-
公开(公告)号：CN119644271A
公开(公告)日：2025-03-18
申请号：CN202411662357.6
申请日：2024-11-20
Applicant: 北京化工大学
Abstract: 本发明涉及一种基于异星交叉的SAR历史数据再定标方法及系统。所述方法包括：采集同波段不同卫星的已定标星载SAR历史影像数据、待定标星载SAR历史影像数据，进行预处理、地形校正、经纬度裁剪、配准，生成再定标历史数据对；通过分辨率重采样处理，并进行入射角校正，构建再定标交叉数据对输入至高斯混合模型中，计算得到SAR历史影像的定标系数。通过采集同波段不同卫星的星载SAR历史影像数据，解决了不同载荷间的成像分辨率差异；通过对星载SAR再定标数据对进行预处理、地形校正、裁剪配准等处理后，采用高斯混合模型进行聚类拟合，对不同数据对进行加权拟合求解待定标历史数据的定标系数，可以提升星载SAR历史数据再定标的精度。
-
公开(公告)号：CN117876817B
公开(公告)日：2024-06-21
申请号：CN202311791668.8
申请日：2023-12-25
Applicant: 北京化工大学
IPC: G06V10/774 , G06V10/82 , G06V10/764 , G06V20/10 , G06N3/0475 , G06N3/045 , G06N3/094
Abstract: 本发明公开一种对抗样本生成方法，包括如下步骤：构建生成对抗网络；获取云层参数向量并输入至生成对抗网络中，获得混合云层掩膜；将所述混合云层掩膜与原始无云遥感图像进行混合，获得被云层覆盖的对抗样本；将对抗样本输入至拟攻击的遥感图像分类神经网络，以对抗性损失和像素均方差损失作为差分进化算法的目标损失函数进行云层参数向量优化，当算法的查询次数达到设定上限或者对抗云层攻击成功时，输出最终生成的对抗样本。本发明通过最终生成的对抗样本对遥感图像分类网络进行攻击，其作为黑盒攻击方法无需了解网络内部结构，攻击成功率高且生成的对抗样本自然。
-
公开(公告)号：CN113392871B
公开(公告)日：2023-10-24
申请号：CN202110365566.4
申请日：2021-04-06
Applicant: 北京化工大学
IPC: G06V10/764 , G06V10/82 , G06V20/10 , G06N3/0464 , G06N3/082
Abstract: 本发明公开了一种基于散射机制多通道扩张卷积神经网络的极化SAR地物分类方法，该方法的实施流程如下：步骤1、数据预处理；步骤2、样本的划分；步骤3、构建基于散射机制的多通道卷积神经网络；步骤4、训练网络模型；步骤5、PolSAR图像地物分类；本发明降低了特征提取过程中的复杂度，并且为了避免特征之间的相互干扰，将三种极化特征按照散射机制分别输入到三通道卷积神经网络进行特征提取，每个通道的网络参数设置相同，保证了每个通道对最终结果贡献相同；最终的分类结果也达到了比较好的效果。
-
公开(公告)号：CN110909667B
公开(公告)日：2022-05-10
申请号：CN201911143404.5
申请日：2019-11-20
Applicant: 北京化工大学
IPC: G06V20/00 , G06V10/774 , G06V10/762 , G06V10/82 , G06K9/62 , G06N3/04
Abstract: 本发明公开了面向多角度SAR目标识别网络的轻量化设计方法，属于计算机视觉和遥感的交叉领域。现有的神经网络压缩方法通常是逐步压缩思路且有识别精度损失的，而本发明结合SAR目标多角度特征保持的要求，使用结构化剪枝生成轻量化SAR目标识别CNN网络结构，使用知识蒸馏恢复CNN网络模型的多角度特征提取能力，使用权重共享进一步压缩网络模型存储空间需求，最终得到了无损的轻量化多角度SAR目标识别网络模型。在识别精度无损的前提下，压缩率能达到60倍以上，同时计算量能减少2倍以上。
-
公开(公告)号：CN110909667A
公开(公告)日：2020-03-24
申请号：CN201911143404.5
申请日：2019-11-20
Applicant: 北京化工大学
Abstract: 本发明公开了面向多角度SAR目标识别网络的轻量化设计方法，属于计算机视觉和遥感的交叉领域。现有的神经网络压缩方法通常是逐步压缩思路且有识别精度损失的，而本发明结合SAR目标多角度特征保持的要求，使用结构化剪枝生成轻量化SAR目标识别CNN网络结构，使用知识蒸馏恢复CNN网络模型的多角度特征提取能力，使用权重共享进一步压缩网络模型存储空间需求，最终得到了无损的轻量化多角度SAR目标识别网络模型。在识别精度无损的前提下，压缩率能达到60倍以上，同时计算量能减少2倍以上。
