-
公开(公告)号：CN116958792A
公开(公告)日：2023-10-27
申请号：CN202310867989.5
申请日：2023-07-14
Applicant: 西安电子科技大学
IPC: G06V10/98 , G01S7/41 , G01S13/90 , G01S13/86 , G06V10/80 , G06V10/766 , G06V10/764 , G06V10/82 , G06V10/40 , G06N3/0464 , G06N3/048 , G06N3/0455 , G06V10/26
Abstract: 本发明公开了一种辅助SAR车辆目标检测的去虚警方法，涉及雷达目标检测技术领域，解决了现有技术中对目标进行检测时，虚警率较高，且容易出现低质量的检测框，难以对目标进行精准检测的问题；方法包括：获取相互配准的SAR图像和光学遥感图像；将SAR图像输入至训练好的目标检测网络中，得到初步目标检测结果；将光学遥感图像输入至训练好的目标分割网络，得到目标分割结果；将目标检测结果中边界框位置映射至分割图像上，计算处于边界框内部的所有非车辆目标像素点之和，根据一定阈值，去除初步目标检测结果中的虚警。本发明在原有目标检测框架基础上增强了预测特征层的特征表示能力，实现了复杂场景下去除虚警的功能，提升了SAR图像目标检测效果。
-
公开(公告)号：CN111832580B
公开(公告)日：2023-07-28
申请号：CN202010708036.0
申请日：2020-07-22
Applicant: 西安电子科技大学
IPC: G06V10/46 , G06V10/774 , G06V10/764 , G06V10/778
Abstract: 本发明提出了一种结合少样本学习与目标属性特征的SAR目标识别方法，实现步骤为：获取源域数据集R、目标域数据集E、目标域支撑集ES、目标域查询集EQ以及R和ES的目标属性特征集合A；构建视觉分类网络F1；使用R对视觉分类网络F1进行迭代训练；构建视觉属性分类网络F；使用源域数据集R、目标域支撑集ES及其目标属性特征集合A对视觉属性分类网络F进行迭代训练；利用目标域支撑集ES、目标域查询集EQ及其目标属性特征集合A′o，获取SAR图像的目标识别结果。本发明通过结合少样本学习与目标属性特征，提升了已知类别训练样本有限情况下的SAR目标识别性能。
-
公开(公告)号：CN116486133A
公开(公告)日：2023-07-25
申请号：CN202310187493.3
申请日：2023-03-01
Applicant: 西安电子科技大学
IPC: G06V10/764 , G06V10/774 , G06V10/40 , G06V10/44 , G06V20/10
Abstract: 本发明提供了一种联合局部分类与特征生成、校正的SAR目标分类方法，充分考虑SAR图像目标的关键局部细节特征对分类的贡献，构建了联合局部分类与特征生成、校正的目标分类模型，该目标分类模型用于少样本情况下的SAR目标识别，且致力于在分类网络MLC‑Net的指导下生成全方位角下的支撑特征来弥补少数方位角下的真实的支撑特征，以消除原型的偏差，从而达到提升SAR目标的识别准确率的目的。本发明生成每类的全方位角下的SAR目标特征来同真实的标记SAR图像的特征一起计算原型，进一步提升SAR目标的分类性能，因此本发明可以提高SAR目标在有限训练样本下的分类精度，进一步提高对测试SAR图像的分类准确率。
-
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。
-
公开(公告)号：CN116258974A
公开(公告)日：2023-06-13
申请号：CN202310146807.5
申请日：2023-02-21
Applicant: 西安电子科技大学
IPC: G06V20/13 , G06V10/32 , G06V10/28 , G06V10/764 , G06V10/82 , G06N3/0464 , G06N3/08
Abstract: 本发明涉及一种基于CFAR指导的YOLO网络SAR图像目标检测方法，包括步骤：对训练集中与YOLO网络输入图像大小一致SAR输入图像进行CFAR目标检测，并在CFAR目标检测图上依据目标真实标注信息添加真实目标的修正，得到修正后的CFAR标注图；依据YOLO网络中每个输出层的大小，对修正后的CFAR标注图进行下采样，得到每个输出层的权重指导图；利用每个输出层的权重指导图对输出层输出的检测框加以不同的权重系数，得到修正后的损失函数；利用修正后的损失函数对所属YOLO网络的参数进行优化，利用训练好的YOLO网络对待检测SAR图像进行目标检测。该方法有效改善目标检测网络训练过程中存在的正负样本数量严重不均衡带来的损失表面畸形的问题，从而提高网络的检测性能。
-
Patent Agency Ranking
公开(公告)号：CN116258962A
公开(公告)日：2023-06-13
