-
公开(公告)号：CN109740549B
公开(公告)日：2022-12-27
申请号：CN201910016413.1
申请日：2019-01-08
Applicant: 西安电子科技大学
IPC: G06V20/10 , G06V10/774
Abstract: 本发明公开了一种基于半监督CNN的SAR图像目标检测系统和方法，解决了现有技术对切片级标记的训练图像依赖程度高，及检测准确率低的问题。检测系统中增设的切片挑选模块和负包模块提供丰富的目标和杂波切片，候选切片保存模块将输入切片处理并保存为候选切片集，为网络提供充足的训练样本。目标检测方法实现是：生成训练、验证和测试数据集；设计并构建加入切片挑选模块和负包模块的半监督目标检测网络；对半监督目标检测网络训练及测试。本发明先使用少量切片级标记的图像训练网络，再使用迭代挑选候选切片训练网络。本发明对切片级标记的训练图像依赖程度低；在少量切片级标记图像的情况下具有较高准确率；应用于SAR图像目标检测。
-
公开(公告)号：CN109190673A
公开(公告)日：2019-01-11
申请号：CN201810874485.5
申请日：2018-08-03
Applicant: 西安电子科技大学 , 西安中电科西电科大雷达技术协同创新研究院有限公司
Abstract: 本发明公开了一种基于随机森林和数据拒判的地面目标分类方法，其实现步骤是：(1)对训练样本集进行预处理；(2)提取训练特征矩阵；(3)训练随机森林分类器；(4)对测试样本进行预处理；(5)提取测试特征向量；(6)计算地面目标输出概率向量；(7)判断测试样本是否拒判；(8)若拒判，则将测试样本作为没有目标微动特性的回波信号；(9)若不拒判，输出概率向量中最大值对应类别作为该测试样本的地面目标分类结果。本发明拒判杂波、欺骗式干扰和无微动的目标信号，提高地面运动目标的分类识别率，同时采用具有并行处理能力的分类器，提高方法在实时性方面的性能。
-
公开(公告)号：CN108764310B
公开(公告)日：2021-10-29
申请号：CN201810474203.2
申请日：2018-05-17
Applicant: 西安电子科技大学 , 西安中电科西电科大雷达技术协同创新研究院有限公司
Abstract: 本发明公开了一种基于多尺度多特征深度森林的合成孔径雷达SAR目标识别方法，主要针对已有SAR目标识别方法不足，提出了多尺度多特征深度森林应用于SAR目标识别。其实现步骤是：(1)生成训练样本集和测试样本集；(2)提取每个样本的多尺度幅度特征；(3)提取每个样本的多尺度结构特征；(4)训练深度森林分类器；(5)识别目标型号。本发明通过多尺度特征的引入反映从局部到全局的样本图像特征，通过多特征的联合使用全面的反映样本图像特征，同时利用深度森林分类器进行目标型号识别，超参数数量少且稳健，减少了训练过程的时间，提高了SAR目标的识别精度。
-
Patent Agency Ranking
公开(公告)号：CN109190673B
公开(公告)日：2021-09-03
申请号：CN201810874485.5
申请日：2018-08-03
Applicant: 西安电子科技大学 , 西安中电科西电科大雷达技术协同创新研究院有限公司
Abstract: 本发明公开了一种基于随机森林和数据拒判的地面目标分类方法，其实现步骤是：(1)对训练样本集进行预处理；(2)提取训练特征矩阵；(3)训练随机森林分类器；(4)对测试样本进行预处理；(5)提取测试特征向量；(6)计算地面目标输出概率向量；(7)判断测试样本是否拒判；(8)若拒判，则将测试样本作为没有目标微动特性的回波信号；(9)若不拒判，输出概率向量中最大值对应类别作为该测试样本的地面目标分类结果。本发明拒判杂波、欺骗式干扰和无微动的目标信号，提高地面运动目标的分类识别率，同时采用具有并行处理能力的分类器，提高方法在实时性方面的性能。
-
公开(公告)号：CN109740549A
公开(公告)日：2019-05-10
申请号：CN201910016413.1
申请日：2019-01-08
Applicant: 西安电子科技大学
