elib
DLR-Header
DLR-Logo -> http://www.dlr.de
DLR Portal Home | Impressum | Datenschutz | Kontakt | English
Schriftgröße: [-] Text [+]

Target Classification in Oceanographic SAR Images with Deep Neural Networks: Architecture and Initial Results

Bentes da Silva, Carlos Augusto und Velotto, Domenico und Lehner, Susanne (2015) Target Classification in Oceanographic SAR Images with Deep Neural Networks: Architecture and Initial Results. In: Proceedings of IEEE International Geoscience and Remote Sensing Symposium (IGARSS) 2015, Seiten 3703-3706. IEEE Xplore. IGARSS 2015, 2015-07-26 - 2015-07-31, Milan, Italy. doi: 10.1109/IGARSS.2015.7326627. ISBN 978-1-4799-7929-5.

Dieses Archiv kann nicht den Volltext zur Verfügung stellen.

Offizielle URL: http://ieeexplore.ieee.org/xpl/articleDetails.jsp?arnumber=7326627

Kurzfassung

Synthetic Aperture Radar (SAR) provides detailed information of Ocean's surface and man-made floating structures. Advances in the SAR technology and the deployment of new SAR satellites have contributed to an increasing number of remote sensing data available. Handle this large amount of data with human operators is infeasible. Therefore, the use of automated tools to process remote sensing images, identify regions of interest, and select relevant information are needed. The use of neural networks to solve SAR image classification problems is well known. The typical architecture consists of a shallow feed-forward neural network with an input layer, a hidden layer, and an output layer. This type of neural network combined with back-propagation training algorithm is able to solve complex problems in SAR image analysis. However, this architecture is unable to take advantage of unlabeled data during its training process, and in many cases the input features need to be carefully tuned in order to reduce the overall network complexity. This paper proposes the application of Deep Neural Networks (DNN) to perform oceanographic-object classification.

elib-URL des Eintrags:https://elib.dlr.de/95526/
Dokumentart:Konferenzbeitrag (Vortrag)
Zusätzliche Informationen:published online; http://www.igarss2015.org/
Titel:Target Classification in Oceanographic SAR Images with Deep Neural Networks: Architecture and Initial Results
Autoren:
AutorenInstitution oder E-Mail-AdresseAutoren-ORCID-iDORCID Put Code
Bentes da Silva, Carlos AugustoCarlos.Bentes (at) dlr.deNICHT SPEZIFIZIERTNICHT SPEZIFIZIERT
Velotto, DomenicoDomenico.Velotto (at) dlr.dehttps://orcid.org/0000-0002-8592-0652NICHT SPEZIFIZIERT
Lehner, SusanneSusanne.Lehner (at) dlr.deNICHT SPEZIFIZIERTNICHT SPEZIFIZIERT
Datum:2015
Erschienen in:Proceedings of IEEE International Geoscience and Remote Sensing Symposium (IGARSS) 2015
Referierte Publikation:Nein
Open Access:Nein
Gold Open Access:Nein
In SCOPUS:Nein
In ISI Web of Science:Nein
DOI:10.1109/IGARSS.2015.7326627
Seitenbereich:Seiten 3703-3706
Verlag:IEEE Xplore
ISBN:978-1-4799-7929-5
Status:veröffentlicht
Stichwörter:SAR Oceanography, Machine Learning, Deep Neural Networks, Automatic Target Identification
Veranstaltungstitel:IGARSS 2015
Veranstaltungsort:Milan, Italy
Veranstaltungsart:internationale Konferenz
Veranstaltungsbeginn:26 Juli 2015
Veranstaltungsende:31 Juli 2015
Veranstalter :IEEE Geoscience and Remote Sensing Society
HGF - Forschungsbereich:Luftfahrt, Raumfahrt und Verkehr
HGF - Programm:Raumfahrt
HGF - Programmthema:Erdbeobachtung
DLR - Schwerpunkt:Raumfahrt
DLR - Forschungsgebiet:R EO - Erdbeobachtung
DLR - Teilgebiet (Projekt, Vorhaben):R - Vorhaben Entwicklung und Erprobung von Verfahren zur Gewässerfernerkundung (alt)
Standort: Bremen , Oberpfaffenhofen
Institute & Einrichtungen:Institut für Methodik der Fernerkundung > SAR-Signalverarbeitung
Institut für Methodik der Fernerkundung
Hinterlegt von: Kaps, Ruth
Hinterlegt am:13 Apr 2015 15:58
Letzte Änderung:24 Apr 2024 20:01

Nur für Mitarbeiter des Archivs: Kontrollseite des Eintrags

Blättern
Suchen
Hilfe & Kontakt
Informationen
electronic library verwendet EPrints 3.3.12
Gestaltung Webseite und Datenbank: Copyright © Deutsches Zentrum für Luft- und Raumfahrt (DLR). Alle Rechte vorbehalten.