申请号：CN202310086548.1
申请日：2023-02-07
Applicant: 西安电子科技大学
IPC: G06V20/10 , G06V10/28 , G06V10/26 , G06V10/774 , G06V10/82 , G06V10/30 , G06V10/762 , G06V10/80
Abstract: 本发明公开了一种结合形状置信度的宽幅SAR图像低虚警目标检测方法，包括：获取SAR图像；对SAR图像依次进行恒虚警检测和形态学处理，得到检测图像；将检测图像输入训练好的鉴别网络中，得到第一鉴别图像；对SAR图像进行海洋与陆地的分割处理，并基于海洋与陆地分割的结果对第一鉴别图像再次进行鉴别，以去除陆地部分，得到第二鉴别图像；基于形状置信度对第二鉴别图像进行最终的鉴别，以完成SAR图像的目标检测。本发明可以有效区别舰船目标和虚假目标，实现舰船目标低虚警检测，提高了鉴别的准确率。
-
公开(公告)号：CN109932714B
公开(公告)日：2023-02-10
申请号：CN201910201549.X
申请日：2019-03-18
Applicant: 西安电子科技大学
Abstract: 本发明提出了一种基于卷积神经网络的变体飞机高分辨回波恢复方法，解决了因变体飞机与对应的非变体飞机高分辨回波存在差异导致的变体飞机识别率下降的问题。实现过程是：输入变体飞机高分辨回波；对样本进行标准化预处理；构建并训练一维卷积神经网络；变体飞机高分辨回波的恢复。本发明用卷积神经网络将变体飞机高分辨回波恢复成非变体飞机高分辨回波；构建并训练适用于高分辨回波的一维卷积神经网络，用于变体飞机高分辨回波恢复。本发明能将变体飞机高分辨回波恢复成对应的非变体飞机高分辨回波，大大降低变体部分对目标识别方法带来的影响，有效提高了变体飞机识别的识别率。可应用于雷达目标识别领域。
-
公开(公告)号：CN110245711B
公开(公告)日：2022-12-02
申请号：CN201910527819.6
申请日：2019-06-18
Applicant: 西安电子科技大学
IPC: G06V10/764 , G06V20/13 , G06V10/82 , G06N3/04
Abstract: 本发明公开了一种基于角度旋转生成网络ARGN的SAR目标识别方法，主要解决现有技术在训练样本有限情况下目标识别率较低的问题。其实现方案是：1)对给定的数据集进行预处理，获取新的源任务训练样本和目标任务样本；2)构建角度旋转生成网络ARGN；3)用源任务训练样本对ARGN网络进行训练，得到训练好的网络模型；4)用训练好的模型提取目标任务训练集、测试集的特征；5)用训练集的特征训练SVM分类器；6)将测试集的特征输入到训练好的SVM分类器中，得到测试集的分类结果。本发明通过角度旋转生成网络ARGN能够学习目标的姿态信息及位姿差异，提高了目标的识别率，可用于在训练样本有限情况下的目标识别。
-
公开(公告)号：CN109946667B
公开(公告)日：2022-12-02
申请号：CN201910201317.4
申请日：2019-03-18
Applicant: 西安电子科技大学
IPC: G01S7/41
Abstract: 一种基于卷积神经网络的识别变体飞机高分辨距离像方法。其步骤为：(1)构建卷积神经网络；(2)生成高分辨距离像样本集；(3)对每个样本的幅度进行归一化处理；(4)训练卷积神经网络；(5)目标识别；本发明通过构建并训练卷积神经网络，利用训练好的卷积神经网络对变体飞机和非变体飞机的高分辨距离像的共性特征进行学习，并根据学习到的共性特征实现对变体飞机的高分辨距离像的稳健识别，能够有效地解决变体飞机与相对应的非变体飞机的高分辨距离像存在差异导致的对变体飞机正确识别率下降的问题，本发明具有显著降低变体部分对变体飞机的识别带来的影响，有效提高了对变体飞机的识别性能的优点。
-
公开(公告)号：CN110555841B
公开(公告)日：2021-11-23
申请号：CN201910852799.X
申请日：2019-09-10
Applicant: 西安电子科技大学
Abstract: 本发明提出了一种基于自注意图像融合和深度嵌入聚类DEC的无监督SAR图像变化检测方法，旨在提高变化检测的准确率，实现步骤为：获取对数比差异图像D1；获取对数比差异图像D1的显著图S；对对数比差异图像D1与D1的显著图S进行像素级自注意融合；获取训练样本数据V和测试样本数据V'；构建深度嵌入聚类DEC网络模型，并对其进行训练；获取SAR图像的变化检测结果。本发明在生成差异图像的过程中将对数比差异图像与其显著图进行像素级自注意融合，解决对数比差异图像信息不准确的问题，此外，本发明获取的训练与测试样本包含了融合后的差异图像的重要信息，并使用深度嵌入聚类DEC方法完成像素聚类，提高了检测性能。
-
-
-
-
-
-
-
-
-
Search Results
175
records
(took 0.032 seconds)
