公开(公告)号：CN115471763B

公开(公告)日：2025-05-16

申请号：CN202211056668.9

申请日：2022-08-31

Applicant: 重庆大学

Inventor： 张新征 ,  罗雨晴 ,  胡东

IPC: G06V20/17 ,  G06V10/54 ,  G06V10/764 ,  G06V10/80 ,  G06V10/82 ,  G06N3/045 ,  G06N3/0464 ,  G06N3/084

Abstract: 本发明具体涉及基于语义和纹理特征融合的SAR图像飞机目标识别方法，包括：将待识别的SAR图像输入训练后的目标识别模型，输出对应的目标识别预测值；训练目标识别模型时：首先将包含若干个SAR图像的训练集输入目标识别模型；其次通过深度神经网络提取SAR图像的高层语义特征；同时提取SAR图像的纹理特征，并构建纹理特征矩阵；然后融合高层语义特征和纹理特征矩阵，生成信息融合特征；最后基于信息融合特征进行预测，生成目标识别预测值，并基于目标识别预测值完成模型训练。本发明能够将目标纹理特征和深度学习网络得到的高层语义特征结合，进而能够提高模型的泛化能力和精度，从而能够提高SAR图像飞机目标识别的准确性和有效性。

公开(公告)号：CN115410102A

公开(公告)日：2022-11-29

申请号：CN202211065572.9

申请日：2022-08-31

Applicant: 重庆大学

Inventor： 张新征 ,  胡东 ,  罗雨晴

IPC: G06V20/17 ,  G06V10/42 ,  G06V10/44 ,  G06V10/52 ,  G06V10/764 ,  G06V10/80 ,  G06V10/82 ,  G06N3/04 ,  G06N3/08

Abstract: 本发明具体涉及基于联合注意力机制的SAR图像飞机目标检测方法，包括：将待检测的SAR图像输入训练后的目标检测模型，输出对应的目标检测预测值；训练时：通过深度神经网络提取SAR图像不同层次的深度特征图，再对应输入至用于提取局部和全局联合注意力特征的金字塔网络的对应联合注意力层，同时将金字塔网络中上层联合注意力层的输出与相邻下层联合注意力层输入的深度特征图拼接作为该相邻下层联合注意力层的输入；然后分别基于联合注意力特征图进行预测，得到对应的预测框和分类预测概率；最后生成目标检测预测值并进行模型训练。本发明能够有效融合SAR图像的局部注意力特征和全局注意力特征，进而能够兼顾飞机目标本身的特征信息和周围位置信息。

公开(公告)号：CN115471763A

公开(公告)日：2022-12-13

申请号：CN202211056668.9

申请日：2022-08-31

Applicant: 重庆大学

Inventor： 张新征 ,  罗雨晴 ,  胡东

IPC: G06V20/17 ,  G06V10/46 ,  G06V10/54 ,  G06V10/764 ,  G06V10/80 ,  G06V10/82 ,  G06N3/04 ,  G06N3/08

Abstract: 本发明具体涉及基于语义和纹理特征融合的SAR图像飞机目标识别方法，包括：将待识别的SAR图像输入训练后的目标识别模型，输出对应的目标识别预测值；训练目标识别模型时：首先将包含若干个SAR图像的训练集输入目标识别模型；其次通过深度神经网络提取SAR图像的高层语义特征；同时提取SAR图像的纹理特征，并构建纹理特征矩阵；然后融合高层语义特征和纹理特征矩阵，生成信息融合特征；最后基于信息融合特征进行预测，生成目标识别预测值，并基于目标识别预测值完成模型训练。本发明能够将目标纹理特征和深度学习网络得到的高层语义特征结合，进而能够提高模型的泛化能力和精度，从而能够提高SAR图像飞机目标识别的准确性和有效性。

公开(公告)号：CN115775353B

公开(公告)日：2025-04-25

申请号：CN202211339159.7

申请日：2022-10-28

Applicant: 重庆大学

Inventor： 张新征 ,  魏宇航 ,  胡东 ,  罗雨晴

IPC: G06V20/10 ,  G06V10/40 ,  G06V10/74 ,  G06V10/764 ,  G06V10/774 ,  G06V10/80

Abstract: 本发明具体涉及基于半监督的SAR图像目标识别方法，包括：通过经过训练的目标识别模型生成待识别SAR图像的目标预测值；训练目标识别模型时：首先获取用于训练的有标签图像和无标签图像并输入特征融合网络中，并基于有标签预测值计算有监督损失；然后对无标签图像进行弱增强和强增强并分别输入特征融合网络中，输出弱增强预测值和强增强预测值；随后基于弱增强预测值生成对应的正伪标签和负伪标签并计算无监督损失；再基于预设的置信阈值和相似阈值选取对应的无标签图像对来计算相似伪标签损失；最后通过有监督损失、无监督损失和相似伪标签损失联合训练目标识别模型。本发明能够提高SAR目标识别的准确率和有效性。

公开(公告)号：CN115775353A

公开(公告)日：2023-03-10

申请号：CN202211339159.7

申请日：2022-10-28

Applicant: 重庆大学

Inventor： 张新征 ,  魏宇航 ,  胡东 ,  罗雨晴

IPC: G06V20/10 ,  G06V10/40 ,  G06V10/74 ,  G06V10/764 ,  G06V10/774 ,  G06V10/80

Abstract: 本发明具体涉及基于半监督的SAR图像目标识别方法，包括：通过经过训练的目标识别模型生成待识别SAR图像的目标预测值；训练目标识别模型时：首先获取用于训练的有标签图像和无标签图像并输入特征融合网络中，并基于有标签预测值计算有监督损失；然后对无标签图像进行弱增强和强增强并分别输入特征融合网络中，输出弱增强预测值和强增强预测值；随后基于弱增强预测值生成对应的正伪标签和负伪标签并计算无监督损失；再基于预设的置信阈值和相似阈值选取对应的无标签图像对来计算相似伪标签损失；最后通过有监督损失、无监督损失和相似伪标签损失联合训练目标识别模型。本发明能够提高SAR目标识别的准确率和有效性。