期刊导航
期刊开放获取
上海教育软件发展有限公..
期刊文献
+
任意字段
题名或关键词
题名
关键词
文摘
作者
第一作者
机构
刊名
分类号
参考文献
作者简介
基金资助
栏目信息
任意字段
题名或关键词
题名
关键词
文摘
作者
第一作者
机构
刊名
分类号
参考文献
作者简介
基金资助
栏目信息
检索
高级检索
期刊导航
共找到
3
篇文章
<
1
>
每页显示
20
50
100
已选择
0
条
导出题录
引用分析
参考文献
引证文献
统计分析
检索结果
已选文献
显示方式：
文摘
详细
列表
相关度排序
被引量排序
时效性排序
SAR图像目标识别的可解释性问题探讨
被引量：
25
1
作者
郭炜炜
张增辉
+1 位作者
郁文贤
孙效华
《雷达学报（中英文）》
CSCD
北大核心
2020年第3期462-476,共15页
合成孔径雷达(SAR)图像目标识别是实现微波视觉的关键技术之一。尽管深度学习技术已被成功应用于解决SAR图像目标识别问题,并显著超越了传统方法的性能,但其内部工作机理不透明、解释性不足,成为制约SAR图像目标识别技术可靠和可信应用...
合成孔径雷达(SAR)图像目标识别是实现微波视觉的关键技术之一。尽管深度学习技术已被成功应用于解决SAR图像目标识别问题,并显著超越了传统方法的性能,但其内部工作机理不透明、解释性不足,成为制约SAR图像目标识别技术可靠和可信应用的瓶颈。深度学习的可解释性问题是目前人工智能领域的研究热点与难点,对于理解和信任模型决策至关重要。该文首先总结了当前SAR图像目标识别技术的研究进展和所面临的挑战,对目前深度学习可解释性问题的研究进展进行了梳理。在此基础上,从模型理解、模型诊断和模型改进等方面对SAR图像目标识别的可解释性问题进行了探讨。最后,以可解释性研究为切入点,从领域知识结合、人机协同和交互式学习等方面进一步讨论了未来突破SAR图像目标识别技术瓶颈有可能的方向。
展开更多
关键词
合成孔径雷达
自动目标识别
深度学习
可解释性
可解释机器学习
在线阅读
下载PDF
职称材料
高分三号NSC模式SAR图像舰船目标检测初探
被引量：
15
2
作者
刘泽宇
柳彬
+5 位作者
郭炜炜
张增辉
张波
周月恒
马高
郁文贤
《雷达学报（中英文）》
CSCD
2017年第5期473-482,共10页
高分三号卫星是我国首颗分辨率达到1m的C波段多极化合成孔径雷达(Synthetic Aperture Radar,SAR)卫星,拥有多种成像模式。该文针对高分三号NSC模式SAR图像提出一种海上舰船目标检测方法,其核心为基于贝叶斯框架的像素分类以实现目标筛选...
高分三号卫星是我国首颗分辨率达到1m的C波段多极化合成孔径雷达(Synthetic Aperture Radar,SAR)卫星,拥有多种成像模式。该文针对高分三号NSC模式SAR图像提出一种海上舰船目标检测方法,其核心为基于贝叶斯框架的像素分类以实现目标筛选,并根据数据特点设计有效的图像降质条件下的性能提升方法。该文提出的检测算法与多种恒虚警率(Constant False Alarm Rate,CFAR)检测算法进行对比实验分析,实验结果证明了该文所提方法的有效性与性能优势。
展开更多
关键词
高分三号卫星
合成孔径雷达
舰船目标检测
像素分类
在线阅读
下载PDF
职称材料
基于概率转移卷积神经网络的含噪标记SAR图像分类
被引量：
11
3
作者
赵娟萍
郭炜炜
+3 位作者
柳彬
崔世勇
张增辉
郁文贤
《雷达学报（中英文）》
CSCD
2017年第5期514-523,共10页
合成孔径雷达(Synthetic Aperture Radar,SAR)图像分类是SAR图像解译的重要任务。以卷积神经网络(Convolutional Neural Networks,CNN)为代表的监督学习方法需要大量已标注的训练样本。然而对于SAR图像真值标注而言,由于SAR特殊的成像机...
