-
公开(公告)号：CN113033577B
公开(公告)日：2022-06-03
申请号：CN202110324407.X
申请日：2021-03-26
申请人： 山东科技大学
摘要： 本发明公开了一种基于伴方差修正模型的海洋目标特征提取方法，属于海洋遥感技术领域，包括构建OceanTD深度学习模型，基于OceanTD深度学习模型对海洋目标特征进行初步检测；然后构建一种伴方差修正模型，对对数逻辑分布函数进行方差修正，考虑标准差和绝对值误差指标，增加方差修正项，推导出其公式，提高了对复杂海况海杂波的拟合优度；最后，基于伴方差修正模型采用CFAR算法提取海洋目标特征，并对提取的海洋目标特征进行可视化，提高了海洋目标检测的召回率和海洋目标参数提取的准确率；本发明所提出的方法，海杂波拟合优度显著提高，目标检测虚警量明显减少，特征提取准确率有效改善。
-
公开(公告)号：CN113158806B
公开(公告)日：2022-05-17
申请号：CN202110311348.2
申请日：2021-03-24
申请人： 山东科技大学
IPC分类号： G06V20/10 , G06V10/774 , G06V10/764 , G06V10/82 , G06K9/62 , G06N3/04 , G06N3/08
摘要： 本发明公开了一种基于OTD_Loglogistic的SAR数据海洋目标检测方法，属于海洋目标检测领域，采用基于深度学习模型的初检和基于Loglogistic的CFAR精检相结合的检测方法，首先构建了OceanTDA9轻量级深度学习模型，基于该深度学习模型进行海洋目标初检，然后在此基础上采用基于Loglogistic模型的CFAR方法进行海洋目标精细检测，提取海洋目标特征。本发明将基于深度学习的海洋目标初检和基于Loglogistic的CFAR方法结合，克服了滑动窗口CFAR需要逐一统计图像中的像素计算耗费长、无法对图像边缘的像素进行处理造成边缘处漏检等缺陷，提高了海洋目标的检测效率和精度。
-
公开(公告)号：CN112906645A
公开(公告)日：2021-06-04
申请号：CN202110304825.2
申请日：2021-03-15
申请人： 山东科技大学
摘要： 本发明公开了一种SAR数据和多光谱数据融合的海冰目标提取方法，属于海洋遥感技术领域，首先构建了OceanTDL5神经网络模型，基于该模型进行海冰目标初检提取疑似目标，然后提出影像融合方法，基于影像融合进行海冰目标提取。OceanTDL5神经网络模型结构包括1个Layer层、1个中间Group层组和1个全连接Dense层；影像融合方法为：计算S1极化SAR影像和S2多光谱影像中疑似目标像素值均值差meanD，融合S1影像和S2影像中疑似目标的像素值，得到初始融合的影像fusionS，计算S1影像非疑似目标像素值clusterVal，建立S1影像非疑似目标的掩模影像，计算待融合影像的中心坐标，按照边界像素值相同的原则将S1影像非疑似目标融合到融合影像中。
-
公开(公告)号：CN112906645B
公开(公告)日：2022-08-23
申请号：CN202110304825.2
申请日：2021-03-15
申请人： 山东科技大学
IPC分类号： G06V20/10 , G06V20/13 , G06V10/80 , G06V10/774 , G06V10/764 , G06V10/82 , G06N3/04 , G06N3/08
摘要： 本发明公开了一种SAR数据和多光谱数据融合的海冰目标提取方法，属于海洋遥感技术领域，首先构建了OceanTDL5神经网络模型，基于该模型进行海冰目标初检提取疑似目标，然后提出影像融合方法，基于影像融合进行海冰目标提取。OceanTDL5神经网络模型结构包括1个Layer层、1个中间Group层组和1个全连接Dense层；影像融合方法为：计算S1极化SAR影像和S2多光谱影像中疑似目标像素值均值差meanD，融合S1影像和S2影像中疑似目标的像素值，得到初始融合的影像fusionS，计算S1影像非疑似目标像素值clusterVal，建立S1影像非疑似目标的掩模影像，计算待融合影像的中心坐标，按照边界像素值相同的原则将S1影像非疑似目标融合到融合影像中。
