-
公开(公告)号：CN114648693A
公开(公告)日：2022-06-21
申请号：CN202210147474.3
申请日：2022-02-17
Applicant: 西安电子科技大学
IPC: G06V20/10 , G06V10/764 , G06V10/774 , G06V10/82 , G06K9/62 , G06N3/04 , G06N3/08
Abstract: 本发明涉及雷达技术领域，具体涉及基于YOLO网络的SAR图像目标自动标注方法。本发明能对SAR图像目标进行自动标注，且满足标注精度要求，从而提高标注效率并节省人力成本；在网络迭代训练过程中，多次少量地引入人工监督信息，使得网络的标注性能在迭代训练过程中不断优化，标注精度不断提升。
-
公开(公告)号：CN107728143A
公开(公告)日：2018-02-23
申请号：CN201710838721.3
申请日：2017-09-18
Applicant: 西安电子科技大学
Abstract: 本发明公开了一种基于一维卷积神经网络的雷达高分辨距离像目标识别方法，思路为：确定Q个不同雷达，所述Q个不同雷达的检测范围内存在目标，并获取Q个不同雷达的高分辨雷达回波，然后从Q个不同雷达的高分辨雷达回波中获取Q类高分辨距离成像数据，并将Q类高分辨距离成像数据分为训练样本集和测试样本集，然后将Q类高分辨距离成像数据记为原始数据x；根据原始数据x，计算得到均值归一化处理后的数据x”'；设定一维卷积神经网络模型，使用训练样本集和均值归一化处理后的数据x”'对该一维卷积神经网络模型进行构建，得到训练好的卷积神经网络；使用测试样本集对训练好的卷积神经网络进行目标识别，得到基于一维卷积神经网络的雷达高分辨距离像目标识别结果。
-
公开(公告)号：CN114639013A
公开(公告)日：2022-06-17
申请号：CN202210147847.7
申请日：2022-02-17
Applicant: 西安电子科技大学
IPC: G06V20/10 , G06V10/22 , G06V10/25 , G06V10/26 , G06V10/764 , G06V10/774 , G06V10/82 , G06K9/62 , G06N3/04 , G06N3/08
Abstract: 本发明涉及遥感技术领域，提供了基于改进Orient RCNN模型的遥感图像飞机目标检测识别方法。将带有标签的遥感图像数据集，先进行数据扩充，扩充后进行图片切割，再对切割后的图片进行尺寸变换resize和归一化操作，送入改进Orient RCNN模型进行训练，训练完成生成训练好的模型，可以用于检测。无标签的新遥感图像数据，经过图片切割，然后进行尺寸变换resize和归一化操作，进入训练好的模型进行检测，遥感图像依次经过非最大值抑制NMS和去虚警处理，输出标注完成的遥感图像，完成对遥感图像的检测任务。本发明增强了模型对于旋转目标，也就是遥感数据中的飞机目标的检测能力，有效地增强了模型对不同型号的飞机目标的区分能力。
-
公开(公告)号：CN113536963A
公开(公告)日：2021-10-22
申请号：CN202110709178.3
申请日：2021-06-25
Applicant: 西安电子科技大学
Abstract: 本发明属于雷达技术领域，具体公开了一种基于轻量化YOLO网络的SAR图像飞机目标检测方法，本发明使用了基于视觉注意力机制以及图像分割的机场检测算法对机场区域进行分割，在机场检测阶段取得了较好的检测效果。在后续的目标鉴别阶段，用卷积网络充分挖掘了飞机目标中的纹理特征和尺寸特征等结构信息，使目标与杂波的分界线更加明显，提高了SAR图像目标的检测与识别性能。对YOLOv3‑Tiny进行改进的基础上，提出了轻量化YOLO网络，该模型依然具备提取表示能力较强的特征的能力，同时大大减少了存储量和运算量。
-
公开(公告)号：CN107728142B
公开(公告)日：2021-04-27
申请号：CN201710838666.8
申请日：2017-09-18
Applicant: 西安电子科技大学
Abstract: 本发明公开了一种基于二维卷积网络的雷达高分辨距离像目标识别方法，思路为：确定Q个不同雷达，所述Q个不同雷达的检测范围内存在目标，然后从Q个不同雷达的高分辨雷达回波中获取Q类高分辨距离成像数据，并将Q类高分辨距离成像数据分为训练样本集和测试样本集，然后将Q类高分辨距离成像数据记为原始数据x；根据原始数据x，计算得到短时傅里叶变换后的数据x″″；设定二维卷积神经网络模型，该二维卷积神经网络模型包括五层，然后使用训练样本集和短时傅里叶变换后的数据x″″对该二维卷积神经网络模型进行构建，得到训练好的卷积神经网络；使用测试样本集对训练好的卷积神经网络进行目标识别，得到基于二维卷积网络的雷达高分辨距离像目标识别结果。
-
Patent Agency Ranking
公开(公告)号：CN118781320A
公开(公告)日：2024-10-15
申请号：CN202410762954.X
申请日：2024-06-13
Applicant: 西安电子科技大学
