Torch7平台上基于CNN的SAR图像变化检测
来源:互联网 发布:淘师湾算法与问题解决 编辑:程序博客网 时间:2024/05/22 17:24
1 SAR图像变化检测步骤 :
(1)获取原始SAR图像的对数比值图像;
(2)将得到的数据按照一定的方式转化为Tensor格式的数据,以作为CNN的输入;
(3)构建CNN模型;
(4)训练;
(5)测试。
2 卷积神经网络
参考资料,可以参考zouxy09的博客,写得很详细:
http://blog.csdn.net/zouxy09/article/details/8781543
一位外国网友自己实现的CNN,重构LeCunn的实验:
http://www.codeproject.com/Articles/16650/Neural-Network-for-Recognition-of-Handwritten-Digi
还有这篇博客也不错:
http://www.cnblogs.com/nsnow/p/4562308.html
3、CNN模型
本实验使用两层的 CNNs 特征提起,一层的全连接用于非线性的映射,最后添加一层 softmax 用于分类。该实验在 Torch7 平台上实现,代码为 Lua 语言,模型部分的代码如下:
net = nn.Sequential()net:add(nn.SpatialConvolution(1, 6, 5, 5)) -- 1 input image channels, 6 output channels, 5x5 convolution kernelnet:add(nn.ReLU())net:add(nn.SpatialMaxPooling(2,2,2,2)) -- A max-pooling operation that looks at 2x2 windows and finds the max.net:add(nn.SpatialConvolution(6, 16, 5, 5))net:add(nn.ReLU())net:add(nn.SpatialMaxPooling(2,2,2,2))net:add(nn.View(16*2*2)) -- reshapes from a 3D tensor of 16x5x5 into 1D tensor of 16*2*2net:add(nn.Dropout(0.5))net:add(nn.Linear(16*2*2, 120)) -- fully connected layer(matrix multiplication between input and weights)net:add(nn.ReLU())net:add(nn.Linear(120, 84))net:add(nn.ReLU())net:add(nn.Linear(84, 2)) -- 2 is the number of outputs of the network (in this case, 2 digits)net:add(nn.LogSoftMax())
4、数据
实验中对每个像素点取其周围 21x21 的 patch 代表该像素点。实验中选择
大约1/3 的样本训练,其余作为样本测试.
本试验所用的数据为Bern数据和Ottawa数据,对图像以像素点为中心,进行 21×21 的取块,其中每一个块代表一个点,对每个块运用 CNN 分类。边缘部分的点进行镜像拓展处理。
最终Bern数据的准确率达到99%,Ottawa数据的准确率达到97%.
5、总结
由于做的比较仓促,没有将最后的数据转化为图片,且正确率有待提高。
- Torch7平台上基于CNN的SAR图像变化检测
- SAR图像变化检测的评价方法
- SAR图像变化检测的评价指标
- torch平台上利用K-means方法实现SAR图像变化检测
- 基于qualcomm平台实现心率变化的检测功能
- Torch7平台上显示图片的几种方法
- Android平台上利用opencv进行图像的边沿检测
- Android平台上利用opencv进行图像的边沿检测
- SAR图像处理平台的继续开发与维护
- 基于R-CNN的物体检测
- 基于R-CNN的物体检测
- 基于 CNN的年龄和性别检测
- 基于R-CNN的物体检测
- 基于R-CNN的物体检测
- 基于R-CNN的物体检测
- 基于R-CNN的物体检测
- 基于R-CNN的物体检测
- 基于R-CNN的物体检测
- jquery 绑定事件累加
- nginx+tomcat集群高可用
- 06 YARN Setup
- java学习---集合
- ios之手动内存管理
- Torch7平台上基于CNN的SAR图像变化检测
- 学着使用CSDN-markdown编辑器
- ios单例传值
- 深入理解计算机系统(3)
- 07 GCloud Setup
- Caffe的Solver参数设置
- UVA 1395 Slim Span(kruskal算法)
- 08 Running Flink on YARN leveraging Tez
- 解决网络丢包问题及故障判断方法