合成孔径雷达(Synthetic Aperture Radar,SAR)图像分类是SAR图像解译的重要任务。以卷积神经网络(Convolutional Neural Networks,CNN)为代表的监督学习方法需要大量已标注的训练样本。然而对于SAR图像真值标注而言,由于SAR特殊的成像机理,图像受相干斑噪声、几何畸变和结构缺失等因素影响较为严重,非直观性较强,使得SAR图像人工标注非常困难,极易出错,从而导致CNN等模型学习和泛化性能急剧降低。针对这种含噪标记条件下的SAR图像分类问题,该文提出了一种基于概率转移模型的卷积神经网络(Probability Transition CNN,PTCNN)方法,该方法在传统CNN模型基础上,基于含噪标记与正确标记之间的概率转移模型,建立噪声标记转移层,这种新的卷积网络模型可潜在地校正错误标记,增强了含噪标记下分类模型的鲁棒性。与经典CNN等模型相比,在构建的16类SAR图像地物数据集和MSTAR数据集上的实验结果表明该文方法相比于经典CNN等模型,在保持SAR图像分类性能的同时具有较好的抗噪性,能够有效校正训练样本中的标注错误,从而降低了SAR图像有监督分类任务对样本标注质量的要求,具有一定的研究价值与应用前景。
展开更多
关键词
合成孔径雷达(SAR)图像分类
监督学习
含噪标记
概率转移卷积神经网络(PTCNN)
深度特征
在线阅读
下载PDF
职称材料
题名
SAR图像目标识别的可解释性问题探讨
被引量：
25
1
作者
郭炜炜
张增辉
郁文贤
孙效华
机构
同济
大学
数字创新中心
上海交通大学智能探测与识别上海市重点实验室
出处
《雷达学报（中英文）》
CSCD
北大核心
2020年第3期462-476,共15页
基金
国家自然科学基金联合基金(U1830103)。
文摘
合成孔径雷达(SAR)图像目标识别是实现微波视觉的关键技术之一。尽管深度学习技术已被成功应用于解决SAR图像目标识别问题,并显著超越了传统方法的性能,但其内部工作机理不透明、解释性不足,成为制约SAR图像目标识别技术可靠和可信应用的瓶颈。深度学习的可解释性问题是目前人工智能领域的研究热点与难点,对于理解和信任模型决策至关重要。该文首先总结了当前SAR图像目标识别技术的研究进展和所面临的挑战,对目前深度学习可解释性问题的研究进展进行了梳理。在此基础上,从模型理解、模型诊断和模型改进等方面对SAR图像目标识别的可解释性问题进行了探讨。最后,以可解释性研究为切入点,从领域知识结合、人机协同和交互式学习等方面进一步讨论了未来突破SAR图像目标识别技术瓶颈有可能的方向。
关键词
合成孔径雷达
自动目标识别
深度学习
可解释性
可解释机器学习
Keywords
SAR
Automatic Target Recognition(ATR)
Deep learning
Explainability and interpretability
Explainable machine learning
分类号
TN957.51 [电子电信—信号与信息处理]
在线阅读
下载PDF
职称材料
题名
高分三号NSC模式SAR图像舰船目标检测初探
被引量：
15
2
作者
刘泽宇
柳彬
郭炜炜
张增辉
张波
周月恒
马高
郁文贤
机构
上海交通大学智能探测与识别上海市重点实验室
中国空间技术研究院西安分院
出处
《雷达学报（中英文）》
CSCD
2017年第5期473-482,共10页
基金
国家自然科学基金重点项目-高分辨率SAR测试库及数据质量评估(61331015)~~
文摘
高分三号卫星是我国首颗分辨率达到1m的C波段多极化合成孔径雷达(Synthetic Aperture Radar,SAR)卫星,拥有多种成像模式。该文针对高分三号NSC模式SAR图像提出一种海上舰船目标检测方法,其核心为基于贝叶斯框架的像素分类以实现目标筛选,并根据数据特点设计有效的图像降质条件下的性能提升方法。该文提出的检测算法与多种恒虚警率(Constant False Alarm Rate,CFAR)检测算法进行对比实验分析,实验结果证明了该文所提方法的有效性与性能优势。
