一种星载SAR图像的智能生成方法、装置、设备及介质

    公开(公告)号:CN117522714A

    公开(公告)日:2024-02-06

    申请号:CN202311595704.3

    申请日:2023-11-28

    Abstract: 本发明公开一种星载SAR图像的智能生成方法、装置、设备及介质。该方法中从SAR切片中提取SAR目标的方法,解决了合成图像不协调、缺乏真实感的问题;基于背景图像的地物分类蒙版图进行了背景预布局处理,解决了现有图像合成方法效率低下和缺乏逻辑一致性的问题;为进一步增强目标特征,进行了目标特征增强的图像融合,解决了合成图像目标语义单一不变的缺陷。基于合成数据进行了SAR图像的智能生成,实现了具有全新语义的SAR图像生成。本发明对于数据驱动下的各种SAR图像深度解译和处理工作具有重要意义。

    面向小样本残差学习的合成孔径雷达目标识别方法

    公开(公告)号:CN109492556A

    公开(公告)日:2019-03-19

    申请号:CN201811263252.8

    申请日:2018-10-28

    Abstract: 本发明公开了面向小样本残差学习的合成孔径雷达目标识别方法,针对SAR图像目标识别任务中人工的高成本以及样本数据有限的问题,该方法使用了18层的残差网络作为基础网路结构,将深度残差学习应用到SAR小样本目标识别中,并将Dropout引入了每个残差块的结构中。使用了Softmax Loss和Center Loss这两种损失函数组合所构成的目标函数来进行监督。本发明主要的实施对象是机载聚束式合成孔径雷达所采集的图像,主要工作是对其进行目标识别。

    基于课程体系数据的动态课程地图处理系统及方法

    公开(公告)号:CN104637009B

    公开(公告)日:2018-01-05

    申请号:CN201310559529.2

    申请日:2013-11-12

    Abstract: 本发明公开了一种基于课程体系数据的动态课程地图处理系统及方法。该系统包括数据存储处理子系统,用于将课程地图涉及的数据进行设置,进行结构化处理,得到课程地图数据并存储;课程地图自动生成子系统,用于利用针对课程地图需求优化的图形排列Dot方法,根据课程地图数据,构建生成相应的课程地图图形;课程动态交互子系统,用于使用动态矢量图技术,将课程地图的数据进行处理,生成融入动态图形当中并显示交互。其增加了课程地图的交互性,使用户能够更直观的了解各课程之间的关系。

    面向小样本残差学习的合成孔径雷达目标识别方法

    公开(公告)号:CN109492556B

    公开(公告)日:2022-09-20

    申请号:CN201811263252.8

    申请日:2018-10-28

    Abstract: 本发明公开了面向小样本残差学习的合成孔径雷达目标识别方法,针对SAR图像目标识别任务中人工的高成本以及样本数据有限的问题,该方法使用了18层的残差网络作为基础网路结构,将深度残差学习应用到SAR小样本目标识别中,并将Dropout引入了每个残差块的结构中。使用了Softmax Loss和Center Loss这两种损失函数组合所构成的目标函数来进行监督。本发明主要的实施对象是机载聚束式合成孔径雷达所采集的图像,主要工作是对其进行目标识别。

    一种基于形状先验的目标检测方法

    公开(公告)号:CN116664866A

    公开(公告)日:2023-08-29

    申请号:CN202310564376.4

    申请日:2023-05-18

    Abstract: 本发明公开了一种基于形状先验的目标检测方法,具体包括针对大规模数据集的目标检测方法和针对小样本数据集的目标检测方法。本发明首先构造形状数据集,然后设计目标检测模型,并通过形状数据集对模型进行预训练,再通过目标任务数据集(通常为大规模数据集)对模型的权重进行微调,从而实现对大规模数据集的目标检测。在此基础上,本发明设计了小样本目标检测模型,通过形状数据集训练模型中的部分结构并冻结,再通过目标任务数据集(通常为小样本数据集)对模型中的其余结构进行训练,最终实现针对小样本数据集的目标检测。

