-
公开(公告)号：CN112668440A
公开(公告)日：2021-04-16
申请号：CN202011544100.2
申请日：2020-12-24
Applicant: 西安电子科技大学
Abstract: 本发明公开了一种基于平衡样本回归损失的SAR舰船目标检测方法，主要解决现有深度学习方法中因难易样本不平衡导致训练出的网络模型对舰船目标检测性能低的问题。其实现方案是：1)获取舰船数据，并分为训练数据和测试数据；2)选取Faster‑RCNN网络为训练网络模型；3)对训练网络的原始损失函数进行改进，构成新的总损失函数；4)将训练数据送入2)所选的网络中，使用新的总损失函数对网络进行训练，得到最终训练好的网络模型；5)将测试数据送到训练好的网络模型中，得到舰船目标检测结果。本发明能更好的提取舰船目标的深度特征，提高了舰船目标检测性能，可用于对舰船目标的检测。
-
公开(公告)号：CN114764886B
公开(公告)日：2024-08-09
申请号：CN202210269829.6
申请日：2022-03-18
Applicant: 西安电子科技大学
IPC: G06V20/10 , G06V10/22 , G06V10/25 , G06V10/28 , G06V10/764 , G06V10/766 , G06V10/82 , G06N3/045 , G06N3/0464 , G06N3/084 , G06N3/08
Abstract: 本发明提供的一种基于CFAR指导的双流SSD SAR图像目标检测方法，通过SAR幅度图像特征提取网络Net‑A和CFAR指示二值图像特征提取网络Net‑C组成的双通道特征提取网络提取幅度特征图和CFAR指示特征图，并通过一种新颖的ICSAF模块来融合不同特征图，充分利用SAR图像中目标强散射的特性，帮助提升目标检测网络的特征提取能力，增强目标检测性能。同时本发明利用CFAR指示二值图作为目标检测网络分类损失函数的先验指导信息，使检测器更加关注难负样本和正样本的学习；然后使用AR‑NMS算法解决传统NMS去除大场景SAR图像的冗余预测框的后处理过程带来的虚警和误抑制问题，提高SAR图像目标检测性能。
-
公开(公告)号：CN114764886A
公开(公告)日：2022-07-19
申请号：CN202210269829.6
申请日：2022-03-18
Applicant: 西安电子科技大学
IPC: G06V20/10 , G06V10/22 , G06V10/25 , G06V10/28 , G06V10/764 , G06V10/82 , G06K9/62 , G06N3/04 , G06N3/08
Abstract: 本发明提供的一种基于CFAR指导的双流SSD SAR图像目标检测方法，通过SAR幅度图像特征提取网络Net‑A和CFAR指示二值图像特征提取网络Net‑C组成的双通道特征提取网络提取幅度特征图和CFAR指示特征图，并通过一种新颖的ICSAF模块来融合不同特征图，充分利用SAR图像中目标强散射的特性，帮助提升目标检测网络的特征提取能力，增强目标检测性能。同时本发明利用CFAR指示二值图作为目标检测网络分类损失函数的先验指导信息，使检测器更加关注难负样本和正样本的学习；然后使用AR‑NMS算法解决传统NMS去除大场景SAR图像的冗余预测框的后处理过程带来的虚警和误抑制问题，提高SAR图像目标检测性能。
-
Patent Agency Ranking
公开(公告)号：CN111027454B
公开(公告)日：2023-03-10
申请号：CN201911238758.8
申请日：2019-12-06
Applicant: 西安电子科技大学
IPC: G06V20/13 , G06V10/774 , G06V10/764 , G06V10/82 , G06N3/0464 , G06N3/048 , G06N3/084
Abstract: 本发明公开了一种基于深度密集连接和度量学习的SAR舰船目标分类方法，主要解决现有技术提取特征不准确，分类效果差的问题。其方案是：1)获取舰船目标SAR图像训练数据，并对其进行扩充；2)建立由深度密集连接层和嵌入转换层组成的网络模型；3)将扩充后的训练数据送入2)中构建的网络，使用带有L2范数正则项的交叉熵损失对网络初步训练；4)将三元组损失和基于Fisher判别准则的正则项加入3)中的损失函数，送入训练数据继续训练网络模型，得到最终训练好的网络模型；5)将测试数据送到训练好的网络模型中，得到舰船的分类结果。本发明能更好的完成深度特征提取，提高了分类性能，可用于海域舰船监测和目标分类。
