典型文献
River-Net:面向河道提取的Refined-Lee Kernel深度神经网络模型
文献摘要：
高精度提取合成孔径雷达(SAR)图像中的河流边界,对河流水势监测具有重要意义.以检测郑州7·20暴雨后黄河的健康状况为实施例,该文融合精致Lee滤波思想与卷积操作的滤波特性,提出了基于河道几何特性的优化内部权值卷积核Refined-Lee Kernel,进而提出了一种新型河道提取深度神经网络模型,即River-Net.为验证所提模型的有效性,该文获取了郑州7·20暴雨前后两景欧空局Sentinel-1卫星20 m分辨率干涉宽幅(IW)影像数据,利用暴雨前的影像对模型进行训练,用于提取暴雨后的黄河河道,分析黄河在暴雨后的涨势情况.实验结果表明,相比主流语义分割模型,所提模型能够更精确地在SAR图像中提取河道,对洪水灾害的检测与评估有重要应用价值.
文献关键词：
合成孔径雷达(SAR);Refined-Lee Kernel;精致Lee滤波;神经网络;河道提取
中图分类号：
作者姓名：
李宁;郭志顺;毋琳;赵建辉
作者机构：
河南大学计算机与信息工程学院 开封 475004;河南省智能技术与应用工程技术研究中心 开封 475004;河南省大数据分析与处理重点实验室 开封 475004
文献出处：
引用格式：
[1]李宁;郭志顺;毋琳;赵建辉-.River-Net:面向河道提取的Refined-Lee Kernel深度神经网络模型)[J].雷达学报,2022(03):324-334
A类：
河道提取
B类：
River,Net,Refined,Lee,Kernel,深度神经网络模型,合成孔径雷达,SAR,河流水,水势,暴雨,雨后,精致,卷积操作,滤波特性,几何特性,权值,卷积核,雨前,欧空局,Sentinel,宽幅,IW,影像数据,涨势,语义分割,分割模型,洪水灾害,重要应用
AB值：
0.323795
机标中图分类号，由域田数据科技根据网络公开资料自动分析生成，仅供学习研究参考。
