基于改进的半监督阶梯网络SAR图像识别

针对目前SAR(Synthetic Aperture Radar)图像中样本人工标记成本高、传统算法分类识别较低的情况,提出一种基于改进半监督阶梯网络(Semi-supervised Ladder Network,SSLN)的SAR图像分类识别方法 .首先在原SSLN模型的解码器网络中使用卷积神经网络代替全连接层,对编码器输出的每层数据进行全局深度特征提取,这样做有利于图像降噪,实现对输出数据的重构.其次,为解决SAR图像各类数据集分布不均衡的问题,同时提高网络的泛化性能,对阶梯网络训练层中各类别损失函数的权重进行优化,根据各类别样本数所占总样本数的比重,对少样本类别损失函数调高权重,对多样本类别损失函数调低权重.在公开数据集MSTAR(Moving and Stationary Target Automatic Recognition)上的实验表明,改进后的半监督阶梯网络分类的识别准确度明显优于SSLN算法,且具有更好的泛化性.     

SAR-LAM:面向小样本SAR目标识别的轻量化适应策略

针对小样本学习中跨域迁移导致模型性能下降的问题,提出一种面向小样本SAR目标识别的轻量化适应策略(SAR-LAM)。该方法通过知识蒸馏预训练一个具有泛化性能的通用编码器,向其中嵌入一个只在少量目标域样本上进行训练的适应模块,而后将提取的特征映射到一个分辨性更高的空间内,最终以原型网络为基线对查询集样本进行分类。该适应策略以增加少量学习参数为代价,克服了数据分布差异导致模型迁移受限的困难,增强了模型在目标域提取特征的能力,在小样本条件下将SAR目标识别的准确率提升了至少1.93个百分点,较其他方法展现出一定的优越性。     

基于胶囊神经网络的合成孔径雷达图像分类方法

针对合成孔径雷达(synthetic aperture radar,SAR)图像的目标分类,传统的卷积神经网络(convolutional neural network,CNN)需要大量的数据样本进行训练,无法在小样本条件下进行,其应用受到限制。提出将胶囊神经网络(capsule network,Capsnet)算法用于SAR雷达图像的分类,针对小样本SAR数据集对Capsnet结构进行轻量化设计,并在MSTAR数据集上验证了该算法的有效性。结果表明,与CNN相比,基于Capsnet的SAR目标分类抗过拟合性强,泛化效果较好,具有更高的准确性,能够很好地实现SAR图像样本的分类。     

基于正则化协同表示的鲁棒PCA人脸识别

针对人脸图像复杂环境变化,提出了一种基于正则化协同表示的鲁棒PCA人脸识别算法。算法首先通过协同表示计算重构样本与测试样本之间的残差,根据残差选取与测试样本临近的训练样本组成新的字典;然后在该字典上通过鲁棒PCA依次进行低秩误差分解,并计算误差矩阵的平滑性、稀疏性;最后联合协同表示的残差以及低秩分解中的平滑性和稀疏性构建判别准则进行人脸图像的分类识别;在ORL、AR等人脸库的实验表明:基于正则化协同表示的鲁棒PCA人脸识别算法不仅能够在复杂环境变化下取得良好的识别性能,而且保持了协同表示的优势,大大减少运行时间。     

基于正则化元学习的小样本图像分类算法

现有元学习方法的初始模型在训练过程中会偏向于某些任务，从而影响元学习方法的泛化能力。针对以上不足，提出了基于正则化元学习算法(Regularized Meta Learning,REML)用于小样本图像分类。该算法通过在元学习的目标函数中添加正则化项，以阻止元学习的初始模型偏向于部分训练任务，使元学习模型具有更强适应新任务的能力。此外针对元学习过程中涉及二阶求导使得计算量较大的不足，采用一阶导数近似二阶导数，以减小元学习模型训练所需计算量。在mini Image Net、CUB-200和CIFAR-100这3个数据集上进行的实验验证本文算法性能。实验结果表明，提出的算法能够增强元学习的泛化能力，从而提高小样本图像分类的性能，同时减小元学习算法训练参数的计算量。     

