-
公开(公告)号：CN113723182B
公开(公告)日：2024-07-16
申请号：CN202110827306.4
申请日：2021-07-21
Applicant: 西安电子科技大学
IPC: G06V20/13 , G06V10/774 , G06V10/25 , G06V10/82 , G06T7/73
Abstract: 本发明公开了一种训练样本受限条件下的SAR图像舰船检测方法，包括：获取针对海面区域的待检测的SAR图像；将SAR图像输入预先训练完成的目标检测模型，得到SAR图像的舰船检测结果；目标检测模型是利用具有标记信息的原始样本集和扩展样本集合并训练得到的；扩展样本集是基于原始样本集中舰船切片图像的方位变化并结合不同海杂波图像得到的。本发明无需高昂的数据采集成本，利用图像处理等手段则可以简便地实现增加训练样本的目的。通过利用原始样本集和扩展样本集合并训练能够提高目标检测模型的训练精度，实现在训练样本受限情况下，提高SAR图像的舰船检测精度的目的。
-
公开(公告)号：CN113960551A
公开(公告)日：2022-01-21
申请号：CN202111004359.2
申请日：2021-08-30
Applicant: 西安电子科技大学
Abstract: 本发明公开了一种针对SAR图像的杂波图像生成方法，包括：将不同的随机噪声分别输入预先训练完成的实部生成对抗网络和虚部生成对抗网络，对应得到杂波实部和杂波虚部；组合杂波实部和杂波虚部得到杂波图像；其中，实部生成对抗网络和虚部生成对抗网络是通过对大量SAR图像的杂波切片图像提取实部和虚部，分别得到实部训练集和虚部训练集；利用实部训练集和虚部训练集分别训练一生成对抗网络得到的。本发明能够生成与真实杂波特性相同的杂波图像，满足SAR图像地物杂波等杂波的统计研究需求。
-
公开(公告)号：CN113887278A
公开(公告)日：2022-01-04
申请号：CN202110970783.6
申请日：2021-08-23
Applicant: 西安电子科技大学
Abstract: 本发明公开了一种基于非线性流形建模的SAR图像目标识别方法，包括：获取待识别目标切片图像；利用预先构建的抽象空间字典的各原子使用对应的权重系数所进行的加权线性组合，表示待识别目标切片图像针对Grassmann流形的流形元素的非线性映射；求解各权重系数；根据最小重构误差准则对待识别目标切片图像类别进行判决；抽象空间字典的每一原子为一类别的目标切片图像组的流形元素的非线性映射；每一目标切片图像的流形元素的非线性映射通过得到该目标切片图像的多尺度复信号，进行多维调制得到子空间集合，构造Grassmann流形后嵌入再生核希尔伯特空间生成。本发明能有效应对随机噪声污染问题和目标的变体问题，提高识别精度。
-
公开(公告)号：CN119291637A
公开(公告)日：2025-01-10
申请号：CN202411372470.0
申请日：2024-09-29
Applicant: 西安电子科技大学
Abstract: 本发明公开了一种多准则联合约束的距离像序列超分辨方法，涉及雷达信号处理技术领域，解决了现有技术中对复杂构型下的距离像超分辨重构精度不高，且稳健性差的问题；该方法包括：获取雷达回波信号，并构建关于雷达回波信号的多准则联合约束的距离像超分辨重构模型；构造非凸松弛惩罚函数对距离像超分辨重构模型进行求解，得到所述距离像超分辨重构模型对应的代价函数；对代价函数进行求解，得到目标的超分辨距离像序列；实现了利用多帧距离像序列之间的多普勒信息，提高了距离像超分辨重构的精度，并且增强了距离像超分辨重构的稳健性，实现稳健的距离超分辨成像。
-
公开(公告)号：CN113780364B
公开(公告)日：2024-08-02
申请号：CN202110949385.6
申请日：2021-08-18
Applicant: 西安电子科技大学
IPC: G06V10/764 , G06V10/774 , G06V20/50
Abstract: 本发明公开了一种模型与数据联合驱动的SAR图像目标识别方法，包括：获取待识别的SAR图像；将SAR图像输入预先训练完成的目标识别网络，得到SAR图像的目标识别结果；其中，目标识别网络是利用具有标记信息的原始样本集和扩展样本集预先合并训练得到的；扩展样本集是基于原始样本集，利用参数化模型进行目标重构，并进行随机部分频率修改操作后再成像得到的。本发明能够在训练样本受限情况下，提高SAR图像的目标识别精度，并减小实际扰动因素的影响。
-
Patent Agency Ranking
公开(公告)号：CN113723182A
公开(公告)日：2021-11-30
申请号：CN202110827306.4
申请日：2021-07-21
Applicant: 西安电子科技大学
