高分辨率遥感影像场景的多尺度神经网络分类法

高分辨率遥感影像场景分类是实现复杂场景快速自动识别的基础,在军事、救灾等领域有十分重要的意义。为了在有限的遥感数据集上获得高识别精度,本文提出了一种基于联合多尺度卷积神经网络模型的高分辨率遥感影像场景分类方法。不同于传统的卷积神经网络模型,JMCNN建立了一个具有3个不同尺度通道的端对端多尺度联合卷积网络模型,包括多通道特征提取器、多尺度特征联合和Softmax分类3个部分。首先,多通道特征提取器提取图像中、高层多尺度特征;然后,多尺度特征联合对多个通道的中、高层多尺度特征进行多次融合以增强特征表达;最后,Softmax对高层特征进行分类。本文在UC Merced和SIRI遥感数据集进行测试,试验表明JMCNN模型在特征表达和计算速度方面均有显著提高,在小样本数据量下分别达到89.3%和88.3%的识别精度。

空时联合处理分辨性能下界的研究

针对相控阵雷达阵列天线空时快拍数据模型,研究空时二维联合分辨下界(STJRL,简称联合下界).从检测理论出发,采用最小错误概率准则,给出了联合下界关于信噪比、空时信号波形、分辨概率的表达式.联合下界表达式与一维分辨下界比较表明空时二维联合分辨充分利用了回波信号在空间频率和多普勒频率上的二维差异,分辨性能优于一维分辨.通过Monte Carlo仿真比较了空时联合分辨下界和信息论准则方法(AIC)、最小描述长度方法(MDL)得到的实验分辨性能,结果表明AIC与MDL方法的δt/δtf～RSN曲线都在联合分辨理论下界曲线之上,而似然比检测器δt/δtf～RSN曲线与空时联合分辨下界曲线符合得很好.