结合波段选择的差分进化高光谱图像分类

高光谱图像具有数据维数高、有标签样本少的特点,影响了现有分类方法的效果。针对这一情况,提出一种结合波段选择的半监督分类算法。该算法首先通过波段选择方法,去除高光谱图像中的冗余信息,进而降低复杂度和提高泛化能力;然后通过差分进化算法交叉变异无标记样本,选取置信度高的样本扩充入标记样本群以提高分类精度。实验结果表明,该算法能够有效地提升在标记样本有限的情况下分类器的分类精度与分类速度。     

基于样本选择策略的SAR图像半监督分类算法

针对当前SAR图像半监督协同训练分类算法受相干斑噪声干扰等问题,本文提出了基于选择策略的SAR图像半监督分类方法.该方法首先以超像素为基本单元,在获取伪样本过程中,利用典型相关性分析作为SAR图像高置信度样本补充判别器,而对于低置信度样本,提出基于超像素和主动学习的样本扩充方法,然后基于扩充后的样本实现SAR图像的半监督分类;最后通过理论分析和实验验证了该方法在标注样本较少的情况下,取得了较好的效果和精度,降低了相干斑噪声对分类效果的影响.     

小样本学习在高分遥感影像分类与识别中的应用

遥感影像分类与识别是近年来深度学习以及图像分类与识别研究的热点,其中一个关键问题是因样本数据集的数据较少而极易出现过拟合。许多图像分类的模型和方法并不完全适用于遥感影像分类,将小样本学习与遥感影像处理结合起来,实现遥感影像数据增强和识别模型优化是一个可行的思路。根据小样本学习的发展现状,针对特征提取、模型分类方法,归纳总结了典型学习方法的原理及其在相关领域的应用; 分析遥感影像处理的现状和存在问题,基于适用场景、优缺点对各方法进行了比较; 通过分析小样本学习在高分遥感影像分类与识别上的应用,发现引入注意力机制和迁移学习后,小样本学习能够用于样本数据量小的遥感影像分类。     

基于生成对抗单分类网络的异常声音检测

针对正常和异常声音可能具有较大的相似性, 有时无法利用自编码器重构误差大小区分的问题, 提出一种生成对抗单分类网络方法进行异常声音检测, 通过多次训练, 该方法学习正常样本的分布特征. 在测试过程中, 测试正常样本能以极小的误差进行重构, 而异常样本重构效果较差, 在某些频率段会发生畸变, 从而给出判别分类结果. 实验采用UrbanSound8K公开数据集和实测电机声音数据集进行了测试, 获得该方法的准确率分别为86.3%和98.1%, 比卷积自动编码器等主要深度学习方法分别提高了5.0%和3.0%.     

基于量子粒子群算法选择特征的遥感图像分类

针对目前遥感图像分类算法存在精度低、 速度慢等问题, 提出一种基于量子粒子群算法的遥感图像分类算法, 以提高遥感图像的分类效果. 首先分析目前遥感图像分类算法存在的不足及其原因; 然后提取多种类型的遥感图像原始特征, 采用量子粒子群算法对特征进行筛选, 以提取对遥感图像分类结果较重要的特征; 最后采用最小二乘支持向量机(LSSVM)建立遥感图像分类器, 实现遥感图像分类和识别, 并进行遥感图像分类的仿真对比实验. 实验结果表明, 该算法克服了当前遥感图像分类算 法存在的局限性, 大幅度提高了遥感图像的分类精度, 有效减少了图像分类误差, 提高了图像分类效率.     