    基于孪生网络的不完备训练集的SAR目标识别方法

    公开(公告)号:CN109508655A

    公开(公告)日:2019-03-22

    申请号:CN201811263248.1

    申请日:2018-10-28

    Abstract: 本发明公开了基于孪生网络的不完备训练集的SAR目标识别方法,本发明借鉴了传统机器学习中k-NN算法,从训练集的每个类别中抽取n个样本作为本类别样本的代表形成一个支持集,例如在一个分类任务中共有m个类别,那么支持集中样本总数为m*n个。在分类时将待分类样本和支持集中的支持样本一起输入到网络中,支持集中的每一个样本和这个待分类样本组成输入对,分别输入到孪生网络的两个输入中提取特征,接着将两个样本提取到的特征求差,再对特征之差进行判断得到待分类样本和支持集中某个类别样本的相似程度,最后将待分类样本归类为该样本和支持集中相似度最高的样本的类别。

    基于深度协同的合成孔径雷达回波并行模拟方法

    公开(公告)号:CN105911532B

    公开(公告)日:2018-06-29

    申请号:CN201610500585.2

    申请日:2016-06-29

    Abstract: 基于深度协同的合成孔径雷达回波并行模拟方法,属于合成孔径雷达应用技术领域。传统的CPU+GPU异构计算模式下,通常CPU是处理逻辑性较强的运算,而GPU是处理数据相对比较密集且适合并行进行的计算。本发明在充分调研了国内外对SAR回波快速模拟相关文献的基础上,借鉴了相关星载SAR回波模拟的并行仿真算法,提出了一种基于SIMD异构并行的星载SAR回波快速模拟仿真方法,通过多核矢量化扩展CPU/众核GPU的深度协同并行加速SAR回波仿真过程,并在此基础上进行了冗余计算的优化和针对SAR回波过程中不规则问题计算的深度并行优化,实验结果表明通过经优化的CPU/GPU异构协同的模式相比于传统的串行计算方法,在计算效率上能够达到2‑3个数量级的提升。

    基于深度协同的合成孔径雷达回波并行模拟方法

    公开(公告)号:CN105911532A

    公开(公告)日:2016-08-31

    申请号:CN201610500585.2

    申请日:2016-06-29

    CPC classification number: G01S7/4052 G01S13/90

    Abstract: 基于深度协同的合成孔径雷达回波并行模拟方法,属于合成孔径雷达应用技术领域。传统的CPU+GPU异构计算模式下,通常CPU是处理逻辑性较强的运算,而GPU是处理数据相对比较密集且适合并行进行的计算。本发明在充分调研了国内外对SAR回波快速模拟相关文献的基础上,借鉴了相关星载SAR回波模拟的并行仿真算法,提出了一种基于SIMD异构并行的星载SAR回波快速模拟仿真方法,通过多核矢量化扩展CPU/众核GPU的深度协同并行加速SAR回波仿真过程,并在此基础上进行了冗余计算的优化和针对SAR回波过程中不规则问题计算的深度并行优化,实验结果表明通过经优化的CPU/GPU异构协同的模式相比于传统的串行计算方法,在计算效率上能够达到2?3个数量级的提升。

    基于孪生网络的不完备训练集的SAR目标识别方法

    公开(公告)号:CN109508655B

    公开(公告)日:2023-04-25

    申请号:CN201811263248.1

    申请日:2018-10-28

    Abstract: 本发明公开了基于孪生网络的不完备训练集的SAR目标识别方法,本发明借鉴了传统机器学习中k‑NN算法,从训练集的每个类别中抽取n个样本作为本类别样本的代表形成一个支持集,例如在一个分类任务中共有m个类别,那么支持集中样本总数为m*n个。在分类时将待分类样本和支持集中的支持样本一起输入到网络中,支持集中的每一个样本和这个待分类样本组成输入对,分别输入到孪生网络的两个输入中提取特征,接着将两个样本提取到的特征求差,再对特征之差进行判断得到待分类样本和支持集中某个类别样本的相似程度,最后将待分类样本归类为该样本和支持集中相似度最高的样本的类别。

Patent Agency Ranking