-
公开(公告)号：CN110133656B
公开(公告)日：2022-05-03
申请号：CN201910491663.0
申请日：2019-06-06
Applicant: 电子科技大学
IPC: G01S13/90
Abstract: 本发明公开了提出了一种基于互质阵列的分解与融合的三维SAR稀疏成像方法，该方法首先对互质阵列以及互质阵列的子阵列分别采用压缩感知迭代最小化稀疏贝叶斯重构(SBRIM)成像算法分别进行成像，得到三幅合成孔径雷达图像后，再将得到的成像结果进行融合，得到最终基于阵列分解与融合三维SAR稀疏成像结果。本发明是结合互质采样方法及压缩感知稀疏重构方法优势，利用互质采样不仅可以降低采样数据，相对于传统随机采样方式更易于系统实现；与传统稀疏成像方法相比，本发明方法能有效抑制栅瓣和虚假目标，提高成像质量。
-
公开(公告)号：CN113344045B
公开(公告)日：2022-03-15
申请号：CN202110562039.2
申请日：2021-05-21
Applicant: 电子科技大学
Abstract: 本发明公开了一种结合HOG特征提高SAR船只分类精度的方法，它是通过融合了深度学习理论和传统手工特征方法，应用了多尺度分类机制，全局注意力机制和全连通平衡机制，从而优化网络结构以提高准确性；同时应用了HOG特征融合机制，实现了传统手工特征与现代抽象特征的融合，进一步提高准确性。在两个开放的SAR船只数据集(即Open‑SARShip数据集和FUSAR‑Ship数据集)上的实验结果共同表明，与基于CNN的方法和传统手工特征方法相比，实现了先进的CNN特征提取与传统的HOG特征提取的融合，能够提供SAR图像中船只目标分类的方法，解决了现有船只目标分类精度不足的问题。
-
公开(公告)号：CN111797717B
公开(公告)日：2022-03-15
申请号：CN202010551747.1
申请日：2020-06-17
Applicant: 电子科技大学
Abstract: 本发明公开了一种高速高精度的SAR图像船只检测方法。它是基于深度学习的目标检测理论，利用深度分离卷积神经网络构建了一个船只检测模型。本发明提出的检测模型主要包含骨干网络、五个模块，骨干网络用来提取船只的特征，五个模块即多感受野模块、空洞卷积模块、通道和空间注意力模块、特征融合模块和特征金字塔模块用来提高检测精度；因为本发明模型具有较小的深度和宽度，从而具有较少的参数，使得本发明中的船只检测模型具有更快的检测速度，在SSDD数据集、Gaofen‑SSDD数据集和Sentinel‑SSDD数据集上的检测速度都超过了220FPS(FPS为帧率)。
-
公开(公告)号：CN114022778A
公开(公告)日：2022-02-08
申请号：CN202111238183.7
申请日：2021-10-25
Applicant: 电子科技大学
Abstract: 本发明公开了一种基于显著性CNN的SAR靠岸船只检测方法，它是基于深度学习理论，首先使用视觉显著性机制对SAR图像进行预处理，处理得到一个场景注意力权重(即显著图)，然后将该显著图融合到原始SAR图像中，最终将带有场景注意的SAR图像输入到CNN网络，采用视觉显著性机制构建SAR靠岸船只检测模型，该模型可以重点关注到靠岸的船只，即在船只上的权重值较大，因此其可以抑制陆地上的背景干扰。同时，本发明采用精细化的显著性处理，可以得到和原始图像分辨率一致的显著图，可以避免特征损失，从而抑制岸边背景干扰并重点关注靠岸船只以提高检测准确性。
-
公开(公告)号：CN113989557A
公开(公告)日：2022-01-28
申请号：CN202111263060.9
申请日：2021-10-25
Applicant: 电子科技大学
IPC: G06V10/764 , G06V10/80 , G06N3/04 , G06N3/08
Abstract: 本发明公开了一种融合双极化特征的SAR图像舰船分类方法,它是针对SAR图像中的舰船分类问题，基于深度学习方法，设计了4个模块：分别是双极化特征融合模块(DPFF)，压缩激励模块，拉普拉斯金字塔模块和Softmax分类器模块。双极化特征融合模块充分利用了极化特征，丰富了SAR舰船特征，抑制了斑点噪声；压缩激励模块平衡了各极化特征的贡献；拉普拉斯金字塔模块从粗分辨率到细分辨率提取SAR舰船特征，提高精度。经过训练，输入图像依次经历上述4个模块处理后，最终能够实现SAR图像中舰船的分类，在分类准确率方面优于现有的基于深度学习的SAR舰船分类方法。
-
Patent Agency Ranking
公开(公告)号：CN113902975A