-
Patent Agency Ranking
公开(公告)号：CN118351445A
公开(公告)日：2024-07-16
申请号：CN202410512833.X
申请日：2024-04-26
Applicant: 北京化工大学
Abstract: 本发明涉及一种基于简缩极化SPAN数据的船只目标检测方法及系统。所述方法包括：获取CTLR模式的简缩极化SAR数据，获取简缩极化SPAN图像；对简缩极化SPAN图像进行标注生成简缩极化SPAN数据集；采用主成分分析方法对简缩极化SPAN数据集进行数据增强处理；YOLOv8模型中的主干网络中，使用DCNv2变形卷积模块，并使用SIOU loss作为损失函数，得到目标检测模型；将处理后的简缩极化SPAN数据集输入至目标检测模型中，得到船只目标检测结果。通过计算得到CTLR模式简缩极化SAR数据的SPAN图，以此来获取比单极化SAR数据更多的信息；采用主成分分析方法对图像去噪扩增，提高数据集的多样性；使用DCNv2变形卷积模块、SIOU loss改进得到目标检测模型，提高船只目标检测的检测精度。
-
公开(公告)号：CN117392311A
公开(公告)日：2024-01-12
申请号：CN202311279802.6
申请日：2023-09-28
Applicant: 北京化工大学
Abstract: 本发明公开毁伤场景SAR图像仿真方法及装置，该方法包括如下步骤：基于爆炸力学建立不同土介质类型、炸药量、炸药埋深下爆炸坑的三维模型；基于计算电磁学进行爆炸坑以及所在场景的后向散射特性；根据爆炸坑的三维模型、和爆炸坑以及所在场景的后向散射特性，进行爆炸坑的回波数据的仿真并成像。本发明能够间接获取爆炸后毁伤场景信息，对于灾后快速评估、灾后重建、工程建设、灭火救援等工作具有重要意义。
-
公开(公告)号：CN113408340A
公开(公告)日：2021-09-17
申请号：CN202110514236.7
申请日：2021-05-12
Applicant: 北京化工大学
Abstract: 本发明公开了基于增强型特征金字塔的双极化SAR小型船只检测方法，针对合成孔径雷达(SAR)图像中小型船只通常散射强度弱，在图像中仅占少量像素而导致的漏检问题，该方法设计了双极化自适应通道融合模块，通过检测结果的反馈来自动学习双极化SAR数据中两个通道融合系数，由系数加权得到融合通道输入特征提取网络。在本发明改进的注意力增强型低层特征金字塔中，降低深度网络下采样次数得到低层特征金字塔并在大尺度特征图上进行预测可以缓解小型船只在SAR图像中占据像素较少而导致特征消失问题，与此同时引入了空间与通道注意力机制。
-
公开(公告)号：CN113392871A
公开(公告)日：2021-09-14
申请号：CN202110365566.4
申请日：2021-04-06
Applicant: 北京化工大学
Abstract: 本发明公开了一种基于散射机制多通道扩张卷积神经网络的极化SAR地物分类方法，该方法的实施流程如下：步骤1、数据预处理；步骤2、样本的划分；步骤3、构建基于散射机制的多通道卷积神经网络；步骤4、训练网络模型；步骤5、PolSAR图像地物分类；本发明降低了特征提取过程中的复杂度，并且为了避免特征之间的相互干扰，将三种极化特征按照散射机制分别输入到三通道卷积神经网络进行特征提取，每个通道的网络参数设置相同，保证了每个通道对最终结果贡献相同；最终的分类结果也达到了比较好的效果。
-
公开(公告)号：CN111160268B
公开(公告)日：2024-03-29
申请号：CN201911402471.4
申请日：2019-12-30
Applicant: 北京化工大学
Abstract: 本发明公开了一种基于多任务学习的多角度SAR目标识别方法，本发明构建了两种学习任务用以提升神经网络对于SAR目标特征的感知能力，一个是用以判断SAR目标角度的角度估计辅助任务，一个是在角度估计基础上进行目标识别的主任务。辅助任务充分利用了SAR图像数据中的角度特征，使用多任务学习中的参数共享学习机制来提升网络特征提取层对于目标散射特征、方位敏感特征的提取能力，为主任务的学习提供先验知识支撑。共享网络层基于深度残差学习框架进行设计，针对两种学习任务引入Softmax Loss和Center Loss两种损失函数共同监督训练，提高小样本情况下的合成孔径雷达目标识别效率。
-
-
-
-
-
-
-
-
-
Search Results
32
records
(took 0.021 seconds)