关键词
高分三号卫星
合成孔径雷达
舰船目标检测
像素分类
Keywords
GF-3 satellite
Synthetic Aperture Radar （SAR）
Ship detection
Pixel classification
分类号
TP75 [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
基于概率转移卷积神经网络的含噪标记SAR图像分类
被引量：
11
3
作者
赵娟萍
郭炜炜
柳彬
崔世勇
张增辉
郁文贤
机构
上海交通大学
智能
探测与
识别
上海市
高校
重点
实验室
德国宇航局遥感技术研究所
出处
《雷达学报（中英文）》
CSCD
2017年第5期514-523,共10页
基金
国家自然科学基金重点项目(61331015)
中国博士后基金项目(2015M581618)~~
文摘
合成孔径雷达(Synthetic Aperture Radar,SAR)图像分类是SAR图像解译的重要任务。以卷积神经网络(Convolutional Neural Networks,CNN)为代表的监督学习方法需要大量已标注的训练样本。然而对于SAR图像真值标注而言,由于SAR特殊的成像机理,图像受相干斑噪声、几何畸变和结构缺失等因素影响较为严重,非直观性较强,使得SAR图像人工标注非常困难,极易出错,从而导致CNN等模型学习和泛化性能急剧降低。针对这种含噪标记条件下的SAR图像分类问题,该文提出了一种基于概率转移模型的卷积神经网络(Probability Transition CNN,PTCNN)方法,该方法在传统CNN模型基础上,基于含噪标记与正确标记之间的概率转移模型,建立噪声标记转移层,这种新的卷积网络模型可潜在地校正错误标记,增强了含噪标记下分类模型的鲁棒性。与经典CNN等模型相比,在构建的16类SAR图像地物数据集和MSTAR数据集上的实验结果表明该文方法相比于经典CNN等模型,在保持SAR图像分类性能的同时具有较好的抗噪性,能够有效校正训练样本中的标注错误,从而降低了SAR图像有监督分类任务对样本标注质量的要求,具有一定的研究价值与应用前景。
关键词
合成孔径雷达(SAR)图像分类
监督学习
含噪标记
概率转移卷积神经网络(PTCNN)
深度特征
Keywords
SAR image classification
Supervised learning
Noisy labels
Probability Transition Convolutional Neural Network （PTCNN）
Deep features
分类号
TN957.52 [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
SAR图像目标识别的可解释性问题探讨
郭炜炜
张增辉
郁文贤
孙效华
《雷达学报（中英文）》
CSCD
北大核心
2020
25
在线阅读
下载PDF
职称材料
2
高分三号NSC模式SAR图像舰船目标检测初探
刘泽宇
柳彬
郭炜炜
张增辉
张波
周月恒
马高
郁文贤
《雷达学报（中英文）》
CSCD
2017
15
在线阅读
下载PDF
职称材料
3
基于概率转移卷积神经网络的含噪标记SAR图像分类
赵娟萍
郭炜炜
柳彬
崔世勇
张增辉
郁文贤
《雷达学报（中英文）》
CSCD
2017
11
在线阅读
下载PDF
职称材料
已选择
0
条
导出题录
引用分析
参考文献
引证文献
统计分析
检索结果
已选文献
上一页
1
下一页
到第
页
确定
用户登录
登录
IP登录
使用帮助
返回顶部
