[go: up one dir, main page]

CN114169402A - 一种基于门控循环单元的探地雷达地下空洞目标自动识别方法 - Google Patents

一种基于门控循环单元的探地雷达地下空洞目标自动识别方法 Download PDF

Info

Publication number
CN114169402A
CN114169402A CN202111354267.7A CN202111354267A CN114169402A CN 114169402 A CN114169402 A CN 114169402A CN 202111354267 A CN202111354267 A CN 202111354267A CN 114169402 A CN114169402 A CN 114169402A
Authority
CN
China
Prior art keywords
ground penetrating
penetrating radar
image
underground cavity
hidden state
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Granted
Application number
CN202111354267.7A
Other languages
English (en)
Other versions
CN114169402B (zh
Inventor
白旭
张洋
郭士増
张佳岩
罗雪溶
冯鹏飞
刘金龙
温志涛
杨彧
田昊翔
崔海涛
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Dalian Zhongrui Science & Technology Development Co ltd
Harbin Institute of Technology Shenzhen
Original Assignee
Dalian Zhongrui Science & Technology Development Co ltd
Harbin Institute of Technology Shenzhen
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Dalian Zhongrui Science & Technology Development Co ltd, Harbin Institute of Technology Shenzhen filed Critical Dalian Zhongrui Science & Technology Development Co ltd
Priority to CN202111354267.7A priority Critical patent/CN114169402B/zh
Publication of CN114169402A publication Critical patent/CN114169402A/zh
Application granted granted Critical
Publication of CN114169402B publication Critical patent/CN114169402B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING OR CALCULATING; COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/24—Classification techniques
    • G—PHYSICS
    • G06—COMPUTING OR CALCULATING; COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
    • G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
    • G—PHYSICS
    • G06—COMPUTING OR CALCULATING; COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/045—Combinations of networks
    • G—PHYSICS
    • G06—COMPUTING OR CALCULATING; COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/048—Activation functions
    • G—PHYSICS
    • G06—COMPUTING OR CALCULATING; COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Artificial Intelligence (AREA)
  • General Physics & Mathematics (AREA)
  • General Engineering & Computer Science (AREA)
  • Evolutionary Computation (AREA)
  • Biophysics (AREA)
  • Computational Linguistics (AREA)
  • Software Systems (AREA)
  • Mathematical Physics (AREA)
  • Health & Medical Sciences (AREA)
  • Biomedical Technology (AREA)
  • Computing Systems (AREA)
  • Molecular Biology (AREA)
  • General Health & Medical Sciences (AREA)
  • Evolutionary Biology (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Radar Systems Or Details Thereof (AREA)

Abstract

本发明提供一种基于门控循环单元的探地雷达地下空洞目标自动识别方法。所述门控循环神经网络的GRU有两个门：重置门和更新门；重置门主要决定了到底有多少过去的信息需要遗忘，根据输入xt，当前重置门的输出rt和上一时间步隐藏状态ht‑1得到候选隐藏状态
Figure DDA0003356887790000011
如果重置门近似0，上一个隐藏状态将被丢弃；而更新门帮助模型决定到底要将多少信息传递到未来，或到底前一时间步和当前时间步的信息有多少是需要继续传递的，更新门zt根据上一时间步的隐藏状态ht‑1和当前时间步的候选隐藏状态
Figure DDA0003356887790000012
得到当前的隐藏状态ht；重置门和更新门的激活函数σ是sigmoid函数。本发明解决现有方法难以检测识别地下空洞目标的问题。

