基于matlab的SAR图像中自动目标识别

news2024/11/23 17:25:25

一、前言

此示例演示如何使用深度学习工具箱和并行计算工具箱™™训练基于区域的卷积神经网络 (R-CNN) 以识别大场景合成孔径雷达 (SAR) 图像中的目标。

深度学习工具箱提供了一个框架,用于设计和实现具有算法、预训练模型和应用程序的深度神经网络。

并行计算工具箱允许您使用多核处理器、GPU 和计算机集群解决计算和数据密集型问题。它使您能够直接从 MATLAB 使用 GPU®,并加速深度学习算法所需的计算能力。

基于神经网络的算法在从自然场景检测到医学成像等多个领域都取得了显著成就。与标准检测算法相比,它们显示出巨大的改进。受这些进步的启发,研究人员努力将基于深度学习的解决方案应用于SAR成像领域。在本例中,该解决方案已应用于解决目标检测和识别问题。本文采用的R-CNN网络不仅解决了检测和识别一体化的问题,而且提供了可扩展到大场景SAR图像的有效且高效的性能解决方案。

此示例演示如何:

下载数据集和预训练模型

加载和分析图像数据

定义网络架构

指定训练选项

训练网络

评估网络

为了说明此工作流,该示例使用了空军研究实验室发布的移动和静止目标采集和识别 (MSTAR) 杂波数据集。数据集可在此处下载。或者,该示例还包括用于展示工作流的数据子集。目标是开发一个可以检测和识别目标的模型。

二、下载数据集

此示例使用 MSTAR 待筛选数据数据集的子集,该子集包含 300 个训练和 50 个测试待筛选图像,具有五个不同的目标。数据是在聚光灯模式下使用X波段传感器以一英尺分辨率收集的。数据包含农村和城市类型的杂乱。使用的目标类型是BTR-60(装甲车),BRDM-2(战车),ZSU-23 / 4(坦克),T62(坦克)和SLICY(多个简单的几何形状静态目标)。这些图像是在15度的凹陷角下拍摄的。杂波数据存储在 PNG 图像格式中,相应的真实数据存储在文件中。该文件包含五个类的二维边界框信息,它们是SLICY,BTR-2,BRDM-60,ZSU-2 / 23和T4用于训练和测试数据。数据集的大小为 62.1 GB

使用此示例末尾定义的帮助程序函数下载数据集。

根据您的互联网连接,下载过程可能需要一些时间。代码暂停 MATLAB® 执行,直到下载过程完成。或者,使用 Web 浏览器将数据集下载到本地磁盘并提取文件。使用此方法时,请将示例中的 <outputFolder> 变量更改为下载文件的位置。

三、下载预训练网络

使用此示例末尾定义的帮助程序函数从此处的链接下载预训练网络。预训练模型允许您运行整个示例,而无需等待训练完成。

四、加载数据集

加载真实数据(训练集和测试集)。这些图像的生成方式是,它将目标芯片放置在背景杂波图像上的随机位置。待筛选图像是根据下载的原始数据构建的。生成的目标将用作地面实况目标来训练和测试网络。

真实数据存储在六列表中,其中第一列包含图像文件路径,第二列至第六列包含不同的目标边界框。

显示其中一个训练图像和框标签以可视化数据。

编辑切换为居中

添加图片注释,不超过 140 字(可选)

五、定义网络架构

为五个目标创建一个 R-CNN 对象检测器:SLICY、BTR_60、BRDM_2、ZSU_23_4、T62。

网络必须能够对五个目标和一个背景类进行分类,以便使用深度学习工具箱™中提供的函数进行训练。添加到下面的代码中以包含背景类。网络的最后一个全连接层定义了它可以分类的类数。

现在,这些网络层可用于训练基于R-CNN的五类对象检测器。

六、训练速度更快 R-CNN

用于训练 R-CNN 对象检测器(如果为 true)。否则,请加载预训练网络。如果训练,请进行调整并确保训练样本与基本事实紧密重叠。

七、在测试图像上评估检测器

要定性了解检测器的功能,请从测试集中选择一个随机图像并通过检测器运行它。检测器应返回它认为检测到的目标所在的边界框集合,以及指示每次检测置信度的分数。

要了解获得的结果,请将结果与测试图像叠加。一个关键参数是检测阈值,即检测器检测到目标的分数。阈值越高,误报越少;但是,它也会导致更多的假阴性。

编辑切换为居中

添加图片注释,不超过 140 字(可选)

