专利交易市场

一种基于通道注意力深度网络的极化SAR图像分类方法，首先对极化SAR图像进行精致Lee滤波处理，然后对滤波后的图像根据不同的目标分解方法提取极化SAR图像的多种特征，来组成完备的极化SAR数据高维特征表达空间，能够全面的刻画地物目标的信息，其次，利用深度可分离网络、空洞卷积网络、多孔空间金字塔和上采样搭建DeepLabV3+的编码解码过程，并且在DeeplabV3+网络中，引入通道注意力ECA‑Net模块对极化SAR数据高维特征进行重新配置权重，凸显出不同特征的重要程度，有效地为高级特征恢复空间信息提供更多的细节信息，从而使得网络能够更有效地提取和表达图像的特征信息，预测出更加精细的图像分类结果。

本发明公开了一种极化SAR图像分类方法、系统、介质和程序产品，涉及极化SAR图像分类领域，包括：获取极化数据集；根据极化数据集构建锚定样本训练集和正样本对数据集；构建残差神经网络模型；利用正样本对数据集对残差神经网络模型进行第一阶段训练，得到通过第一阶段训练的中间残差神经网络模型；利用极化数据集和锚定样本训练集对中间残差神经网络模型进行第二阶段训练，得到通过第二阶段训练的残差神经网络模型；利用通过第二阶段训练的残差神经网络模型对待分类极化SAR图像进行聚类并生成分类结果图。本发明能够在不需要任意标注成本的情况下，有效对极化SAR图像进行准确分类识别。

本发明公开了基于目标分解引导多模态学习的极化SAR图像分类方法，步骤包括：采集相同地物类型的极化SAR图像，极化SAR图像包括：源域极化SAR图像和目标域极化SAR图像；对极化SAR图像进行预处理，得到极化SAR图像的特征矩阵；构建基于多模态的跨域网络模型；利用特征矩阵训练跨域网络模型，得到分类模型；利用分类模型，完成极化SAR图像的分类。本发明充分利用已知的物理模型和领域知识挖掘泛化能力强且具备物理特性的特征表示。即充分利用目标分解特征的可解释强性的特点，因此利用极化目标分解特征的物理信息的文本先验知识，获得具有物理特性的判别性语义特征表示，能够提升深度学习算法的透明度。

本发明公开基于Diffusion模型的极化SAR图像分类方法，包括：获取极化SAR数据，极化SAR数据包括极化SAR图像及对应的地物真实标记图；基于极化SAR数据，通过数据遴选算法获取待增广数据集；构建Diffusion数据增广模型，其中通过待增广训练集对Diffusion数据增广模型进行训练，并通过训练好的Diffusion数据增广模型生成伪数据；基于待增广数据集及伪数据，重构生成增广数据集；构建卷积神经网络，通过增广数据集对卷积神经网络进行训练，生成训练好的卷积神经网络；通过训练好的卷积神经网络对待分类极化SAR图像对应的特征数据进行分类，生成待分类极化SAR图像的地物类别预测分类结果。

本发明公开了一种基于深度语义拓扑融合网络的极化SAR图像分类方法，包括：获取待分类极化SAR图像和对应的地物真实标记图；对待分类极化SAR图像进行预处理，并预处理后的极化SAR图像各个像素点的极化相干矩阵归一化；从归一化后的极化相干矩阵中提取每个像素点的特征向量，并根据所有像素点的特征向量集合构造待分类极化SAR图像的特征矩阵；根据地物真实标记图和待分类极化SAR图像的特征矩阵，构造训练数据集和测试数据集；构建深度语义拓扑融合网络模型；利用训练数据集对深度语义拓扑融合网络模型进行训练；利用训练好的深度语义拓扑融合网络模型对测试数据集中的待分类极化SAR图像进行分类。本发明能够有效提高极化SAR图像的分类准确率。

基于主动学习和协同表示的小样本极化SAR图像分类方法，输入待分类的极化SAR图像，首先对图像进行滤波处理，然后对处理后的图像进行数据增强，根据当前带有标签的像素对CNN进行训练并学习高层语义特征，然后进行主动选择以请求新的注释来标记样本，这些注释将作为下一次迭代的CNN重新训练的输入；根据SVM在步骤5中生成的特征集进行组合，然后来协同训练分类器，将分类器预测出来的概率进行整合，然后挑选出不可信的样本进行删除，再继续从U’中挑选出可信度高的样本进行标注加入到集合X’中，然后将它输入到CNN网络模型上继续进行训练，将CNN训练好的模型的分类概率输出到建立在PolSAR的图像上，得到最终的分类结果。