基于流形正则的堆叠胶囊自编码器优化算法

针对堆叠胶囊自编码器存在检测性能慢、不能更好挖掘图像局部特征的问题，本文提出基于流形正则的堆叠胶囊自编码器优化算法。采用Scharr滤波器对堆叠胶囊自编码器模型中的图像进行重建，加强图像目标检测的精度，并在损失函数中引入流形正则项，从而加强对原始数据空间局部特征的提取，最终使用基于流形正则的堆叠胶囊自编码器学习参数，选择出更加具有区别性的特征。在MNIST和Fashion MNIST数据集上的实验结果显示，该优化算法相比于原网络结构，图像分类准确率分别提高了0.26和9.23个百分点，且模型训练速度也得到较大提高。     

基于卷积神经网络的合成孔径雷达图像目标识别

为了解决现有合成孔径雷达(SAR)图像目标识别算法识别率不高、泛化能力不足的问题,提出一种基于卷积神经网络的SAR图像目标识别模型CMNet网络。通过设计针对SAR图像特点的特征提取网络,在损失函数中引入中心损失与Softmax损失联合监督训练过程,兼顾类内聚合和类间分离,提高算法精度和泛化能力。网络模型中所有卷积层后引入批量归一化层加快模型收敛速度、防止过拟合。实验使用美国运动和静止目标获取与识别数据库进行测试,10类目标平均识别率达到99. 30%。结果表明,提出的CMNet网络模型具有较高的识别率和泛化能力,在公开数据集上取得较好结果。     

面向遥感图像的小样本目标检测改进算法研究

针对传统的遥感图像目标检测中面临的小样本以及目标样本分布不均衡等问题, 提出了一种基于改进的卷积神经网络(convolutional neural network, CNN)的遥感图像小样本目标检测算法. 首先, 该算法利用 $K$ 近邻($K$-nearest neighbor, kNN)回归分别对每个点和卷积层提取特征构建局部邻域; 同时, 通过最大池化聚合所有局部特征进行全局特征表示; 最后, 采用全连接层与缩放指数型线性单元(scaled expected linear unit, SELU)激活函数计算各类别对应的概率并分类. 实验结果表明, 该算法能够更有效地融合局部特征, 提高了遥感图像小样本目标识别与检测的精度, 同时保持信息的非局部扩散.     

基于空间自适应正则化的超分辨率重建算法

针对模糊图像的复原问题,从正则化技术克服问题病态性的思想出发,研究了一种有效的超分辨率重建算法。该算法充分考虑了图像的局部特性,引入了空间自适应加权矩阵,采用全局正则化参数与局部正则化参数矩阵相结合的方法,弥补了传统正则化方法所带来的正则化误差以及噪声放大误差。实验结果表明,该算法能够有效地减少重建误差,保护图像的细节信息。     

基于自适应图的半监督图像分类方法

针对半监督分类模型存在的模型复杂度高、构造正则化项难度大的问题，从丰富样本特征表示的角度出发，构造了自适应图结构的融合网络模型（AGSH）。该模型在卷积神经网络模型（CNN）基础上引入了自适应图卷积神经网络（AGCN）提取CNN模型特征间的关系。对AGSH模型泛化性能的分析证明了该模型在解决半监督相关问题时的有效性。实验结果表明：融合模型在五种图像数据集上的分类精度相比于单一CNN模型分类精度均有提升。研究结论为解决小样本分类问题的建模方法提供了参考。     

基于多尺寸特征叠加的SAR舰船目标检测方法

针对SAR图像中舰船目标的检测问题,单纯基于深度学习的图像处理技术难以达到检测准确性和实时性要求.SAR图像中目标尺寸较小,且易受噪声、光斑干扰,传统方法难以提取精细特征并克服复杂条件下的背景干扰.针对以上问题,设计基于YOLOv3检测框架的端到端检测模型,借鉴了残差模块结构来避免网络退化问题.同时结合深层与浅层的不同尺寸特征图检测,使用目标基础特征提取网络参数来避免重复训练初始化过程.针对SAR图像中海上舰船成像小目标的特点改进优化了神经网络结构,实现SAR海面广域舰船目标识别分类算法,并对检测模型进行轻量化压缩处理.构建SAR图像舰船目标数据集并进行了多次目标检测识别分类实验,体现了提出的检测方法在复杂场景下有可靠的抗干扰能力和准确的目标检测识别性能.     