八、评估模型

通过按顺序查看图像,您可以了解探测器的性能。要使用整个测试集执行更严格的分析,请通过检测器运行测试集。

测试集中所有图像的可能检测及其边界框可用于计算每个类的检测器平均精度 (AP)。AP是检测器在不同召回级别的精度平均值,因此让我们定义精度和召回率。

编辑切换为居中

添加图片注释,不超过 140 字(可选)

大多数班级的AP大于0.9。其中,经过训练的模型似乎在检测 SLICY 目标方面最困难。但是,它仍然能够实现该类的 AP 为 0.7。

九、总结

此示例展示了如何训练 R-CNN 进行 SAR 图像中的目标识别。预训练网络达到了0.9以上的准确率。

十、程序

使用Matlab R2022b版本,点击打开。(版本过低,运行该程序可能会报错)

打开下面的“XXX.mlx”文件,点击运行,就可以看到上述效果。

方式一:程序下载

方式二:程序下载二

本文来自互联网用户投稿,该文观点仅代表作者本人,不代表本站立场。本站仅提供信息存储空间服务,不拥有所有权,不承担相关法律责任。如若转载,请注明出处:http://www.coloradmin.cn/o/344035.html

如若内容造成侵权/违法违规/事实不符,请联系多彩编程网进行投诉反馈,一经查实,立即删除!

相关文章

MyBatis_自定义映射resultMap

自定义映射resultMap 文章目录自定义映射resultMap创建数据表实体类字段名和属性名不一致(三种方式)取别名设置全局配置设置resultMap处理多对一的映射关系(三种方式)级联方式处理association分步查询处理一对多的映射关系(两种方式)collection分步查询创建数据表 复制进MySQL…

强化学习笔记-03有限马尔可夫决策过程MDP

本文是博主对《Reinforcement Learning- An introduction》的阅读笔记&#xff0c;不涉及内容的翻译&#xff0c;主要为个人的理解和思考。 前文我们了解了强化学习主要是为了实现最大化某个特定目标&#xff08;收益&#xff09;&#xff0c;而学习如何通过环境进行交互。 而学…

PCI Express体系结构导读_3PCI总线的数据交换--读书笔记

前言本文为读书笔记&#xff0c;如有误可以指正&#xff0c;一块学习交流本章节主要介绍两种类型的数据传输&#xff1a;a- host读写pci设备的bar寄存器。b- pci设备通过DMA方式读写内存。对于PCI设备读写其他PCI设备的bar寄存器只了解3.1- pci设备bar空间的初始化3.1.1 内存域…

33复杂美:一文看懂加密算法为何物

加密算法 &#xff0c;区块链底层技术的心脏究竟为何物&#xff1f;加密&#xff0c;简而言之&#xff0c;加密就是借助一种或多种算法将明文信息转换成密文信息&#xff0c;信息的接收方通过密钥对密文信息进行解密获得明文信息的过程。根据加解密的密钥是否相同&#xff0c;加…

C++:类和对象(下)

文章目录1 再谈构造函数1.1 构造函数体赋值1.2 初始化列表1.3 explicit关键字2 static成员2.1 概念2.2 特性3 友元3.1 友元函数&#xff08;流插入&#xff08;<<&#xff09;及流提取&#xff08;>>&#xff09;运算符重载&#xff09;3.2 友元类4 内部类5 匿名对…

使用脚本以可读的 JSON 格式显示 curl 命令输出

在我们经常调试微服务或者使用 Elasticsearch API 时&#xff0c;经常会使用curl 来进行调试。但是有时我们的输出不尽如意。显示的不是一 pretty 格式进行输出的。我们有时还必须借助于其他的一些网站工具&#xff0c;比如 Best JSON Formatter and JSON Validator: Online JS…

叮!一大波来自客户的感谢信

春风渐暖&#xff0c;美好如期&#xff0c;祝福的话语在日子的酝酿里更值得期待。神策数据走过 7 载春秋&#xff0c;描绘的大数据分析和营销科技图景在时间的打磨下清晰可见。时光沉淀经验&#xff0c;匠心兑换卓越&#xff0c;这条终点叫做「帮助中国三千万企业重构数据根基&…

类与对象(上)

类与对象(上) 1.面向过程和面向对象初步认识 C语言是面向过程的&#xff0c;关注的是过程&#xff0c;分析出求解问题的步骤&#xff0c;通过函数调用逐步解决问题。 C是基于面向对象的&#xff0c;关注的是对象&#xff0c;将一件事情拆分成不同的对象&#xff0c;靠对象之间…

vite从零创建react-ts项目

1.创建vite-react-ts文件夹&#xff0c;初始化项目 npm init 初始化后可以看到包管理文件package.json 2.项目结构 根目录下新建index.html模板文件。以往都是放在public文件夹的&#xff0c;但是官方推荐放在根目录。这是有意而为之的&#xff1a;在开发期间 Vite 是一个服…

qt之条形码与二维码的生成

一、简介 条形码&#xff1a; 条形码(barcode)是将宽度不等的多个黑条和空白&#xff0c;按照一定的编码规则排列&#xff0c;用以表达一组信息的图形标识符。常见的条形码是由反射率相差很大的黑条&#xff08;简称条&#xff09;和白条&#xff08;简称空&#xff09;排…