Description

一种基于门控循环单元的探地雷达地下空洞目标自动识别 方法
技术领域
本发明属于探地雷达回波图后处理的目标检测领域；具体涉及一种基于门控循环单元网络模型的探地雷达地下空洞目标自动识别方法。
背景技术
探地雷达是一种用于在浅层地下环境进行无损探测的探测仪器。探地雷达利用地下介质中电磁介电常数的差异，将这些差异作为参数的不同在雷达回波数据中进行体现，通过对回波数据进行处理即可实现高效探测并直观地认识地下环境的分布。为了直观呈现回波数据从而进行人工分析，常用的方法是横向列出多通道回波数据，在探地雷达分析中常用的数据形式B-Scan图像正基于此。
探地雷达作为一种速度快、分辨率高且无损的重要地球物理方法，在地下空洞隐患探测研究与工程实践中具有重要的意义与价值。探地雷达技术能够适用于各种路况，且不会对路面产生不可逆破坏，其检测结果具有实时性好和精度高的特点，满足公路病害检测对于应用范围广、无损以及高效准确的要求，贴合道路地下空洞的探测任务。探地雷达系统可由单一或复数对发射和接收天线组成，每对发射机、接收机可以通过扫描候选区域来采集单张B-Scan图像，通过对B-Scan图像的分析与验证即可获知地下环境分布情况。目前实际工程中采集到的B-Scan图像需要人工进行判读和解译，这种方法效率低下且漏检或虚检的问题屡见不鲜。利用目前主流的部分深度学习方法对地下空洞目标进行检测与识别也存在问题。经过确认、验证、定位以获得地下空洞的相关模式信息，在工程上是困难的，且地下空洞在B-Scan图像中的模式与形状并非固定，获取大量地下空洞样本也是要求较高的工程任务。
发明内容
本发明提供一种基于门控循环单元的探地雷达地下空洞目标自动识别方法，用以解决现有方法难以检测识别地下空洞目标的问题。
本发明通过以下技术方案实现：
一种基于门控循环单元的探地雷达地下空洞目标自动识别方法，所述自动识别方法包括以下步骤：
步骤1：对已获取的探地雷达地下空洞目标的回波图像进行预处理，得到横向波纹受到抑制的处理后探地雷达回波图像；
步骤2：对步骤1生成的探地雷达回波图像进行预筛选，明确标记空洞目标像素位置；
步骤3：利用步骤2中已标记的数据进行图像增广处理，得到增广后的具有相似特征的探地雷达回波图像；
步骤4：利用步骤3的增广图像数据集，使用边缘直方图描述符、方向梯度直方图或Log-Gabor滤波器进行特征提取，进行标准化，得到特征向量数据集；
步骤5：将步骤4获得的数据集分为训练集和验证集，对门控循环神经网络进行训练，得到权重模型；所述门控循环神经网络的GRU有两个门：重置门和更新门；重置门主要决定了到底有多少过去的信息需要遗忘，根据输入xt，当前重置门的输出rt和上一时间步隐藏状态ht-1得到候选隐藏状态
Figure BDA0003356887770000021
如果重置门近似0，上一个隐藏状态将被丢弃；而更新门帮助模型决定到底要将多少信息传递到未来，或到底前一时间步和当前时间步的信息有多少是需要继续传递的，更新门zt根据上一时间步的隐藏状态ht-1和当前时间步的候选隐藏状态
Figure BDA0003356887770000022
得到当前的隐藏状态ht；重置门和更新门的激活函数σ是sigmoid函数；
步骤6：将步骤5获得的权重模型，对地下空洞目标探地雷达回波图像进行目标识别分类。
进一步的，所述步骤1对已获取的探地雷达地下空洞目标的回波图像进行预处理具体为，对已获取的探地雷达地下空洞目标的回波图像进行驻波的去除和图像的滤波，其中通过直接截取的方式进行驻波的去除，使用横向均值滤波方法进行滤波，得到横向波纹受到抑制的探地雷达回波图像。
进一步的，所述步骤2具体为，使用恒虚警率检测对地下空洞图像进行能量检测，并对孤立的异常能量区域进行滤除，将得到的图像进行模糊化处理，最后对空洞的相关像素进行位置标记，明确每个子像素是否属于空洞。