Abstract: 本发明公开了一种训练样本受限条件下的SAR图像舰船检测方法，包括：获取针对海面区域的待检测的SAR图像；将SAR图像输入预先训练完成的目标检测模型，得到SAR图像的舰船检测结果；目标检测模型是利用具有标记信息的原始样本集和扩展样本集合并训练得到的；扩展样本集是基于原始样本集中舰船切片图像的方位变化并结合不同海杂波图像得到的。本发明无需高昂的数据采集成本，利用图像处理等手段则可以简便地实现增加训练样本的目的。通过利用原始样本集和扩展样本集合并训练能够提高目标检测模型的训练精度，实现在训练样本受限情况下，提高SAR图像的舰船检测精度的目的。
-
公开(公告)号：CN113093164A
公开(公告)日：2021-07-09
申请号：CN202110349429.1
申请日：2021-03-31
Applicant: 西安电子科技大学
Abstract: 本发明公开了一种平移不变和噪声稳健的雷达图像目标识别方法。解决了传统SAR图像目标识别方法受目标空间偏移和噪声污染等局部微小扰动影响，识别效果不佳的技术问题，其步骤包括：将选取的参考样本进行频域变换；构造参考样本频域特征描述向量；构造过完备冗余字典；处理待识别未知样本；计算未知样本频域特征描述向量的最稀疏表示；重构未知样本并进行类别判决。本发明利用低频分量设计信号的频域特征描述，构造过完备冗余字典实现对未知样本频域特征的最稀疏表示，解决了SAR图像目标识别领域，同类目标之间存在空间偏移，无法精准对齐的技术问题，以及实际场景中图像扰动影响识别率的技术问题。可用于雷达实际场景复杂成像条件下的目标分类识别。
-
公开(公告)号：CN119671873A
公开(公告)日：2025-03-21
申请号：CN202411647301.3
申请日：2024-11-18
Applicant: 西安电子科技大学
IPC: G06T5/60 , G06T3/4053 , G06T3/4046 , G06N3/0455 , G06N3/084 , G06V10/80 , G06V10/44 , G06V10/82 , G06N3/0464
Abstract: 本发明公开了一项基于深度学习的SAR智能重聚焦方法，主要解决传统SAR图像重聚焦中相位误差建模复杂、图像分辨率低、细节丢失的问题。其实现方案是：获取SAR纯净图像和对应散焦图像的数据集并划分为训练集、验证集和测试集；构建包含编码器和解码器的深度学习网络；利用训练集进行前向和反向传播迭代训练该网络，并在验证集上评估更新模型参数得到训练好的网络模型；将测试集中的散焦图像输入到训练好的网络模型中，通过编码器提取图像特征并通过解码器重建高分辨率图像获取复原图像结果。本发明能有效提取SAR图像的深层特征，缓解梯度消失，有效融合不同层次的特征，提升SAR图像的重建质量和分辨率，增强复原后图像的细节表现，可用于雷达成像及评价。
-
公开(公告)号：CN119624806A
公开(公告)日：2025-03-14
申请号：CN202411665400.4
申请日：2024-11-20
Applicant: 西安电子科技大学
Abstract: 本发明公开了一种图像智能分解的SAR干扰抑制方法，主要解决现有方法对复杂电磁环境下SAR成像干扰抑制效果差的问题。其实现方案是：获取实测数据，生成干扰信号；使用成像算法对实测数据、干扰信号和由干扰与实测组成的混合数据分别成像，划分训练集和测试集；构建包括图像分解网络和干扰抑制网络的图像分解干扰抑制网络，并利用训练集采用反向传播对该网络进行迭代训练；将测试集输入到训练好的图像分解干扰抑制网络，获取干扰抑制后的图像。本发明在图像层面进行干扰抑制，能对特定场景进行充分的干扰抑制训练，提高了对图像数据的利用率和对特定场景干扰的抑制的能力，可用于目标探测中抑制复杂电磁环境下对雷达成像造成的各种干扰。
-
公开(公告)号：CN118535975A
公开(公告)日：2024-08-23
申请号：CN202410787677.8
申请日：2024-06-18
Applicant: 西安电子科技大学
IPC: G06F18/241 , G01S7/36 , G06F18/10 , G06F18/214 , G06N3/0464 , G06N3/0895 , G06N3/084 , G06N3/048 , G06F18/2415 , G06N3/047 , G06F18/25 , G06F18/213
Abstract: 本发明公开了一种基于跨域自监督学习雷达干扰识别方法，主要解决现有技术在训练标记样本受限条件下目标识别准确率差和泛化性差的问题。其方案是：获得预训练数据集和微调数据集；对预训练数据集进行增强；构建包括两个编码器模块、多模态特征融合模块和映射模块组成的跨域自监督学习雷达干扰识别网络模型；将增强数据输入到该模型进行训练，得到预训练后的干扰识别模型；将微调数据集输入到预训练后的干扰识别模型进行再训练，得到最终训练好的跨域自监督学习雷达干扰识别模型；将测试样本集输入到训练好的干扰识别模型中获取目标识别结果。本发明能在标记样本受限的条件下保证识别效果的稳定性和泛化性，提升雷达干扰识别精度，可用于复杂电磁环境的干扰识别。
-
-
-
-
-
-
-
-
-
Search Results
23
records
(took 0.02 seconds)
