【摘 要】
：
极化合成孔径雷达是一种高精度成像雷达,可以获得丰富的目标和土地覆盖信息,极化合成孔径雷达不仅成像分辨率高,而且还具有全天候对地观测的特点,在运转时不会因为光照、气候等条件而受到干扰,甚至可以穿透掩盖物获取其覆盖的信息。合成孔径雷达这些优点使得其在农业、环境、地质和军事等领域得到了广泛应用。传统的极化SAR图像分类方法通常会忽略掉极化SAR图像像素点之间的空间信息,分类效果常常达不到预期。本文的主要
论文部分内容阅读
极化合成孔径雷达是一种高精度成像雷达,可以获得丰富的目标和土地覆盖信息,极化合成孔径雷达不仅成像分辨率高,而且还具有全天候对地观测的特点,在运转时不会因为光照、气候等条件而受到干扰,甚至可以穿透掩盖物获取其覆盖的信息。合成孔径雷达这些优点使得其在农业、环境、地质和军事等领域得到了广泛应用。传统的极化SAR图像分类方法通常会忽略掉极化SAR图像像素点之间的空间信息,分类效果常常达不到预期。本文的主要工作就是基于循环网络的极化SAR图像分类方法研究,以长短期记忆网络为基础,构造极化SAR空间序列,将其应用于极化SAR图像分类中,主要工作如下:（1）针对传统极化SAR图像分类方法造成的空间信息丢失的问题,本文提出了基于注意力机制的深度序列网络极化SAR图像分类方法。该方法通过空间序列增加像素之间的空间信息。首先,LSTM网络将时间序列转换为空间序列以提取空间特征。然后,提出了一种基于LSTM的空间增强策略来增强像素空间信息之间的关系。最后,为了避免特征选择过程,在LSTM网络中引入了注意力机制来选择重要信息并提高分类性能。实验结果表明,所提出的空间增强LSTM网络能够增加像素点之间的空间信息,在使用少量样本的情况下也能取得较好的分类效果。（2）为了弥补传统极化SAR图像分类方法提取特征能力弱的问题,本文提出了基于空间注意力机制的多尺度空间增强LSTM极化SAR图像分类方法。该方法由自动特征提取器、选择器和分类器组成,不需要提取和选择特征来实现端到端分类。在不同的输入序列数据之间构建一个高级特征的多尺度融合,以增加多尺度的空间特征,减少以不同顺序输入序列数据的影响。最后定义一个新的损失函数,以降低网络过拟合的风险,提高分类结果。实验结果表明,所提方法能够弥补特征提取过程中造成的信息丢失问题,在方法中加入空间注意力机制能够提高模型的分类准确率。（3）针对传统极化SAR图像分类方法不考虑极化SAR图像物理特性的问题,本文提出了基于物理引导机制的极化SAR分类方法。该方法首先对极化SAR数据的协方差矩阵进行Freeman-Durden分解,将极化SAR数据分解成体散射Pv、表面散射Ps和二面角散射Pd,三种散射机理。其次,将这三种散射机理输入到深度自动编码器中进行训练。然后,利用所选取的带有标签的数据对空间增强LSTM网络进行训练。最后,通过迁移学习,对两个模型进行迁移,将提取出的物理特征和高级特征进行融合,通过Softmax进行分类,取得最终的结果。实验结果表明,基于物理引导的极化SAR图像分类方法能够提高分类准确率。
其他文献
极化合成孔径雷达（Polarimetric Synthetic Aperture Radar,Pol SAR）是一种强大的微波成像技术,可以提供全天候的地球表面的目标信息。与其他遥感影像相比,极化SAR图像能够以四种极化组合（HH、HV、VH和VV）发射和接收电磁波,从而提供更丰富的信息。由于这些特点,极化SAR技术在图像解译方面具有很高的实际应用价值,如图像分类、目标识别和检测任务,其中,极化S
