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 湖南科技大学, 湖南湘潭 411201
2 结构抗风与振动控制湖南省重点实验室, 湖南湘潭 411201
建筑外墙饰面层脱粘剥落广泛存在, 对居民生命财产安全带来巨大威胁。本文以旋翼无人飞机为工作平台, 搭载红外热成像相机对建筑外墙饰面层脱粘缺陷进行成像检测, 获得脱粘缺陷热成像温度场分布规律; 通过饰面层脱粘缺陷温度场、形状特征分析, 提出基于热源聚类的脱粘缺陷红外图像分割方法, 构建饰面层脱粘缺陷形状特征向量集, 建立基于支持向量机的无人飞机热成像饰面层脱粘缺陷识别特征学习模型、脱粘缺陷实际面积计算方法; 以曾出现数次饰面层剥落的教学楼为研究对象, 对实际建筑进行无人机机载红外视频成像检测, 识别脱粘缺陷面积, 并与人工检测进行比较, 表明基于先验特征规律提出的脱粘缺陷识别小样本机器学习算法具有优越性, 机载热成像识别饰面层脱粘缺陷满足工程精度要求, 能有效减少事故发生, 具有可行性和广泛应用前景。
无人飞机 建筑饰面 脱粘缺陷 热成像 特征学习 unmanned aerial vehicle, building decoration layer
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
重庆大学 光电技术与系统教育部重点实验室, 重庆 400044
鉴于传统维数约减方法对高光谱遥感影像进行降维时, 往往只利用了单一的光谱特征, 限制了分类性能的提升。提出一种基于多特征流形鉴别嵌入的维数约减方法, 该方法首先提取高光谱数据的LBP(Local Binary Patterns)纹理特征, 然后利用样本点的光谱-LBP特征联合距离及类别信息构建类内图和类间图以发现高光谱影像中的鉴别流形结构, 在低维嵌入空间中不仅保持来自同一像素的光谱和纹理特征的相似性, 而且使同类点尽可能紧致、不同类点远离, 实现空-谱联合低维鉴别特征提取, 以有效提高地物分类性能。在Indian Pines和黑河高光谱遥感数据集上的实验表明, 本文算法的分类精度在不同实验条件下均优于传统的维数约减方法, 其分类精度可达95.05%和96.20%, 在较少训练样本条件下优势更为明显, 有利于实际应用。
高光谱遥感 维数约减 纹理特征 多特征学习 流形学习 hyperspectral remote sensing dimensionality reduction texture feature multiple features learning manifold learning
1 民政部国家减灾中心，北京 100124
2 华中科技大学 自动化学院， 湖北 武汉 430074
通过分析高分辨率遥感影像中平原建成区的纹理特征和局部关键点特征，提出了基于多核学习、多尺度分割以及多假设投票的平原建成区提取方法。该方法利用MR8纹理特征和尺度不变特征变换(SIFT)算法提取建成区，融合多个特征进行学习和分类，从而加强了分类器的鲁棒性和稳定性，提高了检测准确率。该方法还通过超像素分割和多假设投票将基于图像块的判别结果转化为基于像素的检测结果，完全消除块状效应，使得目标区域具有准确的边缘和形状。在多幅GF-1卫星遥感图像上进行测试，结果显示: 提出方法的平均检测精度为80%，平均召回率高于85%，平均F值可达80%以上，综合指标高于其他方法，验证了提取平原地形建成区的可行性和准确性。由于建成区提取结果已精确到了像素级别，同时避免了漏检和误检，提取出的建成区影像很准确。
高分辨率遥感影像 平原建成区提取 多假设投票 多特征学习 多尺度分割 high resolution remote sensing image extraction of built-up area in plain multi-hypothesis voting multi-kernel learning multi-scale segmentation 光学 精密工程
2016, 24(10): 2557
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