进一步的，所述步骤3具体为，对预处理和预筛选后的空洞图像进行翻转与加噪处理，增广得到水平镜像变换、高斯加噪和水平镜像变换并进行高斯加噪的多种图像。
进一步的，所述步骤4得到特征向量数据具体为，所述边缘直方图描述符利用5种不同角度的滤波器对图像中的图像块的方向进行确定；所述方向梯度直方图将图像分为一定大小的单元，在单元上对梯度值进行分类；所述Log-Gabor滤波器使用2种不同的尺度和5个角度方向对图像的角度特征进行提取；对提取到的特征数据使用3种方式进行标准化，即最小值-最大值缩放、标准缩放和鲁棒缩放。
进一步的，所述步骤5具体为，所述的门控循环单元网络沿用了循环神经网络的主体结构，把RNN单元改成了GRU单元，GRU单元分为单层和双层结构。
进一步的，所述步骤6具体为，使用训练过的深度学习模型，将未输入过该系统的探地雷达地下空洞目标回波图像进行特征提取并输入模型，自动对地下空洞目标探地雷达回波图像进行目标识别。
本发明的有益效果是：
本发明对已有的探地雷达地下空洞目标回波图像进行预处理和预筛选，将得到的图像进行加噪与翻转完成探地雷达回波图像增广工作，再根据输出结果使用三种不同的特征提取方式进行特征提取，根据提取的特征进行门控循环神经网络的训练及识别，将输出结果用于实现探地雷达回波图像地下空洞目标识别，采用本发明的方法对探地雷达回波图的地下空洞目标进行检测可以有效的提高识别概率。
本发明可以将地下空洞目标识别概率提高到90％以上。
实际中探地雷达采集地下空洞相关数据时，由于地下空洞的形状是随机且难以预测的，同时其深度、尺寸、位置都是未知的，这就对其本身的数据采集和后续的基于深度学习的分类和探测产生了较大的阻碍。本发明的目的利用边缘直方图描述符、方向梯度直方图和Log-Gabor滤波器提取探地雷达回波图中的地下空洞目标特征，根据提取到的特征对门控循环单元网络进行训练，利用所得模型实现探地雷达地下空洞目标回波图像识别。
附图说明
图1是本发明基于门控循环单元的探地雷达地下空洞目标自动识别方法的流程图。
图2是门控循环单元结构图。
图3是已获取的单张地下空洞目标的探地雷达回波图像。
图4是单张地下空洞目标的探地雷达回波图像预处理后的图像。
图5是单张地下空洞目标的探地雷达回波图像预筛选后的图像。
图6是生成的具有与已知单张地下空洞探地雷达图像相似分布的探地雷达回波图。
图7是使用三种方式对单张地下空洞目标的探地雷达回波图像进行特征提取的结果。
表1是不同特征提取与标准化方式下地下空洞目标探地雷达回波图像目标识别效果。
具体实施方式
下面将结合本发明实施例中的附图对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
实施例1
一种基于门控循环单元的探地雷达地下空洞目标自动识别方法，所述自动识别方法包括以下步骤：
步骤1：对已获取的探地雷达地下空洞目标的回波图像进行预处理，得到横向波纹受到抑制的处理后探地雷达回波图像；以使得回波图像特征显著；
步骤2：对步骤1生成的探地雷达回波图像进行预筛选，明确标记空洞目标像素位置；
步骤3：利用步骤2中已标记的数据进行图像增广处理，得到处理后的具有相似特征的探地雷达回波图像；
步骤4：利用步骤3的增广图像数据集，使用边缘直方图描述符、方向梯度直方图、Log-Gabor滤波器等方法进行特征提取，得到特征向量数据集；
步骤5：步骤5：将步骤4获得的数据集分为训练集和验证集，对门控循环神经网络进行训练，得到权重模型；所述门控循环神经网络的GRU有两个门：重置门和更新门；重置门主要决定了到底有多少过去的信息需要遗忘，根据输入xt，当前重置门的输出rt和上一时间步隐藏状态ht-1得到候选隐藏状态
Figure BDA0003356887770000041
