共查询到18条相似文献，搜索用时 138 毫秒
1.
海底底质分类反向散射强度三维概率密度法 总被引：2，自引：2，他引：0
反向散射强度随入射角变化信息蕴含海底底质特性,是多波束海底底质分类的重要数据源。目前,多波束海底底质分类主要提取平均反向散射强度随入射角的变化信息或基于声呐图像,没有综合考虑两者的相关信息。本文综合考虑平均反向散射强度随入射角变化信息及其概率密度分布,绘制三维概率密度图,提出了基于反向散射强度三维概率密度图的海底底质分类方法。实例计算结果表明:该方法能直观表达多波束条带覆盖区内不同海底底质类型的数量,有效判断不同海底底质类型的边界,实现海底底质类型的快速识别。 相似文献
2.
基于多波束的声学底质分类是近年来快速发展起来的新型海底底质探测技术.针对多波束声学底质分类中底质类型多样化、类型之间差异较小等多分类难点问题,本文提出一种GA-SVM-AdaBoost算法.利用自适应性和全局搜索能力强的遗传算法(genetic algorithm,GA)去优化支持向量机(support vector machines,SVM),以获得最优模型初始参数,并将多个GA优化后的SVM作为弱分类器组成AdaBoost强分类器.对胶州湾采集到的多波束反向散射强度数据,经过精细处理后生成海底声呐镶嵌图;构建SVM-RFE-CBR算法从提取的36维声强空间特征中筛选出10维优势特征,将其输入到GA-SVM-AdaBoost模型中进行分类识别.通过与SVM、GA-SVM、基于单层决策树的AdaBoost分类模型对比,GA-SVM-AdaBoost算法的总体分类精度高达92.19％,优于另外3种模型,证明GA-SVM-AdaBoost分类模型可有效应用于高精度海底底质类型识别. 相似文献
3.
4.
学习向量量化神经网络在多波束底质分类中的应用研究 总被引：5，自引：1，他引：5
利用多波束测深系统获取的反向散射强度数据，应用学习向量量化（learning vector quantization，LVQ）神经网络分类方法实现了对海底砂、砾石和基岩等底质类型的快速、有效的识别。通过比较，证明了该方法能较好地区分出不同海底底质类型。 相似文献
5.
利用多波束反向散射强度角度响应曲线的底质特征参数提取算法 总被引：1，自引：0，他引：1
提出了一种基于多波束反向散射强度角度响应曲线的底质特征参数提取算法。根据多波束单ping反向散射强度数据的变化规律,给出了获取平均反向散射强度角度响应曲线的ping数确定方法;分析角度响应曲线与底质类型的相关性,由于曲线上残留误差难以消除,采用容差性强的非线性最小二乘拟合算法,结合Hellequin参数模型,提取底质相关特征参数。实例计算结果表明,提取的特征参数在抑制多波束海底反向散射强度误差影响的基础上,有效保留了底质类型相关的反向散射强度随入射角变化信息,保证了多波束海底底质分类的能力及可靠性。 相似文献
6.
7.
高质量的海底声强图是多波束海底底质分类的基础。在系统分析了多波束声强图像中沿测船航迹灰度异常值和区域性明暗差异成因的基础上,提出了基于加权最小二乘估计的多波束声强数据归一化方法。实例计算结果表明:该方法在不损失原有强度变化信息的基础上,有效地抑制了声强图中灰度异常值对海底底质分类的影响,提高了区域底质分类的质量。 相似文献
8.
