公开(公告)号：CN118365944B

公开(公告)日：2024-10-25

申请号：CN202410529985.0

申请日：2024-04-29

申请人： 安徽大学

发明人： 曹宜策 ,  姚汶昕 ,  吴振华 ,  柳晨辰 ,  黄志祥

IPC分类号： G06V10/764 ,  G06V10/82 ,  G06N3/0455 ,  G06N3/0464 ,  G06N3/082

摘要： 本发明公开了基于目标分解引导多模态学习的极化SAR图像分类方法，步骤包括：采集相同地物类型的极化SAR图像，极化SAR图像包括：源域极化SAR图像和目标域极化SAR图像；对极化SAR图像进行预处理，得到极化SAR图像的特征矩阵；构建基于多模态的跨域网络模型；利用特征矩阵训练跨域网络模型，得到分类模型；利用分类模型，完成极化SAR图像的分类。本发明充分利用已知的物理模型和领域知识挖掘泛化能力强且具备物理特性的特征表示。即充分利用目标分解特征的可解释强性的特点，因此利用极化目标分解特征的物理信息的文本先验知识，获得具有物理特性的判别性语义特征表示，能够提升深度学习算法的透明度。

公开(公告)号：CN118135307A

公开(公告)日：2024-06-04

申请号：CN202410273135.9

申请日：2024-03-11

申请人： 安徽大学

发明人： 曹宜策 ,  姚汶昕 ,  吴振华 ,  朱大毅 ,  柳晨辰 ,  黄志祥

IPC分类号： G06V10/764 ,  G06V10/774 ,  G06V20/13 ,  G06V10/82 ,  G06F17/16 ,  G06F17/18 ,  G06N3/0464 ,  G06N3/084

摘要： 本发明公开联合域适应和小样本学习的极化SAR图像跨域分类方法，其特征在于，包括：获取源域图像、目标域图像及对应的地物真实标记图；对极化复值相干矩阵进行归一化；在归一化后的极化复值相干矩阵中提取复值特征向量，根据所述复值特征向量，生成源域图像和目标域图像的复值特征矩阵；根据复值特征矩阵及地物真实标记图，构建源域训练集及目标域训练集；构建源域支持查询集和目标域支持查询集；构建跨域网络模型，通过源域支持查询集和目标域支持查询集对所述跨域网络模型进行训练及小样本学习，生成训练好的跨域网络模型；通过训练好的跨域网络模型对待分类的极化SAR极化图像进行处理，生成极化SAR图像分类结果。

公开(公告)号：CN114047389B

公开(公告)日：2024-04-12

申请号：CN202111318803.8

申请日：2021-11-09

申请人： 安徽大学

发明人： 杨利霞 ,  赵发发 ,  吴振华

IPC分类号： G01R29/08

摘要： 本发明涉及一种频率分集和计算成像方法及系统。该方法包括利用超材料孔径天线的探针接收场景目标散射的回波信号，并根据所述回波信号构建场景的测量矩阵；根据所述测量矩阵构建超材料孔径天线成像数学模型；根据超材料孔径天线远场的辐射方向图数据确定目标场景距离解耦合并行成像算法；根据所述超材料孔径天线成像数学模型，采用所述目标场景距离解耦合并行成像算法，确定目标场景的散射系数分布；根据目标场景的散射系数分布确定场景的估计模型，完成成像重建。本发明能够提高场景信息采集速率，实现对目标场景的快速感知和计算成像。

