-
公开(公告)号：CN105635736B
公开(公告)日：2018-11-13
申请号：CN201610144191.8
申请日：2016-03-14
Applicant: 杭州电子科技大学
IPC: H04N19/147 , H04N19/52 , H04N19/136 , H04N19/124 , H04N19/51
Abstract: 本发明公开了一种简单快速的合并方法；本发明包括：获取当前编码单元的深度和量化参数信息；根据所述深度和量化参数信息，计算当前编码单元的最优率失真阈值；从候选列表中依次获取候选块并进入率失真优化过程；设定运动补偿参数；进行运动补偿过程；编码残差并计算率失真；保存最优块的相关信息；如果当所选候选块使得率失真小于预先计算的最优率失真阈值时，则结束；如果当所选候块使得率失真大于或等于预先计算的最优率失真阈值时，并且仍有候选块未被考察，则选取后一候选块并重复上述率失真优化过程，否则终止率失真优化过程。本发明的方法能够较快的选择合适的合并单元块以加快Merge模式的速度，进而提升整体编码效率。
-
公开(公告)号：CN105791876A
公开(公告)日：2016-07-20
申请号：CN201610144343.4
申请日：2016-03-14
Applicant: 杭州电子科技大学
IPC: H04N19/80 , H04N19/523 , H04N19/53 , H04N19/117
CPC classification number: H04N19/80 , H04N19/117 , H04N19/523 , H04N19/53
Abstract: 本发明公开了一种基于低复杂度分层插值的HEVC分像素运动估计方法。该方法包括：在整像素精度上对感兴趣区域初始化；线性变换将像素原始值转换成对应整型的中间值；1/2分像素采用8抽头滤波器进行插值计算；线性逆变换获得原始值1/2分像素插值滤波结果；运动矢量精炼至1/2分像素精度；对垂直方向上的1/2分像素中间值采用6抽头滤波器进行插值计算；根据不同抽头滤波获得的1/2分像素中间值，利用其均值求解1/4分像素中间值；对1/4分像素中间值进行逆变换获得最终1/4分像素插值结果；运动矢量精炼至1/4分像素精度。本发明能够加快HEVC分像素运动估计过程以提高编码速度，进而提升编码器对实时编码需求的满足。
-
公开(公告)号：CN105635736A
公开(公告)日：2016-06-01
申请号：CN201610144191.8
申请日：2016-03-14
Applicant: 杭州电子科技大学
IPC: H04N19/147 , H04N19/52 , H04N19/136 , H04N19/124 , H04N19/51
CPC classification number: H04N19/147 , H04N19/124 , H04N19/136 , H04N19/51 , H04N19/52
Abstract: 本发明公开了一种简单快速的合并方法；本发明包括：获取当前编码单元的深度和量化参数信息；根据所述深度和量化参数信息，计算当前编码单元的最优率失真阈值；从候选列表中依次获取候选块并进入率失真优化过程；设定运动补偿参数；进行运动补偿过程；编码残差并计算率失真；保存最优块的相关信息；如果当所选候选块使得率失真小于预先计算的最优率失真阈值时，则结束；如果当所选候块使得率失真大于或等于预先计算的最优率失真阈值时，并且仍有候选块未被考察，则选取后一候选块并重复上述率失真优化过程，否则终止率失真优化过程。本发明的方法能够较快的选择合适的合并单元块以加快Merge模式的速度，进而提升整体编码效率。
-
公开(公告)号：CN115047423B
公开(公告)日：2025-01-17
申请号：CN202210391944.0
申请日：2022-04-14
Applicant: 杭州电子科技大学
IPC: G01S7/41 , G06F18/2415 , G06F18/243 , G06F18/214 , G06N3/0455 , G06N3/088 , G06N3/0464
Abstract: 本发明公开了基于对比学习无监督预训练‑微调式的雷达目标识别方法，首先对原始样本进行预处理，进行数据扩充；然后采用reshape和数据增强的方式增加HRRP样本的结构多样性；再输入SimSiam模块；将SimSiam模块编码器网络的输出在下游分类模块上进行微调，通过shape操作后再输入下游分类模块中，最终实现HRRP识别分类；本发明中采用数据增强的方式，让模型学到更多的有效特征信息，有助于提升迁移到下游分类任务的识别性能。通过定义不同的下游分类模块能够得到各种不同的应用于HRRP目标识别的通用鲁棒模型，为雷达HRRP目标识别领域提供了一种新的思路和方法。
-
公开(公告)号：CN115062754A
公开(公告)日：2022-09-16
申请号：CN202210391546.9
申请日：2022-04-14
Applicant: 杭州电子科技大学