Abstract: 本发明公开了一种基于半监督CNN的SAR图像目标检测系统和方法，解决了现有技术对切片级标记的训练图像依赖程度高，及检测准确率低的问题。检测系统中增设的切片挑选模块和负包模块提供丰富的目标和杂波切片，候选切片保存模块将输入切片处理并保存为候选切片集，为网络提供充足的训练样本。目标检测方法实现是：生成训练、验证和测试数据集；设计并构建加入切片挑选模块和负包模块的半监督目标检测网络；对半监督目标检测网络训练及测试。本发明先使用少量切片级标记的图像训练网络，再使用迭代挑选候选切片训练网络。本发明对切片级标记的训练图像依赖程度低；在少量切片级标记图像的情况下具有较高准确率；应用于SAR图像目标检测。
-
公开(公告)号：CN109766835A
公开(公告)日：2019-05-17
申请号：CN201910026176.7
申请日：2019-01-11
Applicant: 西安电子科技大学 , 西安中电科西电科大雷达技术协同创新研究院有限公司
Abstract: 本发明公开了一种基于多参数优化生成对抗网络的的合成孔径雷达SAR目标识别方法，主要解决现有技术中分类器训练时识别率不高，且不能保证训练得到的分类器参数是最优解的问题。其实现方案为：生成初始训练样本集和测试样本集，并对初始训练样本进行扩充生成最终训练样本集；设置生成对抗网络的结构和参数组数；采用多组网络参数交叉训练的方法训练生成对抗网络，并同时利用训练集样本和生成器生成的伪样本训练生成对抗网络中的判别器；用训练好的多组生成对抗网络中的判别器对目标型号进行识别，对多组判别器得到的结果进行相加再取平均得到目标型号的识别结果。本发明提高了SAR目标识别的正确率，可用于对静止SAR目标的识别。
-
公开(公告)号：CN108764310A
公开(公告)日：2018-11-06
申请号：CN201810474203.2
申请日：2018-05-17
Applicant: 西安电子科技大学 , 西安中电科西电科大雷达技术协同创新研究院有限公司
CPC classification number: G06K9/6268 , G06K9/4676 , G06K9/6256 , G06K2209/21
Abstract: 本发明公开了一种基于多尺度多特征深度森林的合成孔径雷达SAR目标识别方法，主要针对已有SAR目标识别方法不足，提出了多尺度多特征深度森林应用于SAR目标识别。其实现步骤是：(1)生成训练样本集和测试样本集；(2)提取每个样本的多尺度幅度特征；(3)提取每个样本的多尺度结构特征；(4)训练深度森林分类器；(5)识别目标型号。本发明通过多尺度特征的引入反映从局部到全局的样本图像特征，通过多特征的联合使用全面的反映样本图像特征，同时利用深度森林分类器进行目标型号识别，超参数数量少且稳健，减少了训练过程的时间，提高了SAR目标的识别精度。
-
公开(公告)号：CN109766835B
公开(公告)日：2023-04-18
申请号：CN201910026176.7
申请日：2019-01-11
Applicant: 西安电子科技大学 , 西安中电科西电科大雷达技术协同创新研究院有限公司
IPC: G06V20/10 , G06V10/774 , G06V10/778
Abstract: 本发明公开了一种基于多参数优化生成对抗网络的的合成孔径雷达SAR目标识别方法，主要解决现有技术中分类器训练时识别率不高，且不能保证训练得到的分类器参数是最优解的问题。其实现方案为：生成初始训练样本集和测试样本集，并对初始训练样本进行扩充生成最终训练样本集；设置生成对抗网络的结构和参数组数；采用多组网络参数交叉训练的方法训练生成对抗网络，并同时利用训练集样本和生成器生成的伪样本训练生成对抗网络中的判别器；用训练好的多组生成对抗网络中的判别器对目标型号进行识别，对多组判别器得到的结果进行相加再取平均得到目标型号的识别结果。本发明提高了SAR目标识别的正确率，可用于对静止SAR目标的识别。
-
-
-
-
-
-
-
Search Results
8
records
(took 0.016 seconds)
