-
公开(公告)号：CN115775353A
公开(公告)日：2023-03-10
申请号：CN202211339159.7
申请日：2022-10-28
申请人： 重庆大学
IPC分类号： G06V20/10 , G06V10/40 , G06V10/74 , G06V10/764 , G06V10/774 , G06V10/80
摘要： 本发明具体涉及基于半监督的SAR图像目标识别方法，包括：通过经过训练的目标识别模型生成待识别SAR图像的目标预测值；训练目标识别模型时：首先获取用于训练的有标签图像和无标签图像并输入特征融合网络中，并基于有标签预测值计算有监督损失；然后对无标签图像进行弱增强和强增强并分别输入特征融合网络中，输出弱增强预测值和强增强预测值；随后基于弱增强预测值生成对应的正伪标签和负伪标签并计算无监督损失；再基于预设的置信阈值和相似阈值选取对应的无标签图像对来计算相似伪标签损失；最后通过有监督损失、无监督损失和相似伪标签损失联合训练目标识别模型。本发明能够提高SAR目标识别的准确率和有效性。
-
公开(公告)号：CN115100314A
公开(公告)日：2022-09-23
申请号：CN202210852123.2
申请日：2022-07-20
申请人： 重庆大学
摘要： 本发明公开了一种基于行与列同时低秩约束的磁共振波谱重建方法。属于数字图像处理技术领域。它是一种利用二维磁共振波谱的二元指数结构对其行与列分别构成的汉克尔矩阵进行低秩约束的磁共振波谱重建方法。首先将二维磁共振波谱的各行与各列构建对应汉克尔矩阵，然后采用一种非凸范数约束汉克尔矩阵的低秩特性，最后通过交替方向乘子法优化求解建立的磁共振波谱重建模型。本发明对二维磁共振波谱施加非凸的低秩约束，有效提取了其二元指数结构，同时分别对重建模型的各子问题进行精确求解，使得从欠采样的时空编码数据中重建的磁共振波谱有效抑制了伪影现象，而且重建波谱中的谱峰更接近于真实的谱峰，因此可用于磁共振波谱的重建。
-
公开(公告)号：CN108985365A
公开(公告)日：2018-12-11
申请号：CN201810732829.9
申请日：2018-07-05
申请人： 重庆大学
摘要： 本发明公开了一种基于深度子空间切换集成学习的多源异构数据融合方法，按照以下步骤进行：S1：分别对每个源数据集进行特征提取，并组成空谱特征；S2：重组构成空谱特征数据集；S3：基于深度样本学习算法对空谱特征数据集中的样本数据进行处理，形成原始样本、一阶样本和二阶样本；S4：针对三组样本集，分别构建分类器模型；S5：对三组模型分别采用各自合适的分类方式进行分类，得到三组分类结果，然后通过分类投票得到最终的分类结果。其效果是：本发明联合光谱空间信息并融入分层子空间切换集成学习算法，利用了多尺度的空谱样本，增加了有用样本，提高了训练的质量，既保留了边缘信息，又提高了样本的多样性和可分性。
-
公开(公告)号：CN104732224B
公开(公告)日：2017-11-03
申请号：CN201510163244.6
申请日：2015-04-08
申请人： 重庆大学
摘要： 本发明提供了一种基于二维泽尔尼克矩特征稀疏表示的SAR目标识别方法，该方法能够有效提取SAR目标图像中携带的局部电磁散射特征信息，在不同的方位角下，每一类目标的电磁散射中心和散射强度都是不同的，因此，基于2D切片图计算出来的Zernike特征具有很强的鉴别性；同时，本发明的SAR目标识别方法应用了稀疏表示理论来进行识别，它可以很好的对输入特征进行重构，并且根据重构误差来做出判别。总体而言，本发明基于二维泽尔尼克矩特征稀疏表示的SAR目标识别方法把2D切片图的Zernike矩特征与SRC技术相结合，这样就可以很好的目标进行识别，并且具有良好的对噪声的鲁棒性。
-
公开(公告)号：CN105427264A
公开(公告)日：2016-03-23
申请号：CN201510975963.8
申请日：2015-12-23
申请人： 重庆大学
IPC分类号： G06T5/00
CPC分类号： G06T5/003
