-
公开(公告)号：CN106022383B
公开(公告)日：2019-05-31
申请号：CN201610361515.3
申请日：2016-05-26
Applicant: 重庆大学
IPC: G06K9/62
Abstract: 本发明提供了一种基于方位角相关动态字典稀疏表示的SAR目标识别方法，其首先估计作为测试样本的SAR图像的方位角，然后根据这个方位角估计值算出一个相关方位角范围，从而基于各个训练样本的稀疏特征矩阵的集合构成的稀疏特征训练样本集，令稀疏特征训练样本集之中方位角值在相关方位角范围之外的训练样本的稀疏特征矩阵设置为零矩阵，仅保留方位角值在相关方位角范围以内的训练样本的稀疏特征矩阵，由此构成测试样本对应的稀疏特征方位角相关动态字典，然后再进行稀疏表示分类识别，大大减少稀疏编码和稀疏重构的计算量，提升了识别处理效率，同时也减少了方位角不相关的训练样本对测试样本目标识别的干扰，使得识别准确率也得以提高。
-
公开(公告)号：CN106096506B
公开(公告)日：2019-04-26
申请号：CN201610368813.5
申请日：2016-05-28
Applicant: 重庆大学
Abstract: 本发明提供了一种基于子类类间判别双字典的SAR目标识别方法，其首先基于每一类训练样本的SAR图像的方位角，在每个类别中划分出若干个子类，从而将每一个子类看做不同的目标类别，通过判别双字典学习方法，学习得到用于重构每个类别的每个子类的子类图像特征训练样本子集所对应的分析子字典和综合子字典，减少了方位角不相关的训练样本对测试样本目标识别的干扰，同时确保了重构时综合字典和分析字典表示系数能通过一个简单的线性投影函数来逼近，大大减少训练处理和重构识别处理的计算量，提升了识别处理效率，并且其重构识别处理过程中利用了各个不同类别中各个子类的训练样本的类标签信息，进而使得识别准确率也得以提高。
-
公开(公告)号：CN109344767A
公开(公告)日：2019-02-15
申请号：CN201811148970.0
申请日：2018-09-29
Applicant: 重庆大学
Abstract: 本申请公开了一种基于多方位多特征协同表示的SAR目标识别方法，本发明首次通过挖掘相邻SAR图像的方位相关性，对传统的协同表示算法进行改进，提出了一种新的多方位CRC算法，该方法综合了不同特征的判别能力，融合了各种特征的多方位CRC决策结果，更加适用于SAR图像目标分类。此方法不仅保留了协同表示操作简单的优点，同时也提高了SAR目标分类的准确度，并且其抗噪声能力和对各参数变化的鲁棒性都很优越。
-
公开(公告)号：CN108732432A
公开(公告)日：2018-11-02
申请号：CN201810539097.1
申请日：2018-05-30
Applicant: 重庆大学
Abstract: 本发明公开了一种最大后验概率准则下有约束的噪声增强信号检测方法，属于信号处理领域。首先给非线性系统输入信号加入与之独立的加性噪声；经过非线性系统，获得加噪后的输出信号；根据最大后验概率准则，建立起检测概率与虚警概率联合约束下，使得错误概率最小的噪声增强优化模型；最后求解相应的优化模型，获得有约束的噪声增强最小错误概率检测结果。本发明在检测概率与虚警概率的联合约束下，将噪声增强与最大后验概率准则下的二元信号假设检验相结合，进一步减小错误概率以实现综合检测性能的提升。
-
公开(公告)号：CN104808181A
公开(公告)日：2015-07-29
申请号：CN201510200562.5
申请日：2015-04-24
Applicant: 重庆大学
IPC: G01S7/02
CPC classification number: G01S7/02
Abstract: 本发明公开一种位移雷达目标反射器设计方法。位移雷达目标反射器为微带反射阵，共形安装在被测建筑物表面，该目标反射器实现与角反射器相同的功能。目标反射器由多组微带天线反射单元构成，每组微带天线反射单元由微带天线、微带延迟线、可调旋钮、SMA接头、以及开路(或者短路)负载构成。在安装阶段，使用位移雷达照射目标反射器，将相位检测电路的两个输入端接到任意两个微带天线反射单元的SMA接头上，通过可调旋钮调节微带延迟线长度，使得到达SMA接头处的信号相位相同；在使用阶段，将开路负载(或者短路负载)接到SMA接头上，天线阵列形成反向笔形波束，实现将位移雷达的反射信号按原路径相反方向返回。
-
Patent Agency Ranking
公开(公告)号：CN102645649B
公开(公告)日：2013-08-14
申请号：CN201210148117.5
申请日：2012-05-14
Applicant: 重庆大学