如果重置门近似0，上一个隐藏状态将被丢弃；因此，重置门可以用来丢弃与预测无关的历史信息；而更新门帮助模型决定到底要将多少信息传递到未来，或到底前一时间步和当前时间步的信息有多少是需要继续传递的，更新门zt根据上一时间步的隐藏状态ht-1和当前时间步的候选隐藏状态
Figure BDA0003356887770000042
得到当前的隐藏状态ht；重置门和更新门的激活函数σ是sigmoid函数；
重置门有助于捕捉时间序列里短期的依赖关系，更新门有助于捕捉时间序列里长期的依赖关系；
步骤6：将步骤5获得的验证集输入得到的权重模型，对地下空洞目标探地雷达回波图像进行目标识别分类。
进一步的，所述步骤1对已获取的地下空洞目标的探地雷达回波图像进行预处理具体为，对已获取的地下空洞目标的探地雷达回波图像进行驻波的去除和图像的滤波，通过直接截取的方式进行驻波的去除，采用横向均值滤波方法进行滤波，得到横向波纹受到抑制的探地雷达回波图像。
进一步的，所述步骤2对预处理后的图像进行预筛选，并明确标注空洞目标像素位置具体为，对恒虚警检测进行简化和修改，不再设置参考窗，而是在整个图片上对地下空洞图像进行能量检测处理，使用恒虚警检测对地下空洞图像进行能量检测，并对孤立的异常能量区域进行滤除，采用两种方法，第一种是在图像上移动窗口，对每一个窗口内的像素点求均值，若均值小于某一阈值，则将该窗口内的所有像素值设定为0；第二种方法是对每个分离的能量异常区域进行判断，若其占据的像素点数量小于阈值，将该区域内所有像素值设为0。将得到的图像进行模糊化处理，最后对空洞的相关像素进行位置标记，明确每个子像素是否属于空洞。
进一步的，所述步骤3标记的数据进行图像增广处理，得到处理后的具有相似分布的探地雷达回波图像具体为，对预处理和预筛选后的空洞图像进行翻转与加噪处理，增广得到水平镜像变换、高斯加噪和水平镜像变换并进行高斯加噪的多种图像。
进一步的，所述步骤4对增广图像数据集，使用边缘直方图描述符、方向梯度直方图、Log-Gabor滤波器等方法进行特征提取，得到特征向量数据具体为，所述边缘直方图描述符利用5种不同角度(0、36°、72°、108°、144°)的滤波器对图像中的图像块的方向进行确定；所述方向梯度直方图将图像分为一定大小的单元，在单元上对梯度值进行分类；所述Log-Gabor滤波器使用2种不同的尺度(50像素、75像素)和5个角度(0、36°、72°、108°、144°)方向对图像的角度特征进行提取。预先对图像进行分割，使得三种特征提取方式得到的特征向量长度相同。对提取到的特征数据使用3种方式进行标准化，即最小值-最大值缩放、标准缩放和鲁棒缩放。
进一步的，所述步骤5对门控循环神经网络进行训练，得到权重模型具体为，所述的门控循环单元网络沿用了循环神经网络的主体结构，但是把RNN单元改成了GRU单元，分为单层和双层结构；能够更好的捕捉时间序列中的时间步较大的依赖关系；训练参数中学习率为0.005。
由上述可知，门控循环单元是一种常用的门控循环神经网络，相对于RNN引入了门的概念，修改了循环神经网络中隐藏状态的计算方式，保持其输出层的设计方式不变。将训练门控循环神经网络的训练集进行整合，对门控循环神经网络进行训练，其中双层门控循环神经网络使用鲁棒缩放，整体模型结构如图2所示。
进一步的，所述步骤6对地下空洞目标探地雷达回波图像进行目标识别分类具体为，使用训练过的深度学习模型，将未输入过该系统的地下空洞目标探地雷达回波图像进行特征提取并输入模型中，自动对地下空洞目标探地雷达回波图像进行目标识别。
表1不同特征提取与标准化方式下地下空洞目标探地雷达回波图像目标识别效果
(a)门控循环单元网络模型(单层)二维图像识别率
Figure BDA0003356887770000051
Figure BDA0003356887770000061
(b)门控循环单元网络模型(双层，鲁棒缩放)二维图像识别率
Figure BDA0003356887770000062