公开(公告)号：CN117456227A

公开(公告)日：2024-01-26

申请号：CN202311197596.4

申请日：2023-09-15

申请人： 安徽大学

发明人： 曹宜策 ,  王腾鑫 ,  吴振华 ,  陈杰 ,  黄志祥 ,  杨利霞

IPC分类号： G06V10/764 ,  G06V10/82 ,  G06V20/10 ,  G06V10/774

摘要： 本发明公开了一种基于复值分离对齐网络的极化SAR图像碳汇目标分类方法，包括：获取极化SAR数据；根据极化SAR数据，构建源域训练集和目标域训练集；构建复值分离对齐网络模型；利用源域训练集和目标域训练集对复值分离对齐网络模型进行训练；利用训练好的复值分离对齐网络模型对待分类的目标域极化SAR图像进行分类。本发明避免了现有技术无法消除域特定信息干扰的问题以及现有技术中无法全面描述表征目标的问题，并且能够学习更广泛和更具判别性的域不变特征表示，有效提高了极化SAR图像碳汇目标精细分类识别的准确率。

公开(公告)号：CN116953642A

公开(公告)日：2023-10-27

申请号：CN202310782312.1

申请日：2023-06-29

申请人： 安徽大学

发明人： 吴振华 ,  吴俊杰 ,  钱军 ,  王腾鑫 ,  张磊 ,  杨利霞

IPC分类号： G01S7/41 ,  G06V40/20 ,  G06V10/774 ,  G06V10/82 ,  G06V10/764 ,  G06N3/0464

摘要： 本发明公开了一种基于自适应编码VisionTransformer网络的毫米波雷达手势识别方法，包括：利用毫米波雷达对待分类手势进行采集；对采集到的手势回波数据进行特征提取，并将提取到的微动多普勒特征和俯仰方位角特征按三通道合成RGB手势特征图；利用去噪扩散隐式模型对RGB手势特征图进行扩充；将扩充得到的拟合图像和RGB手势特征图混合形成数据集，并将数据集划分为训练数据集和验证数据集；构建自适应编码VisionTransformer网络模型；利用训练数据集对自适应编码VisionTransformer网络模型进行训练；将验证数据集输入训练好的自适应编码VisionTransformer网络模型中进行分类。本发明采用自适应编码VisionTransformer网络模型，计算复杂度降低，识别精度提高，且易于低算力状态下的部署。

公开(公告)号：CN115166668A

公开(公告)日：2022-10-11

申请号：CN202210759909.X

申请日：2022-06-30

申请人： 安徽大学

发明人： 吴振华 ,  钱军 ,  赵发发 ,  杨利霞

IPC分类号： G01S7/41 ,  G06N3/04 ,  G06N3/08

摘要： 本发明涉及一种基于深度卷积神经网络的近场超表面天线快速计算成像方法，包括：通过构建测量矩阵来反映回波测量值与场景目标散射系数分布之间的映射关系；基于卷积神经网络构建近场MSACI‑Net成像网络，训练近场MSACI‑Net成像网络，重构接收矩阵；根据近场MSACI‑Net成像网络设计网络训练算法，使用均方误差计算网络预测值与真实值之间的损失，利用Adam优化算法，使近场MSACI‑Net成像网络的损失最小；利用实测场数据训练近场MSACI‑Net成像网络，训练完成后实时高精度地重建高质量的原始目标信息。本发明基于深度卷积神经网络，构建的超表面天线计算成像网络，快速实现近场超材料孔径计算，可以快速、准确地对点大小的目标和更复杂的目标进行成像。

公开(公告)号：CN118115803B

公开(公告)日：2024-10-11

申请号：CN202410273172.X

申请日：2024-03-11

申请人： 安徽大学

发明人： 曹宜策 ,  朱大毅 ,  吴振华 ,  姚汶昕 ,  柳晨辰 ,  黄志祥

IPC分类号： G06V10/764 ,  G06V10/774 ,  G06V10/82 ,  G06V20/13 ,  G06N3/0464 ,  G06N3/08 ,  G06F17/16 ,  G06F17/18

摘要： 本发明公开基于Diffusion模型的极化SAR图像分类方法，包括：获取极化SAR数据，极化SAR数据包括极化SAR图像及对应的地物真实标记图；基于极化SAR数据，通过数据遴选算法获取待增广数据集；构建Diffusion数据增广模型，其中通过待增广训练集对Diffusion数据增广模型进行训练，并通过训练好的Diffusion数据增广模型生成伪数据；基于待增广数据集及伪数据，重构生成增广数据集；构建卷积神经网络，通过增广数据集对卷积神经网络进行训练，生成训练好的卷积神经网络；通过训练好的卷积神经网络对待分类极化SAR图像对应的特征数据进行分类，生成待分类极化SAR图像的地物类别预测分类结果。