栈式稀疏自编码网络的多时相全极化SAR散射特征降维 总被引：1，自引：0，他引：1
利用极化合成孔径雷达（PolSAR）能够实现地物的识别和分类，而多时相全极化SAR可以获取地物更多的散射特征，提升地物识别精度，但高维散射特征的引入会带来严重的维数灾难问题。为了实现对高维散射特征的有效降维，本文提出一种基于栈式稀疏自编码网络S-SAE（Stacked Sparse AutoEncoder）的多时相PolSAR散射特征降维方法。该方法首先对PolSAR数据进行极化目标分解以获取高维散射特征；然后使用S-SAE对获取的多维特征进行降维处理，其中S-SAE降维方法首先采用无监督训练方式进行逐层贪婪训练；再结合Sigmod分类器，利用监督训练的方式对S-SAE进行参数优化，实现高维特征的有效降维；最后以降维后的特征作为支持向量机（SVM）和卷积神经网络（CNN）分类器的输入，实现地物分类。通过仿真和实测的两组多时相Sentinel-1数据处理结果表明，双隐层的S-SAE降维方法在各分类器上均取得最优的降维效果；对比各降维方法在SVM分类器上的分类精度，S-SAE较于局部线性嵌入（LLE）与主成分分析（PCA）降维方法，总体分类精度分别至少提升了9%和14%；在CNN分类器上，S-SAE较于LLE与PCA降维方法，总体分类精度分别至少提升了7%和9%。 相似文献
9.
海底入射角对多波束反向散射强度的影响及其改正 总被引：3，自引：0，他引：3
综合考虑测船姿态、声线弯曲和海底地形对入射角的影响,推导了计算多波束海底入射角的实用模型。根据Lambert法则,改正海底入射角对反向散射强度的影响。实例计算结果表明,所述模型能精确地计算波束在海底的入射角,有效地改正其对反向散射强度的影响。 相似文献
10.
11.
针对卷积神经网络特征维度高且单层特征不能准确表达复杂高分辨率遥感影像语义信息的问题,本文提出了一种提取低维卷积神经网络（LDCNN）深层次特征进行多核SVM分类的场景分类方法。首先将预训练的卷积神经网络改造成低维网络结构,其次提取低维网络的不同深层特征并进行不同核函数的SVM分类,找到对应的最优核函数;然后将多种最优核函数加权融合成为一个新的合成核;最后进行多核SVM分类。试验表明,本文方法不仅特征维度低,且通过多核SVM能够充分结合各层特征的优点,在两个标准数据集上均取得了99%以上的分类精度。此外,该试验还证明了本文方法具有较强的迁移学习能力。 相似文献
12.
联合卷积神经网络与集成学习的遥感影像场景分类 总被引：1，自引：0，他引：1
针对人工设计的中、低层特征难以实现复杂场景影像的高精度分类以及卷积神经网络依赖大量训练数据等问题，结合迁移学习与集成学习，提出了一种联合卷积神经网络与集成学习的遥感影像场景分类算法。首先基于迁移学习的思想，利用在自然影像数据集上训练好的多个深层卷积神经网络模型作为特征提取器，提取图像多个高度抽象的语义特征；然后构建由Logistic回归和支持向量机组成的Stacking集成模型，对同一图像的多个特征分别训练Logistic模型，将预测概率结果融合构建概率特征；最后利用支持向量机对概率特征训练和预测，得到场景影像的分类结果。利用UCMerced_LandUse和NWPU-RESISC 45两种不同规模的遥感影像数据集进行试验，即使在只有10%的数据作为训练样本情况下，本文方法能够分别达到90.74%和87.21%的分类精度。 相似文献
13.
图像相似度学习是指通过网络学习图像内容信息来预测两张图像是否匹配。迄今为止，基于卷积神经网络改进的变体网络有效提升了学习效率，但由于提取特征比较单一无法准确描述图像特征，导致相似度学习效率较低。为此，本文提出一种基于卷积神经网络结构的双分支网络。该网络为左右分支网络结构相同，但权值不共享，网络输入为双分支输入。首先由左右分支网络分别提取单通道图像特征；然后通过特征融合层进行特征融合；最后将融合特征直接输入全连接层进行相似度学习，既改善了提取的图像特征多样性，又加快了模型训练速度。在实验室工业相机拍摄的芯片卡槽图像数据集上进行对比试验，结果表明，相比其他模型，本文提出的模型具有较强的网络学习能力和模型泛化能力，准确率高达97.96%。 相似文献
14.
