-
公开(公告)号：CN108171193A
公开(公告)日：2018-06-15
申请号：CN201810013991.5
申请日：2018-01-08
Applicant: 西安电子科技大学
Abstract: 本发明公开了一种基于超像素局部信息度量的极化SAR舰船目标检测方法，主要解决复杂场景下目标检测率低的问题，其方案是：1.对原始图像进行超像素分割，得到不同尺度下的超像素分割结果；2.对分割后的结果利用滑窗模型计算三种基于超像素级的差异性度量；3.将基于超像素级的差异性度量转换成基于像素级的差异性度量；4.利用核fisher判别，将像素级的差异性度量向量映射成差异性度量值，得到每个像素点的差异性度量值；5.对每个像素点的差异性度量值利用线性SVM分类器进行分类，确定每个像素的类别，进行自动目标检测。本发明提升了复杂场景下的目标检测性能，实现了自动检测的过程，可用于后续的舰船目标鉴别、识别与分类。
-
Patent Agency Ranking
公开(公告)号：CN106599831B
公开(公告)日：2019-01-29
申请号：CN201611136982.2
申请日：2016-12-12
Applicant: 西安电子科技大学 , 西安中电科西电科大雷达技术协同创新研究院有限公司
Abstract: 本发明公开了一种基于样本加权类别特定与共享字典的SAR目标鉴别方法，主要解决现有技术在复杂场景下SAR目标鉴别性能低的问题。其方案是：1.对给定的训练切片和测试切片提取局部特征；2.利用训练切片的局部特征获得全局字典；3.利用全局字典对训练切片和测试切片的局部特征分别进行标准稀疏编码，获得局部特征编码系数；4.对训练切片和测试切片的局部特征编码系数分别进行特征合并与降维，得到训练切片的全局特征和测试切片的全局特征；5.使用支持向量机对测试切片全局特征进行鉴别。本发明提升了鉴别的性能，可用于对复杂场景的SAR目标鉴别。
-
公开(公告)号：CN108171193B
公开(公告)日：2021-09-10
申请号：CN201810013991.5
申请日：2018-01-08
Applicant: 西安电子科技大学
Abstract: 本发明公开了一种基于超像素局部信息度量的极化SAR舰船目标检测方法，主要解决复杂场景下目标检测率低的问题，其方案是：1.对原始图像进行超像素分割，得到不同尺度下的超像素分割结果；2.对分割后的结果利用滑窗模型计算三种基于超像素级的差异性度量；3.将基于超像素级的差异性度量转换成基于像素级的差异性度量；4.利用核fisher判别，将像素级的差异性度量向量映射成差异性度量值，得到每个像素点的差异性度量值；5.对每个像素点的差异性度量值利用线性SVM分类器进行分类，确定每个像素的类别，进行自动目标检测。本发明提升了复杂场景下的目标检测性能，实现了自动检测的过程，可用于后续的舰船目标鉴别、识别与分类。
-
公开(公告)号：CN106599831A
公开(公告)日：2017-04-26
申请号：CN201611136982.2
申请日：2016-12-12
Applicant: 西安电子科技大学 , 西安中电科西电科大雷达技术协同创新研究院有限公司
CPC classification number: G06K9/0063 , G06K9/4671 , G06K9/6269
Abstract: 本发明公开了一种基于样本加权类别特定与共享字典的SAR目标鉴别方法，主要解决现有技术在复杂场景下SAR目标鉴别性能低的问题。其方案是：1.对给定的训练切片和测试切片提取局部特征；2.利用训练切片的局部特征获得全局字典；3.利用全局字典对训练切片和测试切片的局部特征分别进行标准稀疏编码，获得局部特征编码系数；4.对训练切片和测试切片的局部特征编码系数分别进行特征合并与降维，得到训练切片的全局特征和测试切片的全局特征；5.使用支持向量机对测试切片全局特征进行鉴别。本发明提升了鉴别的性能，可用于对复杂场景的SAR目标鉴别。
-
公开(公告)号：CN107122753B
公开(公告)日：2020-04-07
申请号：CN201710316452.4
申请日：2017-05-08
Applicant: 西安电子科技大学
Abstract: 本发明公开了一种基于集成学习的SAR目标鉴别方法，主要解决现有技术在训练数据类别分布不平衡时SAR目标鉴别性能低的问题。其方案是：1.对给定的训练切片和测试切片提取词包模型特征；2.对杂波类训练样本进行随机下采样，将得到的子集与目标类训练样本一起训练获得代价敏感的字典；3.对杂波类训练样本进行随机下采样，将得到的子集与目标类训练样本一起训练获得SVM分类器；4.利用代价敏感的字典和SVM分类器对测试样本进行分类，记录测试样本的分类决策值；5.利用最大投票方法对测试样本的分类决策值进行判定，确定测试样本最终的类别标号。本发明提升了鉴别的性能，可用于对复杂场景下的训练数据类别不平衡时的SAR目标鉴别。
-
公开(公告)号：CN107122753A
公开(公告)日：2017-09-01
申请号：CN201710316452.4
申请日：2017-05-08
Applicant: 西安电子科技大学
Abstract: 本发明公开了一种基于集成学习的SAR目标鉴别方法，主要解决现有技术在训练数据类别分布不平衡时SAR目标鉴别性能低的问题。其方案是：1.对给定的训练切片和测试切片提取词包模型特征；2.对杂波类训练样本进行随机下采样，将得到的子集与目标类训练样本一起训练获得代价敏感的字典；3.对杂波类训练样本进行随机下采样，将得到的子集与目标类训练样本一起训练获得SVM分类器；4.利用代价敏感的字典和SVM分类器对测试样本进行分类，记录测试样本的分类决策值；5.利用最大投票方法对测试样本的分类决策值进行判定，确定测试样本最终的类别标号。本发明提升了鉴别的性能，可用于对复杂场景下的训练数据类别不平衡时的SAR目标鉴别。
-
-
-
-
-
Search Results
6
records
(took 0.037 seconds)
