-
公开(公告)号：CN119513673A
公开(公告)日：2025-02-25
申请号：CN202510088314.X
申请日：2025-01-21
Applicant: 西安电子科技大学
Abstract: 本发明提供一种基于深度概率动态建模的小样本HRRP识别方法，涉及雷达目标识别技术领域。包括：对HRRP样本数据依次进行预处理和序列形式的转化，得到序列数据；构建序列数据对应的张量概率动态网络模型，张量概率动态网络模型包括张量概率动态网络生成模型和张量递归推断网络模块；将待识别序列数据输入训练完成的张量概率动态网络模型，使张量概率动态网络模型输出待识别序列数据的类别，训练完成的张量概率动态网络模型是根据序列数据，利用目标损失函数对张量概率动态网络模型进行训练得到的网络模型。在小样本条件下，通过训练完成的张量概率动态网络模型可以对待识别序列数据进行更好的分类识别，使HRRP的目标识别的准确性较高。
-
公开(公告)号：CN119495016A
公开(公告)日：2025-02-21
申请号：CN202510080957.X
申请日：2025-01-20
Applicant: 西安电子科技大学
IPC: G06V10/82 , G06N3/0464 , G06N3/0442 , G06N3/045 , G06V10/764 , G06V10/40 , G06V10/774 , G06V10/30 , G06N3/08
Abstract: 本发明公开了一种基于类别指导DDPM的HRRP样本生成方法及系统，该方法包括：对HRRP原始数据进行归一化和质心对齐预处理，生成小样本数据集；构建一维条件卷积网络，该一维条件卷积网络的输入为待去噪的样本，输出为维度与输入一致的预测噪声，该一维条件卷积网络包括融入时间步和角域的下采样模块和上采样模块；利用小样本数据集对一维条件卷积网络进行训练，获得训练后的类别指导去噪扩散概率模型；利用训练后的类别指导去噪扩散概率模型生成扩充样本数据集。本发明解决了HRRP样本生成领域中以往的模型训练不稳定、小样本条件下生成样本质量差、常规扩散模型生成样本角域不可控、容易生成分布外样本的问题。
-
公开(公告)号：CN119205660A
公开(公告)日：2024-12-27
申请号：CN202411250236.0
申请日：2024-09-06
Applicant: 西安电子科技大学
IPC: G06T7/00 , G06V10/764 , G06V10/774 , G06V10/40 , G06V10/82 , G06N3/0464 , G06N3/08
Abstract: 本发明涉及一种基于图像补丁分类的工业品表面异常检测方法，包括：获取工业品表面图像；利用训练好的特征提取器对工业品表面图像进行特征提取和切割得到若干补丁块，利用训练好的二分类器对若干补丁块进行检测，得到每个补丁块的异常分数，其中，训练好的二分类器利用异常样本包含异常区域的若干异常补丁块和正常样本的若干正常补丁块对二分类器进行训练得到，异常区域的若干补丁块覆盖工业品表面异常类型；将带有异常分数的补丁块重排和调整回工业品表面图像的形状和大小得到异常分数图，根据异常分数图判断工业品表面图像是否存在异常。该方法既能脱离数据集的依赖，又能方便快捷训练模型，提升了工业品表面异常检测的速度和准确率。
-
公开(公告)号：CN116699572A
公开(公告)日：2023-09-05
申请号：CN202211441456.2
申请日：2022-11-17
Applicant: 西安电子科技大学
Abstract: 本发明公开了一种基于二次补偿的相干激光雷达振动误差补偿方法，包括：利用T‑FMCW激光雷达系统获取原始目标回波信号，并对每个T‑FMCW观测周期的回波信号进行数据分解，将一个周期获取的信号分解为上差频信号和下差频信号；利用自适应差分进化算法对含有振动误差的上差频信号和下差频信号进行二次项振动误差补偿；对二次项补偿后的上差频信号和下差频信号进行一次项振动误差补偿，获得振动误差补偿后的一维距离像。本发明能够在不增加额外激光器等硬件配置的情况下，只利用一个T‑FMCW周期的信号补偿时变振动误差，并且适用于无强散射点的场景。
-
公开(公告)号：CN119577669A
公开(公告)日：2025-03-07
申请号：CN202411568906.3
申请日：2024-11-05
Applicant: 西安电子科技大学
IPC: G06F18/25 , G06F18/213 , G06F18/22 , G06N3/0455 , G06N3/084 , G06N3/0895
Abstract: 本发明涉及一种多模态数据融合的目标识别方法及装置，包括：将待识别目标的多模态数据输入训练完成的识别网络；其中，识别网络包括依次连接的特征提取网络、特征融合增强网络、无键值注意力网络和分类网络；多模态数据包括：航迹信息、HRRP回波信号和JEM；特征提取网络包括经过特征对齐的航迹特征提取网络、HRRP特征提取网络和JEM特征提取网络；得到待识别目标的识别结果。通过上述技术方案，考虑了模态数据缺失对目标识别的影响，并对特征提取网络进行了特征对齐，提升了融合的合理性和有效性，并考虑了现实场景中模态缺失对目标识别的影响，相较于传统方法更具潜力，泛化性能更好，并具有较好的稳定性。