-
公开(公告)号：CN113158806A
公开(公告)日：2021-07-23
申请号：CN202110311348.2
申请日：2021-03-24
申请人： 山东科技大学
摘要： 本发明公开了一种基于OTD_Loglogistic的SAR数据海洋目标检测方法，属于海洋目标检测领域，采用基于深度学习模型的初检和基于Loglogistic的CFAR精检相结合的检测方法，首先构建了OceanTDA9轻量级深度学习模型，基于该深度学习模型进行海洋目标初检，然后在此基础上采用基于Loglogistic模型的CFAR方法进行海洋目标精细检测，提取海洋目标特征。本发明将基于深度学习的海洋目标初检和基于Loglogistic的CFAR方法结合，克服了滑动窗口CFAR需要逐一统计图像中的像素计算耗费长、无法对图像边缘的像素进行处理造成边缘处漏检等缺陷，提高了海洋目标的检测效率和精度。
-
公开(公告)号：CN113033098A
公开(公告)日：2021-06-25
申请号：CN202110324328.9
申请日：2021-03-26
申请人： 山东科技大学
摘要： 本发明公开了一种基于AdaRW算法的海洋目标检测深度学习模型训练方法，属于海洋目标检测领域，首先提出了AdaRW自适应梯度训练算法，克服了AdaGrad算法中历史梯度累积导致的深度学习速率衰减的问题；同时设计了最优交错并行式架构OIPA，由多个PServer进程和Worker_DS进程组成。在对海洋目标检测深度学习模型进行训练时，通过OIPA架构对AdaRW算法进行多核并行训练，提高了算法训练的速度；利用训练后的OceanTDA9_AdaRW模型检测研究区域的疑似目标，提高了极化SAR海洋目标检测的效率。
-
公开(公告)号：CN113033098B
公开(公告)日：2022-05-17
申请号：CN202110324328.9
申请日：2021-03-26
申请人： 山东科技大学
摘要： 本发明公开了一种基于AdaRW算法的海洋目标检测深度学习模型训练方法，属于海洋目标检测领域，首先提出了AdaRW自适应梯度训练算法，克服了AdaGrad算法中历史梯度累积导致的深度学习速率衰减的问题；同时设计了最优交错并行式架构OIPA，由多个PServer进程和Worker_DS进程组成。在对海洋目标检测深度学习模型进行训练时，通过OIPA架构对AdaRW算法进行多核并行训练，提高了算法训练的速度；利用训练后的OceanTDA9_AdaRW模型检测研究区域的疑似目标，提高了极化SAR海洋目标检测的效率。
-
公开(公告)号：CN113033577A
公开(公告)日：2021-06-25
申请号：CN202110324407.X
申请日：2021-03-26
申请人： 山东科技大学
摘要： 本发明公开了一种基于伴方差修正模型的海洋目标特征提取方法，属于海洋遥感技术领域，包括构建OceanTD深度学习模型，基于OceanTD深度学习模型对海洋目标特征进行初步检测；然后构建一种伴方差修正模型，对对数逻辑分布函数进行方差修正，考虑标准差和绝对值误差指标，增加方差修正项，推导出其公式，提高了对复杂海况海杂波的拟合优度；最后，基于伴方差修正模型采用CFAR算法提取海洋目标特征，并对提取的海洋目标特征进行可视化，提高了海洋目标检测的召回率和海洋目标参数提取的准确率；本发明所提出的方法，海杂波拟合优度显著提高，目标检测虚警量明显减少，特征提取准确率有效改善。
-
-
-
-
-
-
-
搜索结果
8 条记录 (耗时 0.025 秒)
