公开(公告)号：CN115201777B

公开(公告)日：2024-10-15

申请号：CN202210883610.5

申请日：2022-07-26

Applicant: 电子科技大学

Inventor： 廖阔 ,  潘启迪 ,  卜志纯 ,  陈思情 ,  周代英

IPC: G01S7/41 ,  G01S13/89 ,  G06F18/214 ,  G06F18/24 ,  G06N3/0464 ,  G06N3/084

Abstract: 本发明属于目标识别技术领域，具体涉及一种基于嵌入预定的雷达一维像目标增量识别方法。本发明针对雷达一维像新目标识别中存在的灾难性遗忘问题，在嵌入空间中预分配虚拟类，从而为基础类保留空间，为新类预分配空间。在预训练阶段，分配虚拟类与基础类共同训练，增量学习阶段的新类别直接覆盖虚拟类的空间，不会占用基础类的空间，从而避免灾难性遗忘；同时我们设计了多个损失函数来压缩基础类的嵌入，为新类预留了更多的空间，从而保证新类的识别准确率。为了防止基础类空间被过度挤压，我们还通过流形混合预测了可能出现的新类。此外，在增量学习阶段，我们对新类别在全连接层的参数进行训练，提升了新类别的识别准确率。

公开(公告)号：CN116452815A

公开(公告)日：2023-07-18

申请号：CN202310440910.0

申请日：2023-04-23

Applicant: 电子科技大学

Inventor： 周代英 ,  谢骐阳 ,  徐泽颖

IPC: G06V10/40 ,  G06V10/82 ,  G06V10/25 ,  G06V10/764 ,  G06N3/048 ,  G06N3/047 ,  G06N3/08 ,  G06N3/0464

Abstract: 本发明属于目标检测技术领域，具体涉及一种基于多尺度区域卷积网络的目标检测方法。本发明的方法通过构建多尺度区域卷积网络来进行目标检测框的识别，多尺度区域卷积网络包括特征提取主干网络、区域建议网络和目标检测网络；其中特征提取主干网络用于提取输入图像的特征得到特征图；区域建议网络的输入为特征图，并分别得到三个不同尺度的区域建议框，目标检测网络的输入包括特征图和三个不同尺度的区域建议框，最后得到目标检测框。本发明有利于针对存在不同大小目标的检测场景中的目标检测，改善检测准确率。

公开(公告)号：CN116451120A

公开(公告)日：2023-07-18

申请号：CN202310439746.1

申请日：2023-04-23

Applicant: 电子科技大学

Inventor： 周代英 ,  徐泽颖 ,  谢骐阳

IPC: G06F18/24 ,  G06F18/214 ,  G06F17/16 ,  G06F18/213 ,  G01S7/41

Abstract: 本发明属于无人机识别技术领域，具体涉及一种基于模糊局部保留投影的无人机目标特征提取方法。本发明的方法以目标的微多普勒谱图作为研究对象,通过提取谱图的模糊局部保留投影特征，实现多旋翼无人机与飞鸟目标的分类识别。相比较于局部保留投影方法仅仅根据欧式距离信息构建权值矩阵，本发明方法利用样本模糊隶属度构建权值矩阵一方面能够更准确地描述数据空间的分布情况，同时由于在模糊隶属度中包含了目标的类别信息，更有利于目标的分类，从而提高了目标识别率。对5类目标进行了仿真实验，实验结果表明本发明方法的目标识别率较常规局部保留投影方法有较大提升，验证了本发明方法的有效性。

公开(公告)号：CN114943251B

公开(公告)日：2023-05-02

申请号：CN202210548931.X

申请日：2022-05-20

Applicant: 电子科技大学

Inventor： 周代英 ,  何彬宇 ,  易传莉雯 ,  王特起

IPC: G06V20/17 ,  G06V10/764 ,  G06V10/774 ,  G06V10/80 ,  G06V10/82 ,  G06N3/0464 ,  G06N3/047 ,  G06N3/048 ,  G06N3/08

Abstract: 本发明属于无人机识别技术领域，具体涉及一种基于融合注意力机制的无人机目标识别方法。本发明的识别模型由数据输入层、预处理层、卷积模块、注意力模块、全连接层以及softmax分类层组成，数据输入层与预处理层用于处理输入的无人机微多普勒谱图；由卷积模块与注意力模块提取谱图深度特征；采用全连接层与分类层实现对无人机目标的分类识别。由于注意力模块是针对微多普勒谱图的特点设计的，能够提取有利于分类的局部特征信息，注意力模块与卷积模块相融合可以提取到分类性能更好的特征，从而进一步改善对目标的识别性能。仿真实验验证了本文方法的有效性。

公开(公告)号：CN113962298B

公开(公告)日：2023-04-28

申请号：CN202111197170.X

申请日：2021-10-14

Applicant: 电子科技大学

Inventor： 周代英

IPC: G06F18/214 ,  G06F18/2431 ,  G06F17/16 ,  G06N20/00 ,  G01S7/41 ,  G01S13/02

Abstract: 本发明属于目标识别技术领域，具体的说是涉及一种低秩判别子空间真假目标一维距离像特征提取方法。本发明首先将训练样本按列组成一个矩阵，利用稀疏重构方法分解成低秩矩阵和稀疏误差部分，并在重构学习中引入低秩矩阵的类判别信息，然后，对低秩矩阵进行分析建立低秩判别子空间，提取目标一维距离像特征。由于重构算法中引入了类判别信息，增大了类间分离，减小了类内差异，从而提高了目标识别性能，对四类仿真目标的一维距离像数据进行了仿真实验，实验结果验证了该方法是有效的。