基于Faster-RCNN的遥感图像飞机检测算法

CCCV2017发布遥感图像飞机数据集,用于评测飞机检测算法.针对该遥感图像数据集中的飞机朝向不确定、图像覆盖范围广、图像背景复杂度高,导致飞机检测难度大、检测算法准确率和算法泛化能力低等问题,提出了基于Faster-RCNN的飞机检测改进算法.首先,通过对图像采用翻转以及角度旋转等方式对数据集进行合理的扩增;然后,在扩增后的数据集上,使用深度残差网络对图像进行特征提取,针对数据集中飞机目标的长宽比特点优化区域建议网络;同时,为了防止训练集中正负样本不均衡,采用在线困难样本挖掘方法对数据进行训练.在CCCV2017数据集上评估表明,改进后的Faster-RCNN算法极大提高了初始的Faster-RCNN算法性能,在测试集上m AP达到了89.93%.在NWPUVHR-10、NWPU-RESISC45、UCAS-AOD遥感图像飞机数据集测试表明,该改进模型同样具有良好的性能,从而验证了该模型具有良好的鲁棒性和泛化能力.     

基于对比自监督的遥感图像场景分类

基于视觉Transformer的自监督模型掩码自编码器因其优秀的全局特征捕捉能力，被广泛应用于遥感图像分类领域。但该模型存在图像重建训练时局部上下文语义信息易丢失从而限制其分类精度的进一步提升。针对以上问题，本文提出了融合掩码重建和对比学习的三阶段自监督遥感图像分类新模型——对比掩码自编码器。第一阶段进行掩码重建预训练，以提取遥感图像全局特征；第二阶段则通过对比学习中的正负样本补充第一阶段掩码建模过程中丢失的局部上下文信息；最后通过训练线性分类器完成特征分类。在公开遥感图像数据集AID和NWPU-RESISC45上将本文方法与主流自监督分类方法、监督分类方法进行对比实验。实验结果表明，该模型在两个数据集上分类精度分别达到95.37%和95.14%,性能优于DINO、MoCo、SSGANs等主流自监督模型，接近GLANet、CANet、MG-CAP (Sqrt-E)等主流监督模型，具有良好的应用价值。     

基于区域滤波和深度置信网络的SAR图像分类算法

合成孔径雷达(synthetic aperture radar, SAR)图像分类是遥感领域最重要的课题之一。然而,SAR图像特征提取的困难和相干斑噪声的存在都严重影响了SAR图像分类的准确性。为了克服这些问题,文章提出了一种新的SAR图像分类算法。该算法将相干斑去噪技术和深度置信网络相结合,在通过深度置信网络对SAR图像进行无监督的学习和特征提取的同时,提出了区域滤波的方法来减少相干斑噪声对分类结果的影响。实验采用了不同噪声水平的合成SAR图像以及由RADARSAT-2获取的真实SAR图像进行测试。实验结果表明,与传统的分类方法相比,该算法在噪声鲁棒性和分类能力方面都有良好的改进;同时,该算法在边界区域具有优秀的分类能力。     

基于自适应极速学习机的遥感图像目标识别

随着遥感技术的突飞猛进,遥感图像目标识别在军事方面以及民用方面都有重要的应用.但是在对遥感图像目标识别的过程中,由于遥感图像的高分辨率等客观条件限制,无法实现对目标实时和精确的识别.极速学习机具有很快的学习速度并且是一次完成的,在小样本学习的问题中得到了广泛的应用.可以先对遥感图像进行特征提取,然后用极速学习机的神经网络方法对遥感图像目标进行识别,这是解决问题的一种有效方法.本文首先在极速学习机的基础上针对极速学习机隐层神经元过多的问题进一步提出隐层神经元数目自动确定的自适应极速学习机的算法,然后介绍了遥感图像特征提取的方法,最后通过实验仿真验证自适应极速学习机算法在遥感图像目标识别上的准确性和实用性.