公开(公告)号：CN115422977A

公开(公告)日：2022-12-02

申请号：CN202211124465.9

申请日：2022-09-15

Applicant: 南昌大学

Inventor： 李春泉 ,  夏庆 ,  杨锋 ,  王嘉豪 ,  邢庆宝 ,  陈利民 ,  陶凌

IPC: G06K9/00 ,  G06N3/04 ,  G06N3/08

Abstract: 一种基于CNN‑BLS网络的雷达辐射源信号识别方法，包括构建数据集、对时频图像进行预处理、构建改进的CNN‑BLS网络、训练CNN‑BLS网络和对雷达辐射源信号进行识别；本发明通过将卷积神经网络(CNN)和宽度学习网络(BLS)有效融合，实现了雷达辐射源信号识别分类的同时，有效的平衡了神经网络模型的计算代价和识别精度，具有训练速度快，识别精度高等特点。在减少网络模型的训练时间、提高实时性的同时，提高了雷达辐射源信号识别分类的准确率，确保了雷达辐射源信号识别分类的精确性，实现了雷达辐射源信号识别分类的实时和精确。

公开(公告)号：CN117590334A

公开(公告)日：2024-02-23

申请号：CN202311616940.9

申请日：2023-11-30

Applicant: 南昌大学

Inventor： 李春泉 ,  杨锋 ,  廖志远 ,  程宇新 ,  李亚超 ,  陈利民 ,  伍军云 ,  梁音 ,  陈荣伶 ,  陶凌 ,  赵庆敏

IPC: G01S7/02 ,  G06V10/30 ,  G06V10/44 ,  G06V10/764 ,  G06V10/82 ,  G06F18/213 ,  G06F18/2415 ,  G06F18/2431 ,  G06N3/045 ,  G06N3/0464 ,  G06N3/084 ,  G06N3/0985 ,  G06F123/02

Abstract: 一种基于GCNet网络的雷达辐射源信号识别方法，包括构建数据集、对时频图像进行预处理、构建基于GCNet的网络模型、训练GCNet和对雷达辐射源信号进行识别。本发明通过在卷积神经网络中加入全局注意力机制，并且使用深度可分离卷积替代常规卷积，实现了在较少网络参数和计算量条件下，具有优异的识别性能，并且能够在轻型边缘计算平台进行应用部署。

公开(公告)号：CN117495690A

公开(公告)日：2024-02-02

申请号：CN202311310352.2

申请日：2023-10-11

Applicant: 南昌大学

Inventor： 李春泉 ,  邢庆宝 ,  廖志远 ,  程宇新 ,  张海欣 ,  杨锋 ,  夏庆 ,  王嘉豪 ,  王子韬 ,  王咏鹤 ,  陶凌 ,  陈利民 ,  陈荣伶 ,  赵庆敏 ,  伍军云 ,  李亚超 ,  喻俊志

IPC: G06T5/50 ,  G06T5/60 ,  G06T5/70 ,  G06T5/90 ,  G06N3/045 ,  G06N3/0475 ,  G06N3/0464 ,  G06N3/048 ,  G06N3/0495 ,  G06N3/094

Abstract: 一种基于双分支GAN网络的SAR与可见光图像轻量化融合方法，包括构建数据集、使用GFCE算法生成预融合图像、构建双分支GAN网络(DB‑GAN)、训练DB‑GAN网络对SAR与可见光图像进行融合；本发明搭建双分支GAN网络，利用GAN网络的生成对抗机制，同样引入预融合图像作为生成器的指导，以避免人工设计复杂的融合规则，具有以下特点：1.相比较其他基于深度学习的融合算法，DB‑GAN网络在SAR与可见光图像融合领域能够得到更高质量的融合图像，很好的保留了可见光图像的光谱信息，以及SAR与可见光图像的细节信息；2.模型参数较少，实现了模型的轻量化，可节省硬件开销，有利于实际应用。

公开(公告)号：CN117274129A

公开(公告)日：2023-12-22

申请号：CN202311310363.0

申请日：2023-10-11

Applicant: 南昌大学

Inventor： 李春泉 ,  邢庆宝 ,  程宇新 ,  廖志远 ,  张海欣 ,  杨锋 ,  夏庆 ,  王嘉豪 ,  王子韬 ,  王咏鹤 ,  陶凌 ,  陈利民 ,  陈荣伶 ,  赵庆敏 ,  伍军云 ,  李亚超 ,  喻俊志

IPC: G06T5/50 ,  G06T5/00 ,  G06N3/045 ,  G06N3/0475 ,  G06N3/0464 ,  G06N3/048 ,  G06N3/094

Abstract: 一种基于双判别器的SAR与可见光图像融合方法，包括构建数据集、使用GFCE算法生成预融合图像、构建具有双判别器的GAN网络(DD‑GAN)、训练DD‑GAN网络对SAR与可见光图像进行融合。本发明利用GAN网络的生成对抗机制，并引入预融合图像作为生成器的指导，具有以下特点：避免了人工设计复杂的融合规则；可以实现输入未经对比度增强的源图像，输出得到对比度增强效果的融合图像，并且融合图像在保留可见光图像光谱信息的同时，可以包含大量的SAR与可见光图像的细节信息；在获得高质量融合图像的同时，所花费的时间较少，有效的解决了高质量融合图像与生成时间之间的矛盾。