-
公开(公告)号：CN115187983A
公开(公告)日：2022-10-14
申请号：CN202210698464.9
申请日：2022-06-20
申请人： 电子科技大学
IPC分类号： G06V20/70 , G06V10/40 , G06V10/778
摘要： 本发明公开了一种基于多任务表征学习的小样本SAR图像目标识别方法，应用于SAR图像解译领域，以解决小样本条件下的SAR图像目标特征提取问题。首先，本发明构建以残差学习为基本架构的特征提取模型，采用形变卷积运算实现目标形态学特征提取，并基于注意力机制完成特征通道筛选；然后，采用多任务学习方式来提升特征提取模型的表征能力；最后，采用具有多任务表征学习能力的特征提取模型来提取小样本SAR图像目标特征，以拟合一个逻辑回归分类器，从而实现目标类别推理。本发明可在不同程度样本匮乏条件以及不同俯仰角条件下提升小样本SAR图像目标识别性能，具有较好的泛化能力和准确性。
-
公开(公告)号：CN110110618B
公开(公告)日：2022-10-14
申请号：CN201910323751.X
申请日：2019-04-22
申请人： 电子科技大学
IPC分类号： G06V20/13 , G06V10/762 , G06V10/46
摘要： 该发明公开了一种基于PCA和全局对比度的SAR目标检测方法，属于合成孔径雷达遥感技术目标检测领域，具体涉及利用主成分分析法和利用全局对比度想法结合的方法，生成SAR目标的显著图。本发明与传统的检测方法相比，采用超像素作为目标检测元，结合全局对比度的视觉注意模型，本发明可以取得更好的检测性能；本发明与传统的检测方法相比，检测所耗时间更短；本发明与传统的检测方法相比，在SAR图像中能更完整地保留目标原有形态。
-
公开(公告)号：CN110503015B
公开(公告)日：2022-03-15
申请号：CN201910734668.1
申请日：2019-08-09
申请人： 电子科技大学
IPC分类号： G06V20/13 , G06V10/772 , G06V10/764 , G06V10/40 , G06K9/62
摘要： 该发明公开了一种基于局部结构保持类子字典学习的目标识别方法，属于合成孔径雷达(SAR)图像解译领域，特别涉及一种基于局部结构保持的类字典学习方法，实现SAR自动目标识别。与传统的基于稀疏模式预设稀疏表征方法不同，本发明可以为每类目标学习一个鉴别能力强的类字典。在字典学习过程中，利用Tikhonov正则化准则对稀疏表征向量施加局部加权，从而可得到更优的稀疏特征。此外，考虑到SAR图像对目标姿态变化非常敏感，在测试阶段，样本可通过在每类类字典上进行重构，并将目标分配给重构误差最小的类字典对应的类标签。
-
公开(公告)号：CN113807206A
公开(公告)日：2021-12-17
申请号：CN202111003567.0
申请日：2021-08-30
申请人： 电子科技大学
摘要： 本发明提出了一种基于去噪任务辅助的SAR图像目标识别方法，属于目标识别领域。本发明提出的网络包括去噪子网络与分类子网络两部分，去噪子网络中通过多尺度特征提取层、注意力机制以及残差学习结构可实现噪声信息学习。考虑到标准卷积在提取多尺度特征时会增大网络宽度，进而导致模型参数量增加。为此，本发明采用空洞卷积结构实现多尺度特征提取。在去噪子网络辅助下分类子网络可完成目标特征提取与分类。分类子网络中引入注意力思想来指导模型在特征空间、通道与空间交互层面上完成SAR图像目标特征提取与自适应加权，进而改善目标识别精度。通过在MSTAR数据集上进行仿真实验，证明了本发明中的方法在噪声环境下具有较好的SAR图像目标识别效果。
-
公开(公告)号：CN112446357A
公开(公告)日：2021-03-05
申请号：CN202011478677.8
申请日：2020-12-15
申请人： 电子科技大学
摘要： 本发明公开了一种基于胶囊网络的SAR自动目标识别方法,雷达目标识别领域。该方法的主要流程：首先对原始SAR图像进行裁剪处理，然后将裁剪后的图像进行简单的卷积处理，之后利用具有不同膨胀率的卷积核来提取多尺度特征，然后利用自适应的特征细化模块增强重要的特征，再通过逐像素融合策略融合增强后的多尺度特征，然后再输入到基于胶囊单元的网络层进行更抽象特征学习并保留特征间的空间关系，最后将编码器网络的输出的特征输入到一个由四个转置卷积层组成的解码器网络进行SAR目标重构来改善编码器的学习能力；SAR目标鉴别结果在编码器网络的最后一层输出。本发明与现有的深度卷积神经网络算法相比具有更高的精度。
