多尺度分割和径向基神经网络PolSAR地物分类方法。2.提出了一种基于多尺度GooleNet 卷积神经网络的PolSAR地物分类方法。3.为了避免多尺度分原创 2020-12-05 21:46:28 · 1413 阅读 · 0 评论 -
基于改进的AlexNet网络模型的遥感图像分类方法研究
文章尝试利用深度神经网络进行遥感图像分类。经过比较后选择了AlexNet网络模型,为了缩短训练时间和提升分类准确率,对网络模型进行了改进,同时进一步尝试了权值迁移的训练方法。利用公开的遥感影像分类数据集UCM,在改进的网络模型上采用权值迁移的方法进行了试验,试验结果表明,改进后的网络模型具有很好的准确率和效率。利用深度神经网络模型进行分类时,都是从零开始训练网络,让深层网络通过训练学习到数据集的特定特征,这一方式称之为全训练,将数据集输入网络后,随机初始化权重,当数据集足够大时,此过程应该非常有用,使得网原创 2020-12-03 22:54:04 · 904 阅读 · 0 评论 -
基于分块CNN的多尺度SAR图像目标分类算法
文章针对合成孔径雷达图像目标分辨率差异大,多尺度SAR图像目标分类准确率不高的问题,提出了一种基于迁移学习和分块卷积神经网络的SAR图像目标分类算法。首先通过大量与目标域相近的源域数据对分块CNN的参数进行训练,得到不同尺度下的CNN特征提取网络;其次将CNN的卷积和池化层迁移到新的网络结构中,实现目标特征的提取最后利用超限学习机网络对提取的特征进行分类。试验数据采用美国MSTAR数据库以及多尺度SAR图像舰船目标数据集。卷积神经网络可以有效地从大量样本中学习到相应的特征,提取出优于人工设计的特征,并且样原创 2020-12-03 21:52:12 · 1095 阅读 · 0 评论 -
基于BoF结合卷积神经网络的图像分类方法的研究
针对传统DCNN模型中Softmax分类器存在的过早饱和及模型参数采用随机初始化训练时间长、识别准确率低的问题,文章提出一种将噪声注入Softmax并结合迁移学习的图像分类方法。卷积神经网络是一种为了处理二维图像而设计的人工神经网络,对翻转、平移和比例缩放等变换具有高度鲁棒性。通过简单节点进行非线性组合而具有高度的表达能力和强大的分类能力,使用基于卷积神经网络的分类算法对图像分类问题可以较明显的提高分类效果。因此,卷积神经网络成为深度学习在图像识别领域最常用的模型。在经典的CNN中,开始几层通常是卷积层和原创 2020-12-02 21:54:06 · 284 阅读 · 0 评论 -
全极化SAR影像地物分类方法研究
运用对SAR( PolSAR)影像进行地物分类作为遥感最重要的应用之一,也是当下一个非常活跃热门的研究领域。和普通遥感相比,主动侧视SAR对陆地表面结构和粗糙度等介电和几何特性极为敏感,所以利用SAR数据的后向散射和极化信息可以为地物分类提供补充信息,更具有研究价值。PolSAR可以区分不同地物类型的散射机制,相较于传统SAR和单极化SAR更适合LULC分类。针对极化SAR数据特点,对ALOS-PALSAR数据采用经典分类方法进行H/a分类,H/a-Wishart分类、H/a/A-Wishart分类,分析原创 2020-11-12 13:56:59 · 2793 阅读 · 2 评论 -
一种基于深度学习的遥感图像分类及农田识别方法
文章针对现有的神经网络收敛速度慢、识别准确率不高的缺点,提出了一种基于卷积神经网络的遥感图像农田分类及识别方法。该算法使用较大的卷积核,有效地提取梯度信息;设计深度为6层的卷积神经网络,提高了网络的分类效果,且大大降低了网络的训练次数。CNN框架的识别图像是经过融合处理后的遥感图像,包含多种不同的土地类别,因此要对遥感图像进行均匀剪裁。CNN需要对输入的图片进行多次卷积,而卷积神经网络对图像特征提取时,要求图像的大小不小于网络的局部感受视野,要求图片有合适的大小。本文通过改变卷积层的数量和滤波器的大小来原创 2020-11-11 22:41:36 · 4253 阅读 · 0 评论 -
深度学习在SAR目标识别与地物分类中的应用
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,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,文章提出了复数深度卷积网络,将该算法应用到全极化SAR图像地物分类,Flevoland地物的分类精度达到了95%。合成孔径雷达能够全天时、全天候、高分辨率成像,因此适用于目标的侦察、监视和识别,同时也已经被广泛应用于地球科学、气候变化研究、环境和地球系统监测、海洋资源利用、行星探测、战场感知侦察等原创 2020-11-11 22:02:29 · 2303 阅读 · 0 评论