基于matlab使用深度学习的SAR目标分类

上传者: 45770896 | 上传时间: 2023-04-23 17:04:01 | 文件大小: 1.73MB | 文件类型: RAR
一、前言 此示例演示如何创建和训练一个简单的卷积神经网络,以使用深度学习对 SAR 目标进行分类。 深度学习是一种强大的技术,可用于训练健壮的分类器。它已经在从图像分析到自然语言处理的不同领域显示出其有效性。这些发展对SAR数据分析和SAR技术具有巨大的潜力,正在慢慢实现。SAR相关算法的一项主要任务一直是目标检测和分类,称为自动目标识别(ATR)。在这里,我们使用一个简单的卷积神经网络来使用深度学习工具箱对SAR目标进行训练和分类。 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。 此示例演示如何: • 下载数据集。 • 加载和分析图像数据。 • 数据的拆分和扩充。 • 定义网络体系结构。 • 训练网络。 • 预测新数据的标签并计算分类精度。 为了说明此工作流程,我们将使用空军研究实验室发布的移动和静止目标获取和识别 (MSTAR) 混合目标数据集 [1]。我们的目标是开发一个模型,根据SAR图像对地面目标进行分类。 二、下载数据集 此示例使用的 MSTAR 目标数据集包含来自 8688 个地面车辆的 7 个 SAR 图像和一个校准目标。

文件下载

资源详情

[{"title":"( 10 个子文件 1.73MB ) 基于matlab使用深度学习的SAR目标分类","children":[{"title":"media","children":[{"title":"image1.png <span style='color:#111;'> 1.73MB </span>","children":null,"spread":false}],"spread":true},{"title":"_rels","children":[{"title":".rels <span style='color:#111;'> 1.03KB </span>","children":null,"spread":false}],"spread":true},{"title":"metadata","children":[{"title":"mwcorePropertiesReleaseInfo.xml <span style='color:#111;'> 303B </span>","children":null,"spread":false},{"title":"mwcorePropertiesExtension.xml <span style='color:#111;'> 222B </span>","children":null,"spread":false},{"title":"mwcoreProperties.xml <span style='color:#111;'> 333B </span>","children":null,"spread":false},{"title":"coreProperties.xml <span style='color:#111;'> 537B </span>","children":null,"spread":false}],"spread":true},{"title":"matlab","children":[{"title":"_rels","children":[{"title":"document.xml.rels <span style='color:#111;'> 289B </span>","children":null,"spread":false}],"spread":true},{"title":"document.xml <span style='color:#111;'> 28.47KB </span>","children":null,"spread":false},{"title":"output.xml <span style='color:#111;'> 275B </span>","children":null,"spread":false}],"spread":true},{"title":"[Content_Types].xml <span style='color:#111;'> 994B </span>","children":null,"spread":false}],"spread":true}]

评论信息

免责申明

【只为小站】的资源来自网友分享,仅供学习研究,请务必在下载后24小时内给予删除,不得用于其他任何用途,否则后果自负。基于互联网的特殊性,【只为小站】 无法对用户传输的作品、信息、内容的权属或合法性、合规性、真实性、科学性、完整权、有效性等进行实质审查;无论 【只为小站】 经营者是否已进行审查,用户均应自行承担因其传输的作品、信息、内容而可能或已经产生的侵权或权属纠纷等法律责任。
本站所有资源不代表本站的观点或立场,基于网友分享,根据中国法律《信息网络传播权保护条例》第二十二条之规定,若资源存在侵权或相关问题请联系本站客服人员,zhiweidada#qq.com,请把#换成@,本站将给予最大的支持与配合,做到及时反馈和处理。关于更多版权及免责申明参见 版权及免责申明