研究目的
提出一种针对合成孔径雷达图像的新型变化检测框架，该框架能在语义层面识别特定类型的变化，解决了传统方法仅提取变化区域而无法进行内容识别的局限性。
研究成果
所提出的框架能在语义层面有效检测合成孔径雷达图像的变化，精准识别变化内容，具有高精度和低虚警率，优于现有方法。
研究不足
受训练集完整性的限制，该框架的准确率通常处于变化区域的边缘。
1：实验设计与方法选择：
该框架结合无监督学习（RCAE用于特征提?。┖陀屑喽窖埃―NN用于分类）来检测语义层面的变化。采用视觉词袋模型进行语义分析。
2：样本选择与数据来源：
使用大量港口区域的SAR图像切片作为训练集，包含人工建筑、水域、船只、山体等典型内容。测试图像来自分辨率1米、尺寸800×800像素的沿海区域。
3：1米、尺寸800×800像素的沿海区域。 实验设备与材料清单：
3. 实验设备与材料清单：配备Intel I7-8700 CPU和NVIDIA Quadro 4000 GPU的工作站，软件基于Keras和Theano后端实现，CUDA 8.0环境。
4：0环境。 实验流程与操作步骤：
4. 实验流程与操作步骤：通过滑动窗口（25×25像素，步长1像素）对SAR图像切片，输入RCAE获取直方图表征，计算差异向量，采用FLICM分割变化区域，通过DNN对差异向量分类以识别变化内容。
5：数据分析方法：
采用均方误差（MSE）评估RCAE性能，通过交叉验证测量分类准确率，并基于虚警率和总体准确率与现有方法进行对比。
独家科研数据包，助您复现前沿成果，加速创新突破
获取完整内容-
GPU
Quadro 4000
NVIDIA
Graphics processing unit for accelerating computations, supported by CUDA.
-
Software
CUDA
NVIDIA
Parallel computing platform for GPU acceleration.
-
CPU
I7-8700
Intel
Processing unit for running the software and computations.
-
Software
Keras
Deep learning framework used for implementing the neural networks.
-
Software
Theano
Backend for Keras to handle numerical computations.
-
登录查看剩余3件设备及参数对照表
查看全部
