-
公开(公告)号：CN119006900A
公开(公告)日：2024-11-22
申请号：CN202411024974.3
申请日：2024-07-29
Applicant: 电子科技大学 , 西安电子科技大学杭州研究院
IPC: G06V10/764 , G06V10/82 , G06N3/0442 , G06V10/80 , G06V10/44 , G06V10/42 , G06N3/048 , G06V20/13
Abstract: 该发明公开了一种基于时空特征增强网络的多视角ISAR车辆目标分类方法，属于逆合成孔径雷达目标分类领域。本发明针对上述ISAR车辆目标分类存在的问题，提出一种基于时空特征增强网络的多视角ISAR车辆目标分类方法。首先，该方法提出一个融合动态卷积运算和自适应视角加权策略的多视角特征提取框架，动态卷积可根据输入自适应调整卷积核，再基于多视角特征自适应加权策略，联合多个视角提取车辆目标的综合视角特征；然后，提出一个双流时空特征细化模块，分别从全局和局部角度对多视角时空特征进行优化；最后，利用长短期记忆网络有效聚合多视角时空特征，实现车辆目标分类。
-
公开(公告)号：CN118445529B
公开(公告)日：2025-02-07
申请号：CN202410435565.6
申请日：2024-04-11
Applicant: 电子科技大学
Abstract: 本发明公开了一种低资源消耗的雷达宽带IQ信号卷积处理系统，属于信号处理领域。该系统包括：IQ卷积预处理模块、多相卷积预处理模块、多相卷积器模块、多相卷积后处理模块、IQ卷积后处理模块。本发明高效地利用乘法器资源，能够有效处理宽带IQ路信号的卷积；首先将IQ路卷积转化为实数卷积，减少了乘法器资源消耗；其次对多相卷积进行优化，进一步减少乘法器资源消耗；最后卷积器模块使用专用级联走线级联乘法器，减少走线，且能够根据输入信号的变化实时调整延时，使用门控时钟，降低功耗。具有的效果包括，在八相IQ信号卷积中，与常规方法相比，本发明能够节约68%左右的乘法器资源消耗。
-
公开(公告)号：CN118445529A
公开(公告)日：2024-08-06
申请号：CN202410435565.6
申请日：2024-04-11
Applicant: 电子科技大学
Abstract: 本发明公开了一种低资源消耗的雷达宽带IQ信号卷积处理系统，属于信号处理领域。该系统包括：IQ卷积预处理模块、多相卷积预处理模块、多相卷积器模块、多相卷积后处理模块、IQ卷积后处理模块。本发明高效地利用乘法器资源，能够有效处理宽带IQ路信号的卷积；首先将IQ路卷积转化为实数卷积，减少了乘法器资源消耗；其次对多相卷积进行优化，进一步减少乘法器资源消耗；最后卷积器模块使用专用级联走线级联乘法器，减少走线，且能够根据输入信号的变化实时调整延时，使用门控时钟，降低功耗。具有的效果包括，在八相IQ信号卷积中，与常规方法相比，本发明能够节约68%左右的乘法器资源消耗。
-
公开(公告)号：CN115421141B
公开(公告)日：2024-10-18
申请号：CN202210885949.9
申请日：2022-07-26
Applicant: 电子科技大学
IPC: G01S13/90 , G06F18/2415
Abstract: 本发明公开了一种两阶段自适应采样的不平衡SAR目标识别方法，本发明从少数类目标与多数类目标两个角度出发，通过两阶段的处理方式改善不同类数据的平衡比。该方法的主要流程：在预处理阶段应用改进的合成过采样的方法，自适应对识别困难的少数类样本合成更多的样本以强化少数类边界，从而降低数据集的不平衡度。将分类决策的边界向更难学习的样本实例移动，减少原始数据的不平衡分布带来的学习偏差。同时，为了进一步改善数据的平衡度，本发明在分类模型训练阶段提出一种基于自步长学习的简单样本选择策略。在网络训练阶段根据阈值及新设计的损失函数有选择的纳入多数类简单样本进行训练，进一步降低数据集的不平衡度。在OpenSARShip2.0公开数据集上进行仿真实验，证明了本发明的有效性。
-
公开(公告)号：CN118537585A
公开(公告)日：2024-08-23
申请号：CN202410208545.5
申请日：2024-02-26
Applicant: 电子科技大学
IPC: G06V10/52 , G06V10/764 , G06V10/80 , G06V10/82 , G06N3/0464 , G06N3/08 , G01S13/90
Abstract: 本发明提出了一种基于无锚框架多尺度特征增强的SAR舰船检测方法，其中，针对多尺度大纵横比船舶目标的检测困难问题，提出了一种相邻特征跨层融合的金字塔增强网络，通过减轻多尺度特征融合时的高层语义损失，增强相邻特征层的低层次定位特征，使网络更有利于多尺度船舶检测。针对传统无锚密集预测方法对船舶目标正负样本分配的不平衡等问题，提出了一种一致性约束的标签分配方法，确保相邻层语义一致性与模糊样本中样本点分配更符合船舶的轮廓特征，从而提高了密集场景下的检测性能。通过多种SAR应用场景的实验论证了本发明在SAR目标检测方面的有效性与潜力。