-
公开(公告)号：CN111027454A
公开(公告)日：2020-04-17
申请号：CN201911238758.8
申请日：2019-12-06
Applicant: 西安电子科技大学
Abstract: 本发明公开了一种基于深度密集连接和度量学习的SAR舰船目标分类方法，主要解决现有技术提取特征不准确，分类效果差的问题。其方案是：1)获取舰船目标SAR图像训练数据，并对其进行扩充；2)建立由深度密集连接层和嵌入转换层组成的网络模型；3)将扩充后的训练数据送入2)中构建的网络，使用带有L2范数正则项的交叉熵损失对网络初步训练；4)将三元组损失和基于Fisher判别准则的正则项加入3)中的损失函数，送入训练数据继续训练网络模型，得到最终训练好的网络模型；5)将测试数据送到训练好的网络模型中，得到舰船的分类结果。本发明能更好的完成深度特征提取，提高了分类性能，可用于海域舰船监测和目标分类。
-
公开(公告)号：CN110263845B
公开(公告)日：2023-05-02
申请号：CN201910527007.1
申请日：2019-06-18
Applicant: 西安电子科技大学
IPC: G06F18/214 , G06N3/04 , G06F18/24
Abstract: 本发明公开了一种基于半监督对抗深度网络的SAR图像变化检测方法，主要解决现有变化检测技术在有标签数据较少时检测效果虚警率高，检测区域不准确的问题。其方案是：1)利用二时相SAR图像数据，计算两图像的对数比差异图；2)在二时相SAR图像和差异图上提取训练样本和测试样本；3)构建变化检测双网络和两个判别网络；4)利用有标签数据进行监督训练，利用无标签数据进行对抗训练和协同训练，得到训练好的检测网络；5)将测试数据输入到训练好的变化检测网络中，得到变化检测结果。本发明结合大量无标签数据提取可分性的变化检测特征，提高了在有标签训练样本不足时，监督训练模型的泛化性能，可用于SAR图像变化检测。
-
公开(公告)号：CN112668440B
公开(公告)日：2023-02-10
申请号：CN202011544100.2
申请日：2020-12-24
Applicant: 西安电子科技大学
IPC: G06V20/13 , G06V10/82 , G06V10/774 , G06N3/0464 , G06N3/084
Abstract: 本发明公开了一种基于平衡样本回归损失的SAR舰船目标检测方法，主要解决现有深度学习方法中因难易样本不平衡导致训练出的网络模型对舰船目标检测性能低的问题。其实现方案是：1)获取舰船数据，并分为训练数据和测试数据；2)选取Faster‑RCNN网络为训练网络模型；3)对训练网络的原始损失函数进行改进，构成新的总损失函数；4)将训练数据送入2)所选的网络中，使用新的总损失函数对网络进行训练，得到最终训练好的网络模型；5)将测试数据送到训练好的网络模型中，得到舰船目标检测结果。本发明能更好的提取舰船目标的深度特征，提高了舰船目标检测性能，可用于对舰船目标的检测。
-
公开(公告)号：CN110263845A
公开(公告)日：2019-09-20
申请号：CN201910527007.1
申请日：2019-06-18
Applicant: 西安电子科技大学
Abstract: 本发明公开了一种基于半监督对抗深度网络的SAR图像变化检测方法，主要解决现有变化检测技术在有标签数据较少时检测效果虚警率高，检测区域不准确的问题。其方案是：1)利用二时相SAR图像数据，计算两图像的对数比差异图；2)在二时相SAR图像和差异图上提取训练样本和测试样本；3)构建变化检测双网络和两个判别网络；4)利用有标签数据进行监督训练，利用无标签数据进行对抗训练和协同训练，得到训练好的检测网络；5)将测试数据输入到训练好的变化检测网络中，得到变化检测结果。本发明结合大量无标签数据提取可分性的变化检测特征，提高了在有标签训练样本不足时，监督训练模型的泛化性能，可用于SAR图像变化检测。
-
-
-
-
-
-
-
Search Results
8
records
(took 0.023 seconds)