公开(公告)号：CN118519096A

公开(公告)日：2024-08-20

申请号：CN202410446907.4

申请日：2024-04-15

申请人： 安徽大学

发明人： 吴振华 ,  崔金鑫 ,  曹宜策 ,  王腾鑫 ,  郭文杰 ,  杨利霞

IPC分类号： G01S7/02 ,  G01S7/36

摘要： 本发明公开了一种基于增量学习的雷达复合干扰识别方法、系统、介质和设备，获取多个带干扰类型标签的雷达干扰时频图数据集；构造基础训练数据集、增量训练数据集和非均衡测试集；利用基础训练数据集和增量训练数据集对预先构建的直推式小样本增量学习雷达复合干扰识别模型分别进行元学习基类训练和增量学习；利用非均衡测试集对增量训练后的直推式小样本增量学习雷达复合干扰识别模型进行直推式学习，得到目标直推式小样本增量学习雷达复合干扰识别模型；将待测雷达干扰时频图像输入至目标直推式小样本增量学习雷达复合干扰识别模型中进行雷达复合干扰识别。本发明实现已知未知复合干扰的一体化快速准确识别。

公开(公告)号：CN118115803A

公开(公告)日：2024-05-31

申请号：CN202410273172.X

申请日：2024-03-11

申请人： 安徽大学

发明人： 曹宜策 ,  朱大毅 ,  吴振华 ,  姚汶昕 ,  柳晨辰 ,  黄志祥

IPC分类号： G06V10/764 ,  G06V10/774 ,  G06V10/82 ,  G06V20/13 ,  G06N3/0464 ,  G06N3/08 ,  G06F17/16 ,  G06F17/18

摘要： 本发明公开基于Diffusion模型的极化SAR图像分类方法，包括：获取极化SAR数据，极化SAR数据包括极化SAR图像及对应的地物真实标记图；基于极化SAR数据，通过数据遴选算法获取待增广数据集；构建Diffusion数据增广模型，其中通过待增广训练集对Diffusion数据增广模型进行训练，并通过训练好的Diffusion数据增广模型生成伪数据；基于待增广数据集及伪数据，重构生成增广数据集；构建卷积神经网络，通过增广数据集对卷积神经网络进行训练，生成训练好的卷积神经网络；通过训练好的卷积神经网络对待分类极化SAR图像对应的特征数据进行分类，生成待分类极化SAR图像的地物类别预测分类结果。

公开(公告)号：CN117593394A

公开(公告)日：2024-02-23

申请号：CN202311387651.6

申请日：2023-10-24

申请人： 安徽大学

发明人： 吴振华 ,  徐嘉飞 ,  曹宜策 ,  杨利霞

IPC分类号： G06T11/00 ,  G06N3/0464 ,  G06N3/084 ,  G06N3/0985

摘要： 本发明公开了一种基于自适应采样近似消息传递网络的稀疏视图CT重建方法，获取原始CT图像数据集；其中，原始CT图像数据集包括多个场景目标图像；每个场景目标图像上具有场景目标成像值；根据原始CT图像数据集划分为训练集、验证集和测试集；构建基于压缩感知技术和深度神经网络的自适应采样近似消息传递网络；利用训练集、验证集和测试集分别对自适应采样近似消息传递网络进行训练、验证和测试；利用训练好的自适应采样近似消息传递网络对待重建的CT图像进行重建。本发明中能够实现自适应采样的稀疏视图CT重建，能够有效加速数据采集和提高重建得到的图像的质量。