检索结果-维普期刊中文期刊服务平台

基于SAE与底层视觉特征融合的无人机目标识别算法(英文) 被引量：1: 1; 作者谢冰段哲民《红外与激光工程》 EI CSCD 北大核心 2018年第S1期205-213,共9页; 无人机在复杂战场环境下,因敌方无人机外形、颜色等特征较为相似,现有基于底层视觉特征无法快速地对其进而准确的识别,从而造成误检测甚至误打击等事件的发生。针对这一问题,文中提出基于稀疏自动编码器融合底层视觉特征的算法,对无人... 展开更多; 关键词无人机目标对象目标识别 sparse auto-encoder 底层视觉描述子 PCA; 在线阅读下载PDF 职称材料

YUV空间中基于稀疏自动编码器的无监督特征学习被引量：16: 2; 作者李祖贺樊养余王凤琴《电子与信息学报》 EI CSCD 北大核心 2016年第1期29-37,共9页; 现有无监督特征学习算法通常在RGB色彩空间进行特征提取,而图像和视频压缩编码标准则广泛采用YUV色彩空间。为了利用人类视觉特性和避免色彩空间转换所消耗的计算量,该文提出一种基于稀疏自动编码器在YUV色彩空间进行无监督特征学习的... 展开更多; 关键词图像分类无监督特征学习稀疏自动编码器卷积神经网络深度学习; 在线阅读下载PDF 职称材料

基于稀疏自编码器和边缘保持的Wishart马尔科夫随机场的极化SAR图像分类（英文）被引量：1: 3; 作者张姝茵侯彪 +1 位作者焦李成吴倩《红外与毫米波学报》 SCIE EI CAS CSCD 北大核心 2018年第2期177-183,共7页; 针对极化SAR图像训练样本数目较少问题以及极化SAR图像同质区域较多的特性,提出了一种新的两层分类框架,结合了稀疏自编码器和边缘保持的Wishart马尔科夫随机场对极化SAR图像进行分类.该框架包括个步骤,第一个步骤使用稀疏自编码器来获... 展开更多; 关键词稀疏自编码器极化SAR图像 Wishart距离马尔科夫随机场; 在线阅读下载PDF 职称材料

基于稀疏自编码器的空间微动目标融合识别方法被引量：1: 4; 作者田旭东白雪茹周峰《电子与信息学报》 EI CSCD 北大核心 2023年第12期4336-4344,共9页; 当采用高分辨雷达对空间微动目标进行观测时,往往能同时获得其窄带、宽带回波。为充分利用其中蕴含的丰富电磁散射、形状、结构及运动信息,该文提出基于稀疏自编码器(SAE)的空间微动目标特征级融合识别方法。在训练阶段,首先采用卷积神... 展开更多; 关键词微动空间目标融合识别卷积神经网络稀疏自编码器; 在线阅读下载PDF 职称材料

题名基于SAE与底层视觉特征融合的无人机目标识别算法(英文) 被引量：1: 1; 作者谢冰段哲民; 机构西北工业大学电子信息学院; 出处《红外与激光工程》 EI CSCD 北大核心 2018年第S1期205-213,共9页; 基金瞬态冲击技术重点实验室基金(61426060103162606007); 文摘无人机在复杂战场环境下,因敌方无人机外形、颜色等特征较为相似,现有基于底层视觉特征无法快速地对其进而准确的识别,从而造成误检测甚至误打击等事件的发生。针对这一问题,文中提出基于稀疏自动编码器融合底层视觉特征的算法,对无人机目标对象进行识别。算法首先利用底层视觉特征描述子(GIST、LBP)以及稀疏自动编码器(Sparse Auto-Encoder,SAE)提取目标对象的底层视觉特征和高层视觉特征;然后,采用主成分分析(PAC)法对全局特征进行降维融合;最后,将全局特征响应送入softmax回归模型完成无人机目标对象的分类。实验表明,与传统SAE算法及传统基于底层视觉特征描述子识别算法相比,新算法具有更高的准确性及鲁棒性。; 关键词无人机目标对象目标识别 sparse auto-encoder 底层视觉描述子 PCA; Keywords UAV target object target recognition sparse auto-encoder underlying visual descriptor PCA; 分类号 TP391.41 [自动化与计算机技术—计算机应用技术]; 在线阅读下载PDF 职称材料

题名YUV空间中基于稀疏自动编码器的无监督特征学习被引量：16: 2; 作者李祖贺樊养余王凤琴; 机构西北工业大学电子信息学院郑州轻工业学院计算机与通信工程学院; 出处《电子与信息学报》 EI CSCD 北大核心 2016年第1期29-37,共9页; 基金陕西省科技统筹创新工程重点实验室项目(2013SZS15-K02)~~; 文摘现有无监督特征学习算法通常在RGB色彩空间进行特征提取,而图像和视频压缩编码标准则广泛采用YUV色彩空间。为了利用人类视觉特性和避免色彩空间转换所消耗的计算量,该文提出一种基于稀疏自动编码器在YUV色彩空间进行无监督特征学习的方法。首先在YUV空间随机采集图像子块并进行白化处理,然后利用稀疏自动编码器进行无监督局部特征学习。在预处理阶段,针对YUV空间亮度和色度通道相互独立的特性,提出一种将亮度和色度进行分离的白化措施。最后用学习到的局部特征在大尺寸图像上进行卷积操作从而获得全局特征,并送入图像分类系统进行性能测试。实验结果表明:只要对亮度分量进行适当的白化处理,在YUV空间中的无监督特征学习就能够获得相当于甚至优于RGB空间的彩色图像分类性能。; 关键词图像分类无监督特征学习稀疏自动编码器卷积神经网络深度学习; Keywords Image classification Unsupervised feature learning sparse Auto Encoder（sae） Convolutional neural network Deep learning; 分类号 TP391.4 [自动化与计算机技术—计算机应用技术]; 在线阅读下载PDF 职称材料