Abstract: 本发明公开一种基于优化胶囊的雷达目标识别方法，首先对原始HRRP样本集进行预处理，进行数据扩充；通过SimSiam模块进行特征提取，提取到的高维特征传入卷积模块，将经过卷积模块提取到的特征输入基于SE层的基础胶囊网络，最后搭建分类器，对HRRP目标分类。通过新的路由机制实现HRRP目标的识别，实现更快的收敛和更高的识别性能，从多个角度详细捕捉HRRP目标的不同层次的可分信息，增加了网络的稀疏性。优化基础胶囊质量并减少胶囊参数量，极大地降低了网络中可训练的参数量还提升了一定的识别性能，为实际的雷达识别工程应用提供一种可行的方法。
-
Patent Agency Ranking
公开(公告)号：CN115047422A
公开(公告)日：2022-09-13
申请号：CN202210391943.6
申请日：2022-04-14
Applicant: 杭州电子科技大学
Abstract: 本发明公开了一种基于多尺度混合空洞卷积的雷达目标识别方法，首先进行数据集获取，对数据集中的样本进行预处理；通过动态调整层对HRRP样本进行整体的动态范围调整；通过多尺度混合空洞卷积模块对动态调整后的数据进行特征提取；通过使用通道注意力机制，对通道间的相互依赖建模来使多尺度混合空洞卷积模块自适应地重新缩放每个通道的特征重要性；搭建分类器，对HRRP目标分类。本发明使用多尺度卷积核提取不同物理结构特征，并使用空洞卷积扩大卷积核在序列问题上的感受野，利用注意力机制为模型增加了自适应缩放特征重要性的能力。
-
公开(公告)号：CN114861712A
公开(公告)日：2022-08-05
申请号：CN202210413812.3
申请日：2022-04-14
Applicant: 杭州电子科技大学
Abstract: 本发明公开了一种基于改进时序卷积网络的雷达目标识别方法，首先对原始HRRP样本集进行预处理，采用TCN模型提取HRRP的数据特征；然后采用多层次注意力模块，自适应的缩放数据不同片段的特征重要性；最后通过全连接层将更有效的特征进行保留，最后采用softmax对网络的输出进行分类。本发明通过因果卷积来建立HRRP的因果序列特性，并且通过膨胀卷积和堆叠模型深度来扩大模型的感受野，提取更全面的特征信息。提出了针对多层时间卷积网络的多层次注意力机制，对不同层次反映的目标结构特征进行重要性调整，突出可分性强的层次特征，抑制无用特征，自适应调整各个层次输出对识别结果的影响。
-
公开(公告)号：CN115079116A
公开(公告)日：2022-09-20
申请号：CN202210391518.7
申请日：2022-04-14
Applicant: 杭州电子科技大学
Abstract: 本发明公开了一种基于Transformer和时间卷积网络的雷达目标识别方法，首先对原始HRRP样本集进行预处理；通过卷积模块对样本进行特征提取并改变数据格式；再通过基于VIT的MoCo对比学习模块，在特征空间上学习区分不同样本；之后将经过MoCo对比学习模块得到的特征，输入时间卷积模块，进一步地加强模型的表征能力，得到可分性更强的特征；最后通过全连接层将更有效的特征进行保留，最后采用softmax对网络的输出进行分类。本发明中应用引入时间卷积网络，使模型获取HRRP中更为全面的信息，进一步提高模型的特征提取能力，得到可分性更强的特征用于分类。
-
公开(公告)号：CN115047421A
公开(公告)日：2022-09-13
申请号：CN202210391520.4
申请日：2022-04-14
Applicant: 杭州电子科技大学
Abstract: 本发明公开了一种基于Transformer的雷达目标识别方法，首先对原始HRRP样本集进行预处理，然后采用多尺度CNN来融合多种不同感受野的特征，并用SE模块基于通道之间的依赖关系进行建模，再采用Albert模型对HRRP数据进行建模。最后通过注意力分类模块对特征进行分类，完成HRRP识别。本发明应用堆叠Albert模块结合多头注意力机制来提取HRRP的双向特征。采用多尺度CNN结合SE模块来代替嵌入表示。针对HRRP的特殊性，利用多尺度卷积提取HRRP的多层次空间特征，通过不同的卷积核提取不同尺度的结构特征，并通过SE模块实现通道的重要性调整，提高了网络初期的表达能力。
-
公开(公告)号：CN104268395A
公开(公告)日：2015-01-07
申请号：CN201410493238.2
申请日：2014-09-24
Applicant: 杭州电子科技大学
IPC: G06F19/00
Abstract: 本发明实施例公开了一种基于舰船辐射噪声频域融合特征的水声目标识别方法，步骤如下：对舰船目标训练辐射噪声数据进行角域分帧操作；提取训练和测试的舰船目标辐射噪声数据的目标的功率谱特征以及维谱特征；得到辐射噪声数据的频域融合特征；确定舰船目标辐射噪声数据中每一帧的多任务截断先验隐马尔可夫模型参数；计算测试舰船目标辐射噪声数据的频域融合特征xtest与训练舰船目标辐射噪声数据的每一帧相对应的多任务截断先验隐马尔可夫模型的条件似然函数值；将最大条件似然函数值所对应舰船目标训练辐射噪声数据那一帧的类别属性作为舰船目标测试辐射噪声数据的类别属性。本发明用于提高水声目标识别的性能。
-
-
-
-
-
-
-
-
-
Search Results
14
records
(took 0.025 seconds)