摘要： 本发明公开了一种基于群稀疏系数估计的图像重构方法。属于数字图像处理技术领域。它是一种基于相似块集合稀疏系数估计的图像重构方法。首先通过欧氏距离寻找相似图像块，并对相似图像块集合进行局部与非局部稀疏表示，以获得更稀疏更准确的系数。进一步利用伯格曼迭代算法求解重构模型，并采用线性最小均方误差准则估计稀疏系数，以保证对包含图像纹理细节信息的小系数的精确估计。本发明对相似图像块集合稀疏表示系数进行线性最小均方误差估计，不仅在修复和去模糊等方面效果明显，同时使重构后的图像拥有更为丰富的细节信息，整体视觉效果更加清晰，可用于光学图像修复和去模糊。
-
公开(公告)号：CN104899549A
公开(公告)日：2015-09-09
申请号：CN201510185593.8
申请日：2015-04-17
申请人： 重庆大学
摘要： 本发明提供了一种基于距离像时频图鉴别字典学习的SAR目标识别方法，其采用了SAR的距离像时频图作为识别特征，避免了由于目标运动导致散焦或者信噪比等因素造成图像质量不高时对目标识别效果的影响，通过鉴别字典学习联合进行字典学习和分类器训练，能够有效的提取雷达目标距离像时频数据中的特征信息，不仅有利于减少字典中的原子数目，降低稀疏编码过程中的运算复杂度，同时还有利于提高稀疏编码的精度，从而提高对雷达目标的识别准确率，并且整个识别过程中均不需要对SAR图像目标进行方位角估计，因此降低了识别复杂程度，也避免了识别准确性对目标方位角估计的依赖，同时具有良好的识别性能，能够帮助提升雷达目标识别的鲁棒性能。
-
公开(公告)号：CN115471763A
公开(公告)日：2022-12-13
申请号：CN202211056668.9
申请日：2022-08-31
申请人： 重庆大学
IPC分类号： G06V20/17 , G06V10/46 , G06V10/54 , G06V10/764 , G06V10/80 , G06V10/82 , G06N3/04 , G06N3/08
摘要： 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：CN110781822A
公开(公告)日：2020-02-11
申请号：CN201911025388.X
申请日：2019-10-25
申请人： 重庆大学
摘要： 本发明公开了基于自适应多方位角字典对学习的SAR图像目标识别方法，包括：获取目标图像及全方位角训练样本集；划分局部方位角扇区并将全方位角训练样本集分成多个训练局部方位角扇区；确定目标图像所在的局部方位角扇区；对目标图像所在的局部方位角扇区对应的训练局部方位角扇区中的训练样本子集进行判别字典对学习，得到目标图像所在的局部方位角扇区的判别字典对；基于判别字典对目标图像进行重构，利用最小重构误差准则确定目标图像的标签，实现目标图像的识别。针对上述现有技术的不足，本发明针对雷达图像对方位角敏感，挖掘局部扇区的字典对的表示学习能力，减小了计算成本，降低了样本间因方位角差异过大而引起的干扰。
-
公开(公告)号：CN110458137A
公开(公告)日：2019-11-15
申请号：CN201910765203.2
申请日：2019-08-19
申请人： 重庆大学
摘要： 本发明公开了一种基于两级多任务学习的合成孔径雷达图像识别方法，包括：提取目标图像及训练图像集的多类异质特征；将目标图像的每一类异质特征以训练图像集中所有训练图像对应的异质特征的线性组合表示；提取每一类异质特征的系数矢量；得到每一类异质特征的M近邻局部子集并组成新字典；得到协同表示系数矩阵；利用最小重构误差进准则得到目标图像的识别结果。本发明第一阶段得到目标图像在训练样本中的最佳局部子集，并相应更新各个特征的字典，大大减少了远离目标图像的训练样本的干扰，从而避免了异常值造成的干扰，分类性能明显优于多任务稀疏表示学习和多任务协同表示学习算法，且对广泛的正则化参数具有鲁棒性。
-
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
申请人： 重庆大学
IPC分类号： G06K9/62
摘要： 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。
-
-
-
-
-
-
-
-
-
搜索结果
71 条记录 (耗时 0.026 秒)