联合显著性和多层卷积神经网络的高分影像场景分类 总被引：3，自引：2，他引：1
高分辨率遥感影像中的场景信息,对于影像解译和现实世界的理解具有重要意义。传统的场景分类方法多利用中、低层人工特征,但是高分辨率遥感影像的信息丰富,场景构成复杂,需要高层次的特征来表达。本文提出了一种联合显著性和多层卷积神经网络的方法,首先利用显著性采样获取包含影像主要信息的有意义的块,将这些块作为样本集输入卷积神经网络中进行训练,获得不同层次的特征表达,最后联合多层特征利用支持向量机进行分类。两组高分影像场景数据UC Merced 21类和Wuhan 7类试验表明,显著性采样能够有效地获取主要目标,减弱其他无关目标的影响,降低数据冗余;卷积神经网络能够自动学习高层次的特征,相比已有方法,本文方法能够有效提高分类精度。 相似文献
15.
基于增强DeepLabV3网络的高分辨率遥感影像分类 总被引：1，自引：0，他引：1
由于高分影像具有地物细节丰富、类别差异大等特点,现有的卷积神经网络影像分类方法普遍存在分类精度低、地物边界不准确等问题。鉴于此,本文提出一种基于增强DeepLabV3网络的影像分类模型。首先构建R-MCN网络结构,利用大小不同的卷积核并结合残差网络的思想进一步提取浅层网络的多尺度、多层次的特征信息;然后采用可学习的上采样方式,并将R-MCN提取的特征与高阶的语义信息相融合;最后通过提出的Mloss损失函数,获得遥感影像的地物分类结果。试验结果表明,相对于传统的卷积神经网络,本文方法能细化地物的边缘信息,改善分类效果,获得更高的影像分类精度。 相似文献
16.
高分辨率遥感影像场景的多尺度神经网络分类法 总被引：5，自引：3，他引：2
高分辨率遥感影像场景分类是实现复杂场景快速自动识别的基础,在军事、救灾等领域有十分重要的意义。为了在有限的遥感数据集上获得高识别精度,本文提出了一种基于联合多尺度卷积神经网络模型的高分辨率遥感影像场景分类方法。不同于传统的卷积神经网络模型,JMCNN建立了一个具有3个不同尺度通道的端对端多尺度联合卷积网络模型,包括多通道特征提取器、多尺度特征联合和Softmax分类3个部分。首先,多通道特征提取器提取图像中、高层多尺度特征;然后,多尺度特征联合对多个通道的中、高层多尺度特征进行多次融合以增强特征表达;最后,Softmax对高层特征进行分类。本文在UC Merced和SIRI遥感数据集进行测试,试验表明JMCNN模型在特征表达和计算速度方面均有显著提高,在小样本数据量下分别达到89.3%和88.3%的识别精度。 相似文献
17.
Seafloor classification using echo-waveforms: a method employing hybrid neural network architecture 总被引：2，自引：0，他引：2
Chakraborty B. Mahale V. de Sousa C. Das P. 《Geoscience and Remote Sensing Letters, IEEE》2004,1(3):196-200
This letter presents seafloor classification study results of a hybrid artificial neural network architecture known as learning vector quantization. Single beam echo-sounding backscatter waveform data from three different seafloors of the western continental shelf of India are utilized. In this letter, an analysis is presented to establish the hybrid network as an efficient alternative for real-time seafloor classification of the acoustic backscatter data. 相似文献
18.
The multibeam sonars can provide hydrographic quality depth data as well as hold the potential to provide calibrated measurements of the seafloor acoustic backscattering strength. There has been much interest in utilizing backscatters and images from multibeam sonar for seabed type identification and most results are obtained. This paper has presented a focused review of several main methods and recent developments of seafloor classification utilizing multibeam sonar data or/and images. These are including the power spectral analysis methods, the texture analysis, traditional Bayesian classification theory and the most active neural network approaches. 相似文献