用于地物图像分类的神经网络的构造

对神经网络在模式识别中的应用进行了研究 ,针对军用点状地物识别这一具体问题 ,比较了径向基函数网络和多层感知器神经网络 ,提出了一种径向基函数三阶自相关神经网络 ,设计出一种自适应隐层单元个数选取算法 ,并把构造的分类器用于地物图像的分类实验 ,结果表明该算法能很好的自适应控制网络规模 ,网络模型具有任意平移不变性和很快的训练速度 。

基于半监督空间-通道选择性卷积核网络的极化SAR图像地物分类

针对极化合成孔径雷达(极化SAR)图像地物分类中标注样本数量少的问题,该文提出一种基于空间-通道选择性卷积核全卷积网络(SCSKFCN)和预选-联合优化半监督学习(SPUO)的极化SAR图像地物分类方法。SCSKFCN通过使用空间和通道注意力机制,对不同感受野的特征进行自适应加权融合,有效提升了模型的分类性能。SPUO能够高效地利用标注样本,挖掘无标注样本中蕴含的信息。它采用K-Wishart距离进行样本预选并生成伪标签,然后在联合优化阶段使用真实标注样本和伪标注样本同时对模型进行优化。在模型优化过程中,SPUO对伪标注样本进行两步验证并筛选可靠的伪标注样本参与优化。实验结果表明,该方法能够在只使用少量标注样本的条件下实现高精度、高效率的极化SAR图像地物分类。