基于深度神经网络（Deep Neural Network,DNN）实现的自动驾驶系统图像识别模型中,主要通过部署摄像头和激光雷达等设备收集驾驶场景信息。但现实驾驶场景广泛且复杂,手动收集训练样本时很可能会忽略大部分极端情况下的图像样本,这会导致模型无法学习到极端驾驶环境下的决策信息,从而导致严重的交通事故。除此之外,已有研究表明DNN很容易受到对抗样本的攻击,恶意攻击者通过对输入样本添加人眼无法识
全基因组关联研究（Genome-wide association study,GWAS）是研究人类复杂疾病致病原因最重要的方向之一。目前,通过GWAS对单个单核苷酸多态性（Single nucleotide polymorphism,SNP）位点与疾病的关联性分析目前已取得了显著的成果。由于复杂疾病的致病因子复杂多样,单个SNP位点的关联性分析对复杂疾病致病机制的解释效果十分有限,而多个SNP之间
会话情感识别作为情感识别任务的一个重要组成部分,在自然语言处理、文本挖掘等领域得到持续关注。会话情感识别任务旨在捕捉用户在会话中的情感动态,其在对话系统、舆情挖掘、法律审判、采访、电子医疗服务等方面具有重要的应用前景。随着社交媒体的普及,越来越多的用户选择在网络上表达自己的观点,而用户在表达观点的过程中经常依靠一些常识知识,同时会话中也经常存在让谈话者产生某种情绪的原因。由于现有的模型缺乏常识认知
随着物联网设备数量的快速增长,物联网设备固件的安全性问题愈发不容忽视。同时,由于软件需求的不断迭代,为了能够尽快完成开发任务,软件开发者常常从其他项目中查找功能相关的代码,并移植到自己的项目中。然而,这些被复用的代码或组件可能包含潜在的缺陷甚至漏洞。由于物联网设备的源码不开放、修复成本较高等特殊性,物联网设备固件面临更加突出的安全问题。为了解决该问题,一种主流的思路是将包含缺陷或漏洞的代码视作查询
文本匹配作为自然语言处理中的一项基本任务,广泛应用于信息检索、文本挖掘等领域。在实际应用中,文本匹配任务仍面临诸多挑战。现有主流的文本匹配模型通常存在一词多义、语义信息捕获不准确等问题,导致句子的上下文信息和隐含的语义信息不能被有效提取,造成准确率较低。为了解决以上问题,本文提出交叉知识增强的文本语义匹配模型,该模型基于全局-局部交叉知识增强和细粒度交叉知识增强的语义匹配方法实现。本文的主要研究工
随着我国老人的增多,老年疾病患病率也随之增高。在老年骨病患者中,绝大多数病症都与股骨相关。目前国内针对股骨近端骨折的主要治疗方法为髋关节假体置换。而这些假体大部依赖于进口。根据西安交通大学第二附属医院和中国人民解放军总医院的临床实践表明,目前进口的假体和钢板并不能很好匹配国人的股骨形状,造成术后恢复效果差。股骨参数测量可以辅助医生设计人工假体,同时还可以协助医生选择适合手术方案和器械。此外利用测量
深度神经网络（Deep Neural Network,DNN）作为人工智能最杰出的代表,被广泛应用于各个领域。然而,近期研究表明,高精度DNN模型极易受到对抗样本的攻击。对抗样本是人为经过特定对抗攻击算法所生成的恶意攻击样本,能在不影响人类正常视觉辨别的同时,使DNN模型产生高置信度的预测错误或分类错误。对抗样本揭露了DNN易被攻击的特性,是DNN巨大的安全漏洞。因而提升DNN对对抗样本的防御能力
引线框架作为半导体芯片的载体,是半导体封装领域所用到的重要基础原材料,主要用来保护半导体芯片免受外界物理或化学因素的损害,并同时用作导通介质。引线框架的生产方式是利用引线框架掩模在曝光机上对生产原材料（铜基板）进行曝光,将曝光后的半成品进行显影、蚀刻、电镀等工序后获得成品。若曝光环节出现的缺陷未被检出,会导致后续环节中的错误进一步扩大,所以生产厂商都会在曝光环节设立检测点。引线框架曝光缺陷尺寸微小