基于模型的目标分解是极化合成孔径雷达(SAR)的一个重要应用,基于模型目标分解依赖于极化数据仅能获得各散射机制的能量信息。该文将基于模型的分解技术应用到π/4模式的简缩极化干涉SAR(C-Pol In SAR)数据中,对互相关矩阵进行分解,在...基于模型的目标分解是极化合成孔径雷达(SAR)的一个重要应用,基于模型目标分解依赖于极化数据仅能获得各散射机制的能量信息。该文将基于模型的分解技术应用到π/4模式的简缩极化干涉SAR(C-Pol In SAR)数据中,对互相关矩阵进行分解,在获得各散射机制功率的同时获得对应的散射相位中心。该文首先推导出3种散射机制π/4简缩极化SAR干涉观测下散射模型,然后运用数值计算方法进行目标分解,最终求解出各散射机制的功率贡献及相位中心高度信息。仿真数据验证了该算法的有效性,分析了不同波段及不同地表参数对分解结果的影响。展开更多
文摘基于模型的目标分解是极化合成孔径雷达(SAR)的一个重要应用,基于模型目标分解依赖于极化数据仅能获得各散射机制的能量信息。该文将基于模型的分解技术应用到π/4模式的简缩极化干涉SAR(C-Pol In SAR)数据中,对互相关矩阵进行分解,在获得各散射机制功率的同时获得对应的散射相位中心。该文首先推导出3种散射机制π/4简缩极化SAR干涉观测下散射模型,然后运用数值计算方法进行目标分解,最终求解出各散射机制的功率贡献及相位中心高度信息。仿真数据验证了该算法的有效性,分析了不同波段及不同地表参数对分解结果的影响。
文摘为提高生物资产监盘审计过程中盘点准确性和盘点效率,提出了一种融入注意力机制和损失函数优化的生物资产检测模型YOLOSC。首先,将压缩-激励网络(squeeze-and-excitation networks,SENet)注意力机制引入YOLOv5s模型的主干网络中,以增强对生物资产图片中关键特征的提取能力;其次,采用完全交并比(complete intersection over union,CIoU)作为检测框回归的损失函数,以提升训练过程中检测框的回归速度与定位精度;最后,构建了一个生物资产数据集对所提模型进行针对性训练,以提升模型检测效果。实验结果表明,相较于YOLOv5模型,YOLOSC的精确率、召回率、F_(1)和AP分别提升了2.3%、2.1%、2.7%和1.6%,证明了所提出的生物资产检测模型YOLOSC的有效性。