探讨接口测试以及其用例设计方法

接口测试的总结文档 第一部分&#xff1a;主要从问题出发&#xff0c;引入接口测试的相关内容并与前端测试进行简单对比&#xff0c;总结两者之前的区别与联系。但该部分只交代了怎么做和如何做&#xff1f;并没有解释为什么要做&#xff1f; 第二部分&#xff1a;主要介绍为什…

数据结构:带环单链表基础OJ练习笔记(leetcode142. 环形链表 II)(leetcode三题大串烧)

目录 一.前言 二.leetcode160. 相交链表 1.问题描述 2.问题分析与求解 三.leetcode141. 环形链表 1.问题描述 2.代码思路 3.证明分析 下一题会用到的重要小结论&#xff1a; 四.leetcode142. 环形链表 II 1.问题描述 2.问题分析与求解 Judgecycle接口&#xf…

婴儿监视器美国亚马逊CPC认证ASTM F2951标准要求?

婴儿监视器&#xff0c;又称婴儿监听器、婴儿监护器&#xff0c;英文名为( baby monitor其主要用于用于居家和婴儿的监听和护理。欧美市场上广泛使用&#xff0c;已经存在30年历史的 Baby Monitor是采用现代无线电技术应用于居家和婴儿的监听和护理的好帮手。婴儿监护器由看器(…

基于Jeecgboot前后端分离的ERP系统开发系列--出库单(1)

这次从出库单开始进行整个单据录入显示的模板&#xff0c;不再采用默认的online表单代码生成的方式&#xff0c;以满足实际的业务需要&#xff0c;当然刚开始做&#xff0c;以后还需要进行改进。 一、首先单号生成 采用系统开发里的代码编码规则&#xff0c;相应的修改增加代码…

7、MyBatis框架——MyBatis对一对一关系的处理、分步查询、MyBatis对一对多关系的处理

目录 一、项目框架搭建 二、在实体类中添加额外属性实现多表查询 1、mybatis两表关联查询 &#xff08;1&#xff09;实体类类型映射规则 &#xff08;2&#xff09;代码演示 2、分步查询 &#xff08;1&#xff09;autoMapping开启自动映射 &#xff08;2&#xff09;…

Python-正则表达式详解-快速掌握正则表达式核心函数

正则表达式为为高级的文本模式匹配、抽取或文本形式的搜索和替换功能提供了基础。本文主要介绍python正则表达式的一些基础功能&#xff0c;掌握它也可以使得在python编程中处理字符串游刃有余。1.简介正则表达式是一些由字符和特殊符号组成的字符串&#xff0c;匹配一系列有相…

Ansible的安装及部署

目录 一、Ansible对于企业运维的重大意义 二、Ansible的安装 三、构建Ansible清单 1.直接书写受管主机名或ip&#xff0c;每行一个 2.设定受管主机的组[组名称] 四、Ansible配置文件参数详解 1、配置文件的分类与优先级 2.配置新用户的Ansible配置 3.生成免密认证 本章…

算法 ——世界 二

个人简介&#xff1a;云计算网络运维专业人员&#xff0c;了解运维知识&#xff0c;掌握TCP/IP协议&#xff0c;每天分享网络运维知识与技能。个人爱好: 编程&#xff0c;打篮球&#xff0c;计算机知识个人名言&#xff1a;海不辞水&#xff0c;故能成其大&#xff1b;山不辞石…

Linux管道选取命令:cut、grep

选取命令就是将一段数据经过分析后&#xff0c;取出我们所想要的&#xff0c;或是经历分析关键词&#xff0c;取得我们所想要的那一行 一般来说&#xff0c;选取信息通常是针对一行一行来分析的&#xff0c;而不是整篇信息分析 下面介绍两个很常用的信息选取命令&#xff1a;…

Numpy基础与实例——人工智能基础——机器学习

文章目录一、Numpy概述1. 优势2. numpy历史3. Numpy的核心&#xff1a;多维数组4. 内存中的ndarray对象4.1 元数据&#xff08;metadata&#xff09;4.2 实际数据二、numpy基础1. ndarray数组2. arange、zeros、ones、zeros_like3. ndarray对象属性的基本操作3.1 修改数组维度3…