公开(公告)号：CN115421141B

公开(公告)日：2024-10-18

申请号：CN202210885949.9

申请日：2022-07-26

Applicant: 电子科技大学

Inventor： 于雪莲 ,  徐笑 ,  任浩浩 ,  刘森 ,  董福禄 ,  周云

IPC: G01S13/90 ,  G06F18/2415

Abstract: 本发明公开了一种两阶段自适应采样的不平衡SAR目标识别方法，本发明从少数类目标与多数类目标两个角度出发，通过两阶段的处理方式改善不同类数据的平衡比。该方法的主要流程：在预处理阶段应用改进的合成过采样的方法，自适应对识别困难的少数类样本合成更多的样本以强化少数类边界，从而降低数据集的不平衡度。将分类决策的边界向更难学习的样本实例移动，减少原始数据的不平衡分布带来的学习偏差。同时，为了进一步改善数据的平衡度，本发明在分类模型训练阶段提出一种基于自步长学习的简单样本选择策略。在网络训练阶段根据阈值及新设计的损失函数有选择的纳入多数类简单样本进行训练，进一步降低数据集的不平衡度。在OpenSARShip2.0公开数据集上进行仿真实验，证明了本发明的有效性。

公开(公告)号：CN115512200A

公开(公告)日：2022-12-23

申请号：CN202211159684.0

申请日：2022-09-22

Applicant: 电子科技大学

Inventor： 于雪莲 ,  李月 ,  任浩浩 ,  刘森 ,  董福禄 ,  邹林 ,  周云

IPC: G06V10/82 ,  G06V10/77 ,  G06V10/764 ,  G06V10/774 ,  G06N3/04 ,  G06N3/08 ,  G06N5/04

Abstract: 本发明提出一种基于孪生卷积子空间的目标识别方法，属于雷达的目标识别领域。现有技术中，训练样本充足是基于数据驱动的SAR目标识别方法获得优异识别性能的先决条件。然而，在一些实际的应用场景中，通常只能获取到极其少量的目标样本。为了在样本少量的条件下实现稳健的SAR目标识别，所提方法由特征嵌入模型与分类器两部分构成。首先，建立了一个基于孪生结构的特征嵌入网络，并利用对比学习思想来训练一个类内紧凑、类间分散的低维特征表示空间；然后，设计一个基于子空间学习的分类器，并通过待识别样本到目标类样本张成子空间的最短投影距离来推理目标样本的类别。

公开(公告)号：CN115421141A

公开(公告)日：2022-12-02

申请号：CN202210885949.9

申请日：2022-07-26

Applicant: 电子科技大学

Inventor： 于雪莲 ,  徐笑 ,  任浩浩 ,  刘森 ,  董福禄 ,  周云

IPC: G01S13/90 ,  G06K9/62

Abstract: 本发明公开了一种两阶段自适应采样的不平衡SAR目标识别方法，本发明从少数类目标与多数类目标两个角度出发，通过两阶段的处理方式改善不同类数据的平衡比。该方法的主要流程：在预处理阶段应用改进的合成过采样的方法，自适应对识别困难的少数类样本合成更多的样本以强化少数类边界，从而降低数据集的不平衡度。将分类决策的边界向更难学习的样本实例移动，减少原始数据的不平衡分布带来的学习偏差。同时，为了进一步改善数据的平衡度，本发明在分类模型训练阶段提出一种基于自步长学习的简单样本选择策略。在网络训练阶段根据阈值及新设计的损失函数有选择的纳入多数类简单样本进行训练，进一步降低数据集的不平衡度。在OpenSARShip2.0公开数据集上进行仿真实验，证明了本发明的有效性。