-
Patent Agency Ranking
公开(公告)号：CN119251492A
公开(公告)日：2025-01-03
申请号：CN202411242904.5
申请日：2024-09-05
Applicant: 西安电子科技大学
IPC: G06V10/26 , G06V10/25 , G06V10/80 , G06V10/52 , G06V10/44 , G06V10/82 , G06N3/0455 , G06N3/0464 , G06N3/0495
Abstract: 本发明公开了一种基于边缘的开放词汇分割模型目标识别方法，包括：获取目标图像；初始化高斯白噪声作为目标的噪声轮廓掩码图；将目标图像和噪声轮廓掩码图输入开放词汇分割模型以执行以下操作：从目标图像和噪声轮廓掩码图中提取目标的多尺度特征；对噪声轮廓掩码图进行编码，得到编码特征；将多尺度特征作为条件特征与编码特征进行融合，得到融合特征；根据融合特征预测目标的去噪轮廓掩码图；根据去噪轮廓掩码图和多尺度特征，利用单个全连接层预测目标的分类和定位。本发明能够有效且快速的完成基于开放词汇分割模型的目标识别。
-
公开(公告)号：CN112395413B
公开(公告)日：2023-12-15
申请号：CN201910750551.2
申请日：2019-08-14
Applicant: 西安电子科技大学
IPC: G06F16/35
Abstract: 本发明公开了一种基于多样深层主题模型的文本分析方法，构建文本数据的训练样本集与测试样本集；根据训练样本集构建多样深层主题模型，并初始化多样深层主题模型的初始模型参数；根据训练样本集训练多样深层主题模型得到训练模型参数，并根据训练模型参数更新初始模型参数得到训练后多样深层主题模型；根据测试样本集训练训练后多样深层主题模型得到若干测试隐层特征；根据若干隐层特征对训练模型参数行可视化分析，得到若干文本主题；根据若干文本主题、训练样本集、测试隐层特征与测试后多样深层主题模型对文本数据进行分类。本发明可以全面反映文本数据特性，使得文本主题具备较好的可分性，文本分析能力高。
-
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：CN118429683A
公开(公告)日：2024-08-02
申请号：CN202410221323.7
申请日：2024-02-28
Applicant: 西安电子科技大学
IPC: G06V10/764 , G06V10/82 , G06V10/44 , G06V10/80 , G06N3/0455 , G06N3/0464 , G06N3/048 , G06N3/08 , G01S7/41
Abstract: 本发明公开了一种雷达高分辨距离像目标识别方法及装置，通过将预处理后的目标的HRRP输入预训练的HRRP融合重构模型，以使模型输出HRRP融合重构特征。根据HRRP融合重构特征识别目标的分类。模型中的特征重构模块对预处理后的HRRP进行特征提取，并根据预先训练的服从多个高斯分布的隐变量重构HRRP特征。特征融合模块根据预先训练的权重对HRRP重构特征进行融合，得到HRRP融合重构特征。通过服从多个高斯分布的隐变量能够实现对预处理后的复杂HHRP时间序列进行处理，然后再通过预先训练的权重融合得到HRRP融合重构特征，再基于HRRP融合重构特征识别目标的分类，提高了目标的分类识别的准确率。
-
公开(公告)号：CN117636180A
公开(公告)日：2024-03-01
申请号：CN202311605671.6
申请日：2023-11-28
Applicant: 西安电子科技大学
IPC: G06V20/13 , G06V10/42 , G06V10/82 , G06N3/0464
Abstract: 本发明提供了一种基于开关Transformer的雷达高分辨距离像目标识别方法及系统。方法包括：获取待识别雷达高分辨距离像数据；对待识别雷达高分辨距离像数据进行消敏处理、滑窗处理以及位置编码得到待识别序列数据；将待识别序列数据利用序列处理CNN网络，进行序列‑特征提取处理，得到待识别编码特征；将待识别编码特征输入满足条件的开关Transformer网络，得到待识别雷达高分辨距离像数据对应的目标类别；其中，满足条件的开关Transformer网络包括：开关FFN层；通过使用开关FFN层提取整体特征中的突出特征，并将突出特征与整体特征叠加后获得识别性特征，提高了雷达自动目标识别的准确性。
-
-
-
-
-
-
-
-
-
Search Results
11
records
(took 0.034 seconds)