Abstract: 本发明提供了一种基于雷达目标距离像时频特征提取的雷达目标识别方法，该方法首先采用匹配追踪时频分析方法计算得到雷达目标距离像的时频分布矩阵，然后应用非负矩阵分解技术分解时频分布矩阵，得到能够有效反映雷达目标HRRP内部时频相干结构的时频特征；最后，再根据雷达目标距离像的时频特征提取方案进行雷达目标识别；该方法能够通过计算机运行执行，减少雷达目标识别观测人员的工作量，有助于提高雷达目标识别效率，并且该方法中采用非负矩阵分解有效实现了目标距离像时频矩阵的降维，并分解得到雷达目标散射的时相结构，能够进一步提高雷达目标识别的运算性能和准确性。
-
公开(公告)号：CN103237348A
公开(公告)日：2013-08-07
申请号：CN201310172535.2
申请日：2013-05-10
Applicant: 重庆大学
CPC classification number: Y02D70/00
Abstract: 本发明提供了一种基于无线传感器网络(WSN)改进粒子滤波的运动目标定位方法，属于运动目标定位的技术领域。它首先将传感器接收到的信号幅度进行量化处理后传到融合中心，在目标位置随机分布且目标与传感器间传输过程中能量衰减强度未知的情况下，融合中心再将多个传感器传输的信息进行改进的粒子滤波处理，实现目标位置与能量衰减强度的同步估计。能够克服WSN有限带宽对估计性能的影响，避免了传感器节点到融合中心传输中的能量损耗，对目标衰减强度未知的情况下可高效的实现目标定位，可用于未知环境下WSN的目标定位。
-
公开(公告)号：CN115471763B
公开(公告)日：2025-05-16
申请号：CN202211056668.9
申请日：2022-08-31
Applicant: 重庆大学
IPC: G06V20/17 , G06V10/54 , G06V10/764 , G06V10/80 , G06V10/82 , G06N3/045 , G06N3/0464 , G06N3/084
Abstract: 本发明具体涉及基于语义和纹理特征融合的SAR图像飞机目标识别方法，包括：将待识别的SAR图像输入训练后的目标识别模型，输出对应的目标识别预测值；训练目标识别模型时：首先将包含若干个SAR图像的训练集输入目标识别模型；其次通过深度神经网络提取SAR图像的高层语义特征；同时提取SAR图像的纹理特征，并构建纹理特征矩阵；然后融合高层语义特征和纹理特征矩阵，生成信息融合特征；最后基于信息融合特征进行预测，生成目标识别预测值，并基于目标识别预测值完成模型训练。本发明能够将目标纹理特征和深度学习网络得到的高层语义特征结合，进而能够提高模型的泛化能力和精度，从而能够提高SAR图像飞机目标识别的准确性和有效性。
-
公开(公告)号：CN119339060A
公开(公告)日：2025-01-21
申请号：CN202411446188.2
申请日：2024-10-16
Applicant: 重庆大学
IPC: G06V10/25 , G06V10/44 , G06V10/82 , G06V10/774 , G06N3/0895 , G06N3/098 , G06N3/045
Abstract: 本发明涉及一种基于轮廓增强和协同训练的半监督SAR目标识别方法及系统。具体而言，该方法将待识别的SAR图像输入训练好的目标识别模型来生成相应的目标预测结果。训练过程分为两个阶段：第一阶段是，对无标签的SAR图像样本进行轮廓提取和增强处理，然后利用FixMatch框架进行半监督学习。第二阶段是，使用第一阶段中标签样本的弱增广图像输入协同训练网络进行训练，汇总不同轮次的判决结果，并通过熵值判断每个判决结果的可靠性。协同训练网络的共同判决结果组成一个抽样池，从中抽取一定数量的高置信度样本作为伪标签样本来扩充第一阶段的标签训练集，进而使用扩充后的标签训练集继续训练FixMatch。本发明显著提高了SAR目标识别的准确性、可靠性和鲁棒性。
-
公开(公告)号：CN115410102A
公开(公告)日：2022-11-29
申请号：CN202211065572.9
申请日：2022-08-31
Applicant: 重庆大学
IPC: G06V20/17 , G06V10/42 , G06V10/44 , G06V10/52 , G06V10/764 , G06V10/80 , G06V10/82 , G06N3/04 , G06N3/08
Abstract: 本发明具体涉及基于联合注意力机制的SAR图像飞机目标检测方法，包括：将待检测的SAR图像输入训练后的目标检测模型，输出对应的目标检测预测值；训练时：通过深度神经网络提取SAR图像不同层次的深度特征图，再对应输入至用于提取局部和全局联合注意力特征的金字塔网络的对应联合注意力层，同时将金字塔网络中上层联合注意力层的输出与相邻下层联合注意力层输入的深度特征图拼接作为该相邻下层联合注意力层的输入；然后分别基于联合注意力特征图进行预测，得到对应的预测框和分类预测概率；最后生成目标检测预测值并进行模型训练。本发明能够有效融合SAR图像的局部注意力特征和全局注意力特征，进而能够兼顾飞机目标本身的特征信息和周围位置信息。
-
-
-
-
-
-
-
-
-
Search Results
76
records
(took 0.023 seconds)
