1 空军工程大学航空工程学院, 西安 710000
2 西北工业大学电子信息学院, 西安 710000
3 中国人民解放军93046部队, 沈阳 110000
合成孔径雷达(SAR)图像自动目标识别(ATR)技术是人工图像解译的关键技术之一, 其旨在屏蔽固有噪声影响, 获取感兴趣区域内表征目标的潜在特征信息, 为目标识别提供有力的数据支撑。为了提升高分辨SAR图像目标识别精度, 围绕算法设计中的相干斑抑制和特征提取问题, 结合传统恒虚警率(CFAR)检测算法和深度卷积神经网络(DCNN)的最新研究, 设计了SAR图像自动目标识别框架。实验基于MSTAR标准数据集, 目标识别结果表明所构建模型的有效性。
SAR图像目标识别 相干斑抑制 特征学习 卷积自编码网络 卷积神经网络 target recognition of SAR image speckle suppression feature learning convolution auto-encoder network convolutional neural network
1 安徽大学电气工程与自动化学院，安徽 合肥 230601
2 安徽三联学院电子电气工程学院，安徽 合肥 230601
针对行人重识别存在的遮挡和姿势变化问题和目前网络识别率低的缺陷，提出了不同空间维度的多分支行人重识别网络模型。首先利用IBN-Net50-a为基础骨干网络提取特征；然后对最后两层卷积层融合批量特征丢弃方法，以增强局部区域专注特征学习；最后拼接不同维度的特征，获得更多浅层、深层的有用信息。在网络训练时，采用三元组损失和标签平滑损失联合策略训练。使用三个常用的基准数据集Market1501、DukeMTMC-reID、CUHK03进行实验验证，并按照主流策略划分数据集。实验结果表明，所提方法的特征泛化能力较好，其中在Market1501数据集的Rank-1和平均准确率（mAP）分别达到95.3%和86.8%；在DukeMTMC-reID数据集的Rank-1和mAP分别达到88.5%和75.9%；在CUHK03数据集的Rank-1和mAP分别达到80.9%和77.8%。
机器视觉 行人重识别 特征丢弃 特征学习 三元组损失 标签平滑损失 激光与光电子学进展
2022, 59(12): 1215009
1 昆明理工大学信息工程与自动化学院，云南 昆明 650500
2 云南省人工智能重点实验室，云南 昆明 650500
医学图像融合作为一种对多种不同形式的医学图像所包含的信息进行整合的有效方法，被广泛用于疾病诊断和治疗规划等各种临床应用中。然而，现有的医学图像融合方法没有很好地解决不同器官之间的边界模糊问题，使得融合后的图像较难理解。为了解决这个问题，提出了一种基于多尺度特征学习和边缘增强的医学图像融合模型。具体地，首先使用多个不同空洞率的空洞卷积扩大感受野，使模型学习到源图像更具判别性的多尺度特征。然后，根据最大值融合策略融合源图像特征，得到融合特征，并通过卷积层对其进行重建，得到融合图像。同时，引入边缘增强模块，增强融合图像中的边缘信息，从而较好地解决了医学图像融合中不同器官之间的边界模糊问题。实验结果证明，所提方法得到的结果无论从主观视觉效果还是客观定量评价，均优于对比方法。
激光与光电子学进展
2022, 59(6): 0617029
1 中国海洋大学 信息科学与工程学院, 山东 青岛 266100
2 青岛农业大学 理学与信息科学学院, 山东 青岛 266109
3 山东烟草研究院有限公司, 山东 济南250101
近红外检测作为一种快速无损的检测方法得到广泛关注。但光谱中存在大量噪声以及光谱数据的高维度和非线性等特点影响了分类模型的准确率。将深信网络(DBN)的理论改进并引入光谱特征学习中, 解决高维特征间非线性关系的学习问题, 采用逐层训练策略和随机梯度上升法分别进行网络预训练和微调获得网络权值; 并结合支持向量机(SVM)建立近红外光谱多分类模型DBN-SVM。与基于主成分分析的分类模型PCA-SVM和基于线性判别分析的LDA-SVM分类模型进行应用比较。结果表明: DBN-SVM算法能有效地学习高维数据中的内在结构和非线性关系, 由该算法构建的模型具有良好的特征学习能力和分类识别能力, 而且在稳健性、各类别的灵敏度和特效度也更优。
深度信念网络 近红外光谱 特征学习 分类模型 deep belief network near infrared spectral feature learning classification model 红外与激光工程
2019, 48(4): 0404001
1 辽宁工程技术大学电子与信息工程学院, 辽宁 葫芦岛 125105
2 大连理工大学计算机科学与技术学院, 辽宁 大连 116024
提出一种基于分层稀疏表示特征学习的方法即分层判别特征学习算法对高光谱图像进行分类，在两层的分层结构中用空间金字塔匹配模型在每层的稀疏编码上用最大池化方法学习得到判别特征，用分层判别特征学习得到的特征表示对于分类更稳健、判别性更好。在两个高光谱数据集上评价该方法，结果表明，该方法具有更好的分类精度。
遥感 高光谱图像分类 特征学习 稀疏表示 激光与光电子学进展
2016, 53(9): 091001