题名基于稀疏自编码器和边缘保持的Wishart马尔科夫随机场的极化SAR图像分类（英文）被引量：1: 3; 作者张姝茵侯彪焦李成吴倩; 机构西安电子科技大学智能感知与图像理解教育部重点实验室智能感知与计算国际联合研究中心智能感知与计算国际合作联合实验室; 出处《红外与毫米波学报》 SCIE EI CAS CSCD 北大核心 2018年第2期177-183,共7页; 基金 Supported by National Natural Science Foundation of China(61671350,61573267,61473215,61572383,61502369) the National Basic Research Program(973 Program)of China(2013CB329402); 文摘针对极化SAR图像训练样本数目较少问题以及极化SAR图像同质区域较多的特性,提出了一种新的两层分类框架,结合了稀疏自编码器和边缘保持的Wishart马尔科夫随机场对极化SAR图像进行分类.该框架包括个步骤,第一个步骤使用稀疏自编码器来获得一个初始分类;第二个步骤使用边缘保持的Wishart马尔科夫随机场对第一层的分类结果进行修正.在应用Wishart马尔科夫随机场的过程中,由稀疏自编码器分类得到的边缘得以保持,并且提出了新的分类错误纠正策略确保分类的准确性.因此,通过稀疏自编码器得到的精确分类边缘可用于不同的区域并且在应用Wishart马尔科夫的过程中得以保持.和其他分类方法相比,该方法得到较高的分类精度,证明了新方法的有效性.; 关键词稀疏自编码器极化SAR图像 Wishart距离马尔科夫随机场; Keywords sparse auto-encoder(sae) polarimetric synthetic aperture radar(PolSAR)images Wishart distance Markov random fields(MRF); 分类号 TP751.1 [自动化与计算机技术—检测技术与自动化装置]; 在线阅读下载PDF 职称材料

题名基于稀疏自编码器的空间微动目标融合识别方法被引量：1: 4; 作者田旭东白雪茹周峰; 机构西安电子科技大学电子信息攻防对抗与仿真技术教育部重点实验室西安电子科技大学雷达信号处理全国重点实验室; 出处《电子与信息学报》 EI CSCD 北大核心 2023年第12期4336-4344,共9页; 基金国家自然科学基金(62131020) 中央高校基本科研业务费专项资金。; 文摘当采用高分辨雷达对空间微动目标进行观测时,往往能同时获得其窄带、宽带回波。为充分利用其中蕴含的丰富电磁散射、形状、结构及运动信息,该文提出基于稀疏自编码器(SAE)的空间微动目标特征级融合识别方法。在训练阶段,首先采用卷积神经网络(CNN)分别提取训练集中微动目标回波的1维高分辨距离像(HRRP)、时频图(JTF)及距离-瞬时多普勒像(RID)层级特征。随后,将提取的3个深层特征进行1维拼接形成联合特征向量,并采用SAE自动学习联合特征向量的隐层特征。进而剔除SAE解码部分并在编码器后接入Softmax分类器构成识别网络。最后,利用SAE网络参数对识别网络进行初始化,并利用上述联合特征向量对其进行微调得到训练好的识别网络。在测试阶段,将CNN所提测试集的联合特征向量直接输入训练好的识别网络以得到融合识别结果。不同条件下的电磁仿真数据识别结果证明了所提方法的有效性及稳健性。; 关键词微动空间目标融合识别卷积神经网络稀疏自编码器; Keywords Micro-motion space targets Fusion recognition Convolution Neural Network(CNN) sparse auto-encoder(sae); 分类号 TN957 [电子电信—信号与信息处理]; 在线阅读下载PDF 职称材料

	题名	作者	出处	发文年	被引量	操作
1	基于SAE与底层视觉特征融合的无人机目标识别算法(英文)	谢冰段哲民	《红外与激光工程》 EI CSCD 北大核心	2018	1	在线阅读下载PDF 职称材料
2	YUV空间中基于稀疏自动编码器的无监督特征学习	李祖贺樊养余王凤琴	《电子与信息学报》 EI CSCD 北大核心	2016	16	在线阅读下载PDF 职称材料
3	基于稀疏自编码器和边缘保持的Wishart马尔科夫随机场的极化SAR图像分类（英文）	张姝茵侯彪焦李成吴倩	《红外与毫米波学报》 SCIE EI CAS CSCD 北大核心	2018	1	在线阅读下载PDF 职称材料
4	基于稀疏自编码器的空间微动目标融合识别方法	田旭东白雪茹周峰	《电子与信息学报》 EI CSCD 北大核心	2023	1	在线阅读下载PDF 职称材料