Claims (7)

1.一种基于门控循环单元的探地雷达地下空洞目标自动识别方法，其特征在于，所述自动识别方法包括以下步骤：
步骤1：对已获取的探地雷达地下空洞目标的回波图像进行预处理，得到横向波纹受到抑制的处理后探地雷达回波图像；
步骤2：对步骤1生成的探地雷达回波图像进行预筛选，明确标记空洞目标像素位置；
步骤3：利用步骤2中已标记的数据进行图像增广处理，得到增广后的具有相似特征的探地雷达回波图像；
步骤4：利用步骤3的增广图像数据集，使用边缘直方图描述符、方向梯度直方图或Log-Gabor滤波器进行特征提取，进行标准化，得到特征向量数据集；
步骤5：将步骤4获得的数据集分为训练集和验证集，对门控循环神经网络进行训练，得到权重模型；所述门控循环神经网络的GRU有两个门：重置门和更新门；重置门主要决定了到底有多少过去的信息需要遗忘，根据输入xt，当前重置门的输出rt和上一时间步隐藏状态ht-1得到候选隐藏状态
Figure FDA0003356887760000011
如果重置门近似0，上一个隐藏状态将被丢弃；而更新门帮助模型决定到底要将多少信息传递到未来，或到底前一时间步和当前时间步的信息有多少是需要继续传递的，更新门zt根据上一时间步的隐藏状态ht-1和当前时间步的候选隐藏状态
Figure FDA0003356887760000012
得到当前的隐藏状态ht；重置门和更新门的激活函数σ是sigmoid函数；
步骤6：将步骤5获得的权重模型，对地下空洞目标探地雷达回波图像进行目标识别分类。
2.根据权利要求1所述一种基于门控循环单元的探地雷达地下空洞目标自动识别方法，其特征在于，所述步骤1对已获取的探地雷达地下空洞目标的回波图像进行预处理具体为，对已获取的探地雷达地下空洞目标的回波图像进行驻波的去除和图像的滤波，其中通过直接截取的方式进行驻波的去除，使用横向均值滤波方法进行滤波，得到横向波纹受到抑制的探地雷达回波图像。
3.根据权利要求1所述一种基于门控循环单元的探地雷达地下空洞目标自动识别方法，其特征在于，所述步骤2具体为，使用恒虚警率检测对地下空洞图像进行能量检测，并对孤立的异常能量区域进行滤除，将得到的图像进行模糊化处理，最后对空洞的相关像素进行位置标记，明确每个子像素是否属于空洞。
4.根据权利要求1所述一种基于门控循环单元的探地雷达地下空洞目标自动识别方法，其特征在于，所述步骤3具体为，对预处理和预筛选后的空洞图像进行翻转与加噪处理，增广得到水平镜像变换、高斯加噪和水平镜像变换并进行高斯加噪的多种图像。
5.根据权利要求1所述一种基于门控循环单元的探地雷达地下空洞目标自动识别方法，其特征在于，所述步骤4得到特征向量数据具体为，所述边缘直方图描述符利用5种不同角度的滤波器对图像中的图像块的方向进行确定；所述方向梯度直方图将图像分为一定大小的单元，在单元上对梯度值进行分类；所述Log-Gabor滤波器使用2种不同的尺度，和5个角度方向对图像的角度特征进行提取；对提取到的特征数据使用3种方式进行标准化，即最小值-最大值缩放、标准缩放和鲁棒缩放。
6.根据权利要求1所述一种基于门控循环单元的探地雷达地下空洞目标自动识别方法，其特征在于，所述步骤5具体为，所述的门控循环单元网络沿用了循环神经网络的主体结构，把RNN单元改成了GRU单元，GRU单元分为单层和双层结构。
7.根据权利要求1所述一种基于门控循环单元的探地雷达地下空洞目标自动识别方法，其特征在于，所述步骤6具体为，使用训练过的深度学习模型，将未输入过该系统的探地雷达地下空洞目标回波图像进行特征提取并输入模型，自动对地下空洞目标探地雷达回波图像进行目标识别。
CN202111354267.7A 2021-11-16 2021-11-16 一种基于门控循环单元的探地雷达地下空洞目标自动识别方法 Active CN114169402B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202111354267.7A CN114169402B (zh) 2021-11-16 2021-11-16 一种基于门控循环单元的探地雷达地下空洞目标自动识别方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202111354267.7A CN114169402B (zh) 2021-11-16 2021-11-16 一种基于门控循环单元的探地雷达地下空洞目标自动识别方法

Publications (2)

Publication Number Publication Date
CN114169402A true CN114169402A (zh) 2022-03-11
CN114169402B CN114169402B (zh) 2024-10-18

Family

ID=80479267

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202111354267.7A Active CN114169402B (zh) 2021-11-16 2021-11-16 一种基于门控循环单元的探地雷达地下空洞目标自动识别方法

Country Status (1)

Country Link
CN (1) CN114169402B (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114743263A (zh) * 2022-03-31 2022-07-12 华东师范大学 一种基于关键剪辑判别的动态行为识别系统

Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110988839A (zh) * 2019-12-25 2020-04-10 中南大学 基于一维卷积神经网络的墙体健康状况的快速识别方法
CN111724074A (zh) * 2020-06-23 2020-09-29 华中科技大学 一种基于深度学习的路面病变检测预警方法及系统
CN111985494A (zh) * 2020-07-07 2020-11-24 深圳大学 一种基于轻量化车载终端的道路病害检测及分类方法
CN113009447A (zh) * 2021-03-05 2021-06-22 长安大学 基于深度学习和探地雷达的道路地下空洞检测预警方法
CN113359101A (zh) * 2021-08-10 2021-09-07 中南大学 一种地下目标探测方法、系统及计算机存储介质

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110988839A (zh) * 2019-12-25 2020-04-10 中南大学 基于一维卷积神经网络的墙体健康状况的快速识别方法
CN111724074A (zh) * 2020-06-23 2020-09-29 华中科技大学 一种基于深度学习的路面病变检测预警方法及系统
CN111985494A (zh) * 2020-07-07 2020-11-24 深圳大学 一种基于轻量化车载终端的道路病害检测及分类方法
CN113009447A (zh) * 2021-03-05 2021-06-22 长安大学 基于深度学习和探地雷达的道路地下空洞检测预警方法
CN113359101A (zh) * 2021-08-10 2021-09-07 中南大学 一种地下目标探测方法、系统及计算机存储介质

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
XU BAI 等: ""A Novel Gain Control Method Based On Extremum Envelope For High Speed Array GPR"", 《2020 IEEE 92ND VEHICULAR TECHNOLOGY CONFERENCE》, 31 December 2020 (2020-12-31), pages 1 - 5 *

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114743263A (zh) * 2022-03-31 2022-07-12 华东师范大学 一种基于关键剪辑判别的动态行为识别系统

Also Published As

Publication number Publication date
CN114169402B (zh) 2024-10-18

Similar Documents

Publication Publication Date Title
CN108510467B (zh) 基于深度可变形卷积神经网络的sar图像目标识别方法
Hou et al. Deep learning-based subsurface target detection from GPR scans
CN110210463B (zh) 基于Precise ROI-Faster R-CNN的雷达目标图像检测方法
CN108460341B (zh) 基于集成深度卷积网络的光学遥感图像目标检测方法
CN112132042B (zh) 基于对抗域适应的sar图像目标检测方法
CN105809693B (zh) 基于深度神经网络的sar图像配准方法
CN104766320B (zh) 阈值化量测下的多伯努利滤波弱目标检测与跟踪方法
CN113780362B (zh) 一种基于隐马尔可夫模型的探地雷达地下空洞目标自动识别方法
CN107341488A (zh) 一种sar图像目标检测识别一体化方法
CN108776779A (zh) 基于卷积循环网络的sar序列图像目标识别方法
CN109977968B (zh) 一种深度学习分类后比较的sar变化检测方法
CN117079097A (zh) 一种基于视觉显著性的海面目标识别方法
CN108573280B (zh) 一种无人船自主通过桥梁的方法
CN105512622B (zh) 一种基于图分割和监督学习的可见光遥感图像海陆分割方法
CN117152083A (zh) 一种基于类别激活映射的探地雷达道路病害图像预测可视化方法
CN114821358A (zh) 光学遥感图像海上舰船目标提取与识别方法
CN114169402B (zh) 一种基于门控循环单元的探地雷达地下空洞目标自动识别方法
CN114140698A (zh) 一种基于FasterR-CNN的水系信息提取算法
CN117665807A (zh) 基于毫米波多人零样本的人脸识别方法
CN116311067A (zh) 基于高维特征图谱的目标综合识别方法、装置及设备
CN104050486A (zh) 基于图和Wishart距离的极化SAR图像分类方法
CN104715265B (zh) 基于压缩采样与集成编码分类器的雷达场景分类方法
CN116843906A (zh) 基于拉普拉斯特征映射的目标多角度本征特征挖掘方法
CN114169410B (zh) 一种基于长短期记忆模型的探地雷达地下空洞目标自动识别方法
CN107832796B (zh) 基于曲线波深度阶梯网络模型的sar图像分类方法

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination
GR01 Patent grant
GR01 Patent grant