公开(公告)号：CN115980688A

公开(公告)日：2023-04-18

申请号：CN202211660398.2

申请日：2022-12-23

Applicant: 电子科技大学

Inventor： 周代英 ,  廖阔 ,  沈晓峰 ,  张瑛 ,  冯健

IPC: G01S7/41

Abstract: 本发明属于雷达真假目标识别技术领域，具体涉及一种基于多模深度网络的雷达真假目标识别方法。本发明首先对雷达真假目标的一维距离像数据进行预处理，作为多模深度网络的输入，多模深度网络由3个并行的一维卷积子网络组成，从一维距离像中提取多模特征，然后，串接3层的堆自编码器，从多模特征中进一步提取识别特征，最后采用softmax分类层完成目标类型识别。由于利用多个卷积核大小不同的卷积子网络进行初步的特征提取，然后，采用堆自码器进一步提取识别特征，从而能够提取到更精细、更全面的非线性特征，改善对目标的识别性能。对四类仿真目标的一维距离像数据进行了仿真实验，实验结果验证了方法的有效性。

公开(公告)号：CN114943252B

公开(公告)日：2023-04-07

申请号：CN202210548932.4

申请日：2022-05-20

Applicant: 电子科技大学

Inventor： 周代英 ,  廖阔 ,  沈晓峰 ,  冯健

IPC: G06F18/213 ,  G06F18/24

Abstract: 本发明属于无人机识别技术领域，具体涉及一种多旋翼无人机识别中的多型子块组合特征提取方法。本发明的方法首先利用多个大小不同的窗口对无人机目标的雷达回波数据的时频谱图进行子块划分，然后，对每型子块化的时频谱图，提取相应的子块变化特征，组合形成特征矢量，以此对无人机目标进行识别。由于利用了多个大小不同的子块变化信息，能够提取到对雷达回波数据的微小变化更稳健的特征，从而改善了对目标的识别率。对4类多旋翼无人机的仿真实验结果验证了方法的有效性。

公开(公告)号：CN114936576A

公开(公告)日：2022-08-23

申请号：CN202210548848.2

申请日：2022-05-20

Applicant: 电子科技大学

Inventor： 周代英 ,  沈晓峰 ,  梁菁 ,  廖阔 ,  冯健

IPC: G06K9/00 ,  G06K9/62

Abstract: 本发明属于无人机识别技术领域，具体涉及一种多旋翼无人机识别中的子块差分编码分布特征提取方法。本发明的方法首先通过对无人机目标的雷达回波数据序列进行短时付氏变换，获得时频谱图，然后，将时频谱图划分为多个互不交叠的子块，每一子块的元素值与子块均值差分，按差分值的正负编码和行顺序构成一个编码序列，并统计整幅时频谱图的各子块编码序列对应数值的概率分布，作为子块差分编码分布特征，完成对多旋翼无人机的识别。由于充分利用了子块结构的分布信息，能够从雷达回波数据中提取到有关目标的局部特征，增大了目标之间的细节差异，从而改善了对目标的识别率。对4类多旋翼无人机的仿真实验结果验证了方法的有效性。

公开(公告)号：CN110223342B

公开(公告)日：2022-06-24

申请号：CN201910520018.7

申请日：2019-06-17

Applicant: 电子科技大学

Inventor： 周代英 ,  李雄 ,  赖陈潇 ,  黎晓烨 ,  冯健

IPC: G06T7/60 ,  G06N3/04 ,  G06N3/08

Abstract: 本发明公开了一种基于深度神经网络的空间目标尺寸估计方法。本发明的方法利用深度神经网络进行预训练，建立空间目标RCS序列和尺寸之间的关系，将未知尺寸信息的空间目标RCS序列输入到训练后的深度神经网络中，最后得到空间目标的尺寸估计结果。与传统的空间目标尺寸估计方法相比，本文方法无须预先通过人工方式建立目标尺寸估计模型，而且利用深度学习机理来自动学习表征目标尺寸与目标RCS数据序列之间的内在关联，提高了空间目标尺寸估计的准确性。

公开(公告)号：CN113030902B

公开(公告)日：2022-05-17

申请号：CN202110498690.8

申请日：2021-05-08

Applicant: 电子科技大学

Inventor： 廖阔 ,  何学思 ,  彭曙鹏 ,  田祯杰 ,  周代英

IPC: G01S7/41 ,  G06V10/44 ,  G06V10/82 ,  G06V10/774 ,  G06K9/62 ,  G06N3/04 ,  G06N3/08

Abstract: 本发明属于人工智能技术领域，具体的说是涉及一种基于孪生复网络的少样本雷达车辆目标识别方法。本发明针对少样本情况下的雷达车辆二维目标像，将目标像的实部和虚部共同输入到复数神经网络中输出实数图像，并且利用跳跃链接保留了原始图像的幅度信息，从而代替直接使用幅度图像，更好的利用了雷达数据中的复数信息，提高了特征提取的精度，拉近了原始图像和对应锚样本图像的距离，一定程度上避免少样本带来的过拟合现象。另外针对原生的孪生网络，我们提出在输入样本对的情况下，同时输入这两张样本所对应的锚样本，控制网络的收敛朝给定的锚样本方向进行，加快了网络的收敛速度，同时提高了识别精度。