IPC: G06V10/25 , G06V20/10 , G06V20/54 , G06V10/44 , G06V10/42 , G06V10/52 , G06V10/80 , G06V10/764 , G06V10/766 , G06V10/82 , G06N3/0464 , G06N3/045 , G06N3/09 , G06N3/048
Abstract: 本发明公开了一种基于多尺度感知和Transformer辅助注意力生成的SAR目标检测方法，包括：获取SAR图像的待检切片；输入SAR目标检测模型得到初步检测结果；其中，SAR目标检测模型是对基于多尺度特征感知和Transformer辅助注意力生成的轻量化SAR图像目标检测网络，利用样本SAR图像的训练集训练得到的；将初步检测结果进行NMS操作以去除重叠检测框，得到目标检测结果；其中，目标检测结果含有目标的类别。本发明所提供的SAR目标检测模型将Transformer和CNN相结合，增强了特征的多样性，并充分利用多尺度特征，在尽可能保证检测网络轻量化的条件下，提升了复杂场景下SAR图像飞机目标检测识别一体化任务的性能。
-
公开(公告)号：CN115100457A
公开(公告)日：2022-09-23
申请号：CN202210620293.8
申请日：2022-06-02
Applicant: 西安电子科技大学
IPC: G06V10/764 , G06V10/82 , G06V10/20 , G06N3/04 , G06N3/08
Abstract: 本发明涉及雷达目标识别领域，具体涉及一种联合深度学习与CFAR的SAR图像目标检测方法。本发明使用将CNN网络、YOLO V5网络和CFAR算法联合的方式，显著提高了对SAR图像的目标检测率；使用很少的参数网络模型和快速CFAR检测算法，以及使用CNN网络过滤了不含目标的复杂场景切片，使其不加入到YOLO V5和CFAR中检测，检测过程用时少，提高了整个目标识别过程的检测效率；采用YOLO V5的神经网络结构，并对数据集做了归一化、数据增强和自适应计算的预处理，可以得到SAR图像的多层特征，相比于传统的识别方法和Fast RCNN等网络结构的目标识别的方法有较强的鲁棒性。
-
公开(公告)号：CN107728143B
公开(公告)日：2021-01-19
申请号：CN201710838721.3
申请日：2017-09-18
Applicant: 西安电子科技大学
Abstract: 本发明公开了一种基于一维卷积神经网络的雷达高分辨距离像目标识别方法，思路为：确定Q个不同雷达，所述Q个不同雷达的检测范围内存在目标，并获取Q个不同雷达的高分辨雷达回波，然后从Q个不同雷达的高分辨雷达回波中获取Q类高分辨距离成像数据，并将Q类高分辨距离成像数据分为训练样本集和测试样本集，然后将Q类高分辨距离成像数据记为原始数据x；根据原始数据x，计算得到均值归一化处理后的数据x”'；设定一维卷积神经网络模型，使用训练样本集和均值归一化处理后的数据x”'对该一维卷积神经网络模型进行构建，得到训练好的卷积神经网络；使用测试样本集对训练好的卷积神经网络进行目标识别，得到基于一维卷积神经网络的雷达高分辨距离像目标识别结果。
-
公开(公告)号：CN113536963B
公开(公告)日：2023-08-15
申请号：CN202110709178.3
申请日：2021-06-25
Applicant: 西安电子科技大学
IPC: G06V20/17 , G06V10/26 , G06V10/82 , G06N3/0464 , G06N3/08
Abstract: 本发明属于雷达技术领域，具体公开了一种基于轻量化YOLO网络的SAR图像飞机目标检测方法，本发明使用了基于视觉注意力机制以及图像分割的机场检测算法对机场区域进行分割，在机场检测阶段取得了较好的检测效果。在后续的目标鉴别阶段，用卷积网络充分挖掘了飞机目标中的纹理特征和尺寸特征等结构信息，使目标与杂波的分界线更加明显，提高了SAR图像目标的检测与识别性能。对YOLOv3‑Tiny进行改进的基础上，提出了轻量化YOLO网络，该模型依然具备提取表示能力较强的特征的能力，同时大大减少了存储量和运算量。
-
公开(公告)号：CN116310620A
公开(公告)日：2023-06-23
申请号：CN202211099228.1
申请日：2022-09-08
Applicant: 西安电子科技大学
IPC: G06V10/774 , G06V10/764 , G06V10/82 , G06N3/045 , G06N3/0464 , G06N3/084
Abstract: 本发明涉及图像目标识别技术领域，具体涉及一种基于联合分布适配的零样本SAR图像目标识别方法。本发明方法的训练阶段无需感兴趣任务实测数据参与，借用仿真SAR图像，利用多核最大均值差异最小化仿真域和实测域的双域映射间距离，鼓励仿真SAR图像和实测SAR图像两组表征间的相似性，学习域不变的特征，有效减轻领域差异；通过捕捉类别信息自动实现细粒度的子领域自适应，自动高效地提高了模型的稳健性和识别率。
-
-
-
-
-
-
-
-
-
Search Results
12
records
(took 0.035 seconds)