-
Patent Agency Ranking
公开(公告)号：CN114237842B
公开(公告)日：2023-09-05
申请号：CN202111456134.0
申请日：2021-12-02
Applicant: 电子科技大学
IPC: G06F9/48
Abstract: 本发明公开了基于典型参数限定的相控阵雷达自适应任务调度方法。该方法的主要流程：首先生成时间轴上的任务请求队列，初始化时间指针；从请求队列中删除最晚可执行时间小于时间指针的任务；判断请求队列中是否存在最早可执行时间小于或等于时间指针的任务，若无，更新时间指针重复以上判断，若有形成任务判断列表；再计算判断列表中每个任务此时的时间偏差和截止期差值，通过典型参数限定的方法选取任务执行，若均不满足参数限定的条件则更新时间指针进行以上判断，若满足则写入执行队列、更新时间指针并从任务请求队列中删除；当请求队列为空或时间指针超出时间轴范围时，结束调度任务。本发明较传统调度方法可提高平均5％的调度成功率、改善执行时间偏移性能因子1.75dB，有效的实现了调度成功率和执行时间偏差之间的平衡。
-
公开(公告)号：CN115496987A
公开(公告)日：2022-12-20
申请号：CN202211198200.3
申请日：2022-09-29
Applicant: 电子科技大学
Abstract: 本发明公开了一种基于深度双相似性度量网络的小样本SAR目标识别方法，应用于SAR图像解译领域，以解决小样本条件下的SAR图像目标识别问题。首先，本发明以胶囊单运算为基本结构，构建一个可以挖掘高维特征信息的特征提取器。其次，本发明提出一种双相似性度量的融合策略，在深度特征空间中实现稳健的小样本目标类标签判定。最后，为了获得一个类内紧凑、类间分散的特征表征空间，本发明设计了一个混合损失函数用于模型端到端训练。本发明可在众多的小样本SAR图像目标识别任务场景中实现较高精度的目标识别，具有较好的泛化能力和鲁棒性。
-
公开(公告)号：CN115187983A
公开(公告)日：2022-10-14
申请号：CN202210698464.9
申请日：2022-06-20
Applicant: 电子科技大学
IPC: G06V20/70 , G06V10/40 , G06V10/778
Abstract: 本发明公开了一种基于多任务表征学习的小样本SAR图像目标识别方法，应用于SAR图像解译领域，以解决小样本条件下的SAR图像目标特征提取问题。首先，本发明构建以残差学习为基本架构的特征提取模型，采用形变卷积运算实现目标形态学特征提取，并基于注意力机制完成特征通道筛选；然后，采用多任务学习方式来提升特征提取模型的表征能力；最后，采用具有多任务表征学习能力的特征提取模型来提取小样本SAR图像目标特征，以拟合一个逻辑回归分类器，从而实现目标类别推理。本发明可在不同程度样本匮乏条件以及不同俯仰角条件下提升小样本SAR图像目标识别性能，具有较好的泛化能力和准确性。
-
公开(公告)号：CN110503015B
公开(公告)日：2022-03-15
申请号：CN201910734668.1
申请日：2019-08-09
Applicant: 电子科技大学
IPC: G06V20/13 , G06V10/772 , G06V10/764 , G06V10/40 , G06K9/62
Abstract: 该发明公开了一种基于局部结构保持类子字典学习的目标识别方法，属于合成孔径雷达(SAR)图像解译领域，特别涉及一种基于局部结构保持的类字典学习方法，实现SAR自动目标识别。与传统的基于稀疏模式预设稀疏表征方法不同，本发明可以为每类目标学习一个鉴别能力强的类字典。在字典学习过程中，利用Tikhonov正则化准则对稀疏表征向量施加局部加权，从而可得到更优的稀疏特征。此外，考虑到SAR图像对目标姿态变化非常敏感，在测试阶段，样本可通过在每类类字典上进行重构，并将目标分配给重构误差最小的类字典对应的类标签。
-
公开(公告)号：CN113807206A
公开(公告)日：2021-12-17
申请号：CN202111003567.0
申请日：2021-08-30
Applicant: 电子科技大学
Abstract: 本发明提出了一种基于去噪任务辅助的SAR图像目标识别方法，属于目标识别领域。本发明提出的网络包括去噪子网络与分类子网络两部分，去噪子网络中通过多尺度特征提取层、注意力机制以及残差学习结构可实现噪声信息学习。考虑到标准卷积在提取多尺度特征时会增大网络宽度，进而导致模型参数量增加。为此，本发明采用空洞卷积结构实现多尺度特征提取。在去噪子网络辅助下分类子网络可完成目标特征提取与分类。分类子网络中引入注意力思想来指导模型在特征空间、通道与空间交互层面上完成SAR图像目标特征提取与自适应加权，进而改善目标识别精度。通过在MSTAR数据集上进行仿真实验，证明了本发明中的方法在噪声环境下具有较好的SAR图像目标识别效果。
-
-
-
-
-
-
-
-
-
Search Results
25
records
(took 0.025 seconds)