公开(公告)日：2022-01-07
申请号：CN202111170725.1
申请日：2021-10-08
Applicant: 电子科技大学
IPC: G06V20/10 , G06V10/25 , G06V10/774 , G06V10/764 , G06V10/82 , G06N3/04 , G06N3/08
Abstract: 本发明公开了一种用于SAR舰船检测的场景感知数据增强方法，本发明首先基于经典卷积神经网络VGG‑11进行改进，使得更适用于SAR图像，然后用该网络对训练集中的图像进行分类：分为靠岸训练样本和离岸训练样本；再利用场景扩增，得到数量平衡的靠岸训练样本和离岸训练样本；经典检测网络使用处理过后的数据集进行训练，执行检测任务并评估检测结果；采用本发明方法的Faster R‑CNN船只检测网络的总体检测精度比现有技术的FasterR‑CNN船只检测网络的总体检测精度提高了1.95％，对靠岸船只的检测精度提高了6.61％，实现了SAR图像靠岸船只的检测精度的提高。
-
公开(公告)号：CN113344045A
公开(公告)日：2021-09-03
申请号：CN202110562039.2
申请日：2021-05-21
Applicant: 电子科技大学
Abstract: 本发明公开了一种结合HOG特征提高SAR船只分类精度的方法，它是通过融合了深度学习理论和传统手工特征方法，应用了多尺度分类机制，全局注意力机制和全连通平衡机制，从而优化网络结构以提高准确性；同时应用了HOG特征融合机制，实现了传统手工特征与现代抽象特征的融合，进一步提高准确性。在两个开放的SAR船只数据集(即Open‑SARShip数据集和FUSAR‑Ship数据集)上的实验结果共同表明，与基于CNN的方法和传统手工特征方法相比，实现了先进的CNN特征提取与传统的HOG特征提取的融合，能够提供SAR图像中船只目标分类的方法，解决了现有船只目标分类精度不足的问题。
-
公开(公告)号：CN111025292A
公开(公告)日：2020-04-17
申请号：CN201911154021.8
申请日：2019-11-22
Applicant: 电子科技大学
Abstract: 本发明公开了一种四发MIMO雷达发射波形设计方法，该方法通过结合已知的两种两发的正交信号：正负调频信号和短时移动正交信号，该方法设计了调频斜率为正的两个短时移动正交信号和调频斜率为负的两个短时移动正交信号，组成MIMO雷达的四个发射信号。相对于传统两发的正交波形来说，同时四发的正交波形能够更加充分的发挥MIMO雷达的优势；所设计波形的形式简单，相干性好，波形之间的相干性好，且发射波形占用相同的频带，充分利用了频谱资源。
-
公开(公告)号：CN108008389B
公开(公告)日：2019-12-10
申请号：CN201711246749.4
申请日：2017-12-01
Applicant: 电子科技大学
IPC: G01S13/90
Abstract: 本发明公开了一种基于GPU的快速频域后向投影三维成像方法，该方法基于GPU的并行化处理能力，运用三维频域后向投影算法，通过利用图形处理器GPU采用一种单程序多数据的指令模式来对其丰富的硬件资源进行调度的能力，使图形处理器GPU中的一个线程负责一个频谱网格点，在各个线程内并行计算当前频域网格点在所有阵列向的后向投影值并累加，最后通过三维傅里叶逆变换得到三维SAR图像，从而大幅度提升了后向投影算法的运行效率。与现有技术相比，本发明具有较高的运算效率实现了线阵SAR的三维成像的特点，适用于合成孔径雷达成像、地球遥感等领域。
-
公开(公告)号：CN107610161B
公开(公告)日：2019-10-01
申请号：CN201710932777.5
申请日：2017-10-10
Applicant: 电子科技大学
Abstract: 本发明公开了一种基于四叉树分割的InSAR快速配准方法，它是结合图像四叉树分割准则及FFT最大相关系数配准原理，先对InSAR主副复图像进行粗配准及粗分割，然后再进行四叉树结构图像分块及子块FFT最大相关系数亚像素配准，本发明利用InSAR复图像逐个子块四叉树分割及子块亚像素配准，避免了传统FFT最大相关系数配准的全局图像插值，从而实现了大场景InSAR复图像的快速亚像素配准。避免了传统FFT最大相关系数配准的全局图像插值，有效降低了大场景InSAR复图像配准的运算效率，对于像素偏移变化大的InASAR主副复图像中具有良好的配准精度和运算效率。
-
-
-
-
-
-
-
-
-
Search Results
292
records
(took 0.035 seconds)