-
公开(公告)号：CN110110618A
公开(公告)日：2019-08-09
申请号：CN201910323751.X
申请日：2019-04-22
申请人： 电子科技大学
摘要： 该发明公开了一种基于PCA和全局对比度的SAR目标检测方法，属于合成孔径雷达遥感技术目标检测领域，具体涉及利用主成分分析法和利用全局对比度想法结合的方法，生成SAR目标的显著图。本发明与传统的检测方法相比，采用超像素作为目标检测元，结合全局对比度的视觉注意模型，本发明可以取得更好的检测性能；本发明与传统的检测方法相比，检测所耗时间更短；本发明与传统的检测方法相比，在SAR图像中能更完整地保留目标原有形态。
-
公开(公告)号：CN104735006B
公开(公告)日：2018-11-13
申请号：CN201510107425.7
申请日：2015-03-12
申请人： 电子科技大学
摘要： 该发明公开了一种基于加权叠加的直接中频信道化方法，属于数字信号处理技术领域，具体涉及数字信道化技术。该发明首先采用数据寄存器降低数据采样率，然后对每次数据寄存器中的各个数据进行加权处理，再对加权后数据进行分段，对每个分段数据相同位置数据进行求和，然后对求和数据进行离散傅里叶变换，最后对变换后数据进行调制，得到各信道数据。该发明利用加权叠加运算，不需要复杂的卷积滤波运算，运算效率高，实时性强；只需要1个滤波器就同时得到K个子信道信号；直接对宽带中频信号进行信道化，节省了传统宽带数字信道化方法的多路并行DDC和DDC后的信道化模块，所需资源大幅度减少。
-
公开(公告)号：CN108734115A
公开(公告)日：2018-11-02
申请号：CN201810414265.4
申请日：2018-05-03
申请人： 电子科技大学
摘要： 本发明公开了一种基于标签一致字典学习的雷达目标识别方法，属于雷达领域,特别是通过构建稀疏信号的具有鉴别能力的完备字典和稀疏编码，实现了信号的稀疏表征。该方法主要流程：首先，构建高分辨距离像的LC-KSVD字典学习模型；然后再初始化模型中的相关参数；再使用K-SVD算法求解LC-KSVD字典学习模型的最优解；接下来，再对字典D和线性分类器矩阵W进行归一化；最后，更具D、W来确定测试样本所属类别。本发明方法可以使得学习到的完备字典具备鉴别能力，不仅能够更好地实现对信号的稀疏表征，而且可以用于分类。
-
公开(公告)号：CN106093904B
公开(公告)日：2018-07-24
申请号：CN201610445780.X
申请日：2016-06-17
申请人： 电子科技大学
IPC分类号： G01S7/41
摘要： 本发明公开了基于多帧双门限两级检测机制的杂波图恒虚警方法，其包括以下步骤，初始化雷达扫描图像中所有检测单元的杂波功率估计值；获取雷达当前扫描图像中所有检测单元的测量值；计算当前扫描图像中每个检测单元第一级检测的高门限和低门限；根据检测单元的测量值与高门限和低门限的大小关系，确定其第一级检测的统计量；将每个检测单元的第一级检测的统计量分别存入一个移位寄存器；对每个移位寄存器内的所有第一级检测的统计量求和得到第二级检测的统计量，并将计数器累积一次；根据第二级检测的统计量与第二级检测门限及计数器的累计值与移位寄存器的长度之间的大小关系，确定当前扫描图像中是否有目标出现和是否更新杂波图。
-
公开(公告)号：CN106199544B
公开(公告)日：2018-07-17
申请号：CN201610481502.X
申请日：2016-06-24
申请人： 电子科技大学
IPC分类号： G01S7/41
摘要： 本发明公开了基于核鉴别局部切空间排列的雷达目标距离像识别方法，其包括以下步骤：获取若干已知其所属目标类别的训练距离像和待识别其所属目标类别的测试距离像；预处理获取的训练距离像和测试距离像；基于局部切空间重构误差最小化和类间散射最大化准则，得到从高维距离像空间到低维特征空间的映射矩阵V；提取训练距离像和测试距离像的特征：y＝VTk，其中，VT为映射矩阵V的转置，k为任意一个训练距离像或测试距离像的核向量；采用最近邻法比较测试距离像和训练距离像的特征，将每个待识别的测试距离像划归到离其最近的训练距离像所属的目标类别中。
-
-
-
-
-
-
-
-
-
搜索结果
86 条记录 (耗时 0.035 秒)