-
公开(公告)号：CN110458137A
公开(公告)日：2019-11-15
申请号：CN201910765203.2
申请日：2019-08-19
Applicant: 重庆大学
Abstract: 本发明公开了一种基于两级多任务学习的合成孔径雷达图像识别方法，包括：提取目标图像及训练图像集的多类异质特征；将目标图像的每一类异质特征以训练图像集中所有训练图像对应的异质特征的线性组合表示；提取每一类异质特征的系数矢量；得到每一类异质特征的M近邻局部子集并组成新字典；得到协同表示系数矩阵；利用最小重构误差进准则得到目标图像的识别结果。本发明第一阶段得到目标图像在训练样本中的最佳局部子集，并相应更新各个特征的字典，大大减少了远离目标图像的训练样本的干扰，从而避免了异常值造成的干扰，分类性能明显优于多任务稀疏表示学习和多任务协同表示学习算法，且对广泛的正则化参数具有鲁棒性。
-
公开(公告)号：CN106022383B
公开(公告)日：2019-05-31
申请号：CN201610361515.3
申请日：2016-05-26
Applicant: 重庆大学
IPC: G06K9/62
Abstract: 本发明提供了一种基于方位角相关动态字典稀疏表示的SAR目标识别方法，其首先估计作为测试样本的SAR图像的方位角，然后根据这个方位角估计值算出一个相关方位角范围，从而基于各个训练样本的稀疏特征矩阵的集合构成的稀疏特征训练样本集，令稀疏特征训练样本集之中方位角值在相关方位角范围之外的训练样本的稀疏特征矩阵设置为零矩阵，仅保留方位角值在相关方位角范围以内的训练样本的稀疏特征矩阵，由此构成测试样本对应的稀疏特征方位角相关动态字典，然后再进行稀疏表示分类识别，大大减少稀疏编码和稀疏重构的计算量，提升了识别处理效率，同时也减少了方位角不相关的训练样本对测试样本目标识别的干扰，使得识别准确率也得以提高。
-
公开(公告)号：CN106056070B
公开(公告)日：2019-05-10
申请号：CN201610368234.0
申请日：2016-05-26
Applicant: 重庆大学
Abstract: 本发明提供了一种基于低秩矩阵恢复和稀疏表示的SAR目标识别方法，该方法特别适用于针对低图像质量的SAR图像进行目标识别，其先通过对SAR图像进行低秩矩阵恢复，得到对应的SAR低秩图像，使得绝大部分的SAR目标信息保留在SAR低秩图像中而去除噪声，并结合SAR图像中目标本身的散射特征信息仍处于低维空间、能够通过SAR低秩图像得以保留的特点，结合稀疏表示方法进行图像的目标识别，通过理论分析和实验数据均证明，能够有效的帮助提升识别正确率，解决现有技术中针对低图像质量SAR图像进行目标识别的准确率较低的问题。
-
Patent Agency Ranking
公开(公告)号：CN106096505A
公开(公告)日：2016-11-09
申请号：CN201610368684.X
申请日：2016-05-28
Applicant: 重庆大学
CPC classification number: G06K9/0063 , G06K9/6267
Abstract: 本发明提供了一种基于多尺度特征协同表示的SAR目标识别方法，其利用SAR图像的多尺度特征，结合协同表示分类识别方法，采用的规则化最小均方协同表示模型，和L1范数约束下的稀疏表示识别算法相比，能够充分利用所有类别训练样本的信息，并且计算复杂度大大降低；而多尺度特征显著降低了特征维数，并且保留了原始SAR目标图像中的鉴别特征信息；实验结果表明，本发明识别方法的正确识别率可以达到96.93%，能够很好的确保针对SAR图像具有较好的目标识别准确性，并且，本发明识别方法的识别处理效率很高，整个识别过程的耗时远低于稀疏表示分类识别方法，能够在确保识别准确性的同时有效提升识别处理效率。
-
公开(公告)号：CN106096505B
公开(公告)日：2019-04-26
申请号：CN201610368684.X
申请日：2016-05-28
Applicant: 重庆大学
Abstract: 本发明提供了一种基于多尺度特征协同表示的SAR目标识别方法，其利用SAR图像的多尺度特征，结合协同表示分类识别方法，采用的规则化最小均方协同表示模型，和L1范数约束下的稀疏表示识别算法相比，能够充分利用所有类别训练样本的信息，并且计算复杂度大大降低；而多尺度特征显著降低了特征维数，并且保留了原始SAR目标图像中的鉴别特征信息；实验结果表明，本发明识别方法的正确识别率可以达到96.93%，能够很好的确保针对SAR图像具有较好的目标识别准确性，并且，本发明识别方法的识别处理效率很高，整个识别过程的耗时远低于稀疏表示分类识别方法，能够在确保识别准确性的同时有效提升识别处理效率。
-
公开(公告)号：CN109444880A
公开(公告)日：2019-03-08
申请号：CN201811239137.7
申请日：2018-10-23
Applicant: 重庆大学
Abstract: 本发明公开了一种基于多特征低秩表示融合的SAR目标识别方法，将低秩表示模型应用到SAR配置下的目标识别问题中，利用多特征低秩表示联合识别SAR目标，提高了识别精度，此外，本发明还提出了一种新的两级融合策略，这一融合策略充分挖掘了SAR图像的多方位相关性和多特征对识别的贡献，并且两级决策融合进一步提高了所提出方法的鲁棒性。
-
公开(公告)号：CN106056070A
公开(公告)日：2016-10-26
申请号：CN201610368234.0
申请日：2016-05-26
Applicant: 重庆大学
CPC classification number: G06K9/0063 , G01S13/90 , G06K9/40 , G06K9/6268
Abstract: 本发明提供了一种基于低秩矩阵恢复和稀疏表示的SAR目标识别方法，该方法特别适用于针对低图像质量的SAR图像进行目标识别，其先通过对SAR图像进行低秩矩阵恢复，得到对应的SAR低秩图像，使得绝大部分的SAR目标信息保留在SAR低秩图像中而去除噪声，并结合SAR图像中目标本身的散射特征信息仍处于低维空间、能够通过SAR低秩图像得以保留的特点，结合稀疏表示方法进行图像的目标识别，通过理论分析和实验数据均证明，能够有效的帮助提升识别正确率，解决现有技术中针对低图像质量SAR图像进行目标识别的准确率较低的问题。
-
公开(公告)号：CN106022383A
公开(公告)日：2016-10-12
申请号：CN201610361515.3
申请日：2016-05-26
Applicant: 重庆大学
IPC: G06K9/62
CPC classification number: G06K9/6267 , G06K9/6232 , G06K9/6256
Abstract: 本发明提供了一种基于方位角相关动态字典稀疏表示的SAR目标识别方法，其首先估计作为测试样本的SAR图像的方位角，然后根据这个方位角估计值算出一个相关方位角范围，从而基于各个训练样本的稀疏特征矩阵的集合构成的稀疏特征训练样本集，令稀疏特征训练样本集之中方位角值在相关方位角范围之外的训练样本的稀疏特征矩阵设置为零矩阵，仅保留方位角值在相关方位角范围以内的训练样本的稀疏特征矩阵，由此构成测试样本对应的稀疏特征方位角相关动态字典，然后再进行稀疏表示分类识别，大大减少稀疏编码和稀疏重构的计算量，提升了识别处理效率，同时也减少了方位角不相关的训练样本对测试样本目标识别的干扰，使得识别准确率也得以提高。
-
-
-
-
-
-
-
Search Results
8
records
(took 0.012 seconds)
