-
公开(公告)号：CN106022383A
公开(公告)日：2016-10-12
申请号：CN201610361515.3
申请日：2016-05-26
Applicant: 重庆大学
IPC: G06K9/62
CPC classification number: G06K9/6267 , G06K9/6232 , G06K9/6256
Abstract: 本发明提供了一种基于方位角相关动态字典稀疏表示的SAR目标识别方法，其首先估计作为测试样本的SAR图像的方位角，然后根据这个方位角估计值算出一个相关方位角范围，从而基于各个训练样本的稀疏特征矩阵的集合构成的稀疏特征训练样本集，令稀疏特征训练样本集之中方位角值在相关方位角范围之外的训练样本的稀疏特征矩阵设置为零矩阵，仅保留方位角值在相关方位角范围以内的训练样本的稀疏特征矩阵，由此构成测试样本对应的稀疏特征方位角相关动态字典，然后再进行稀疏表示分类识别，大大减少稀疏编码和稀疏重构的计算量，提升了识别处理效率，同时也减少了方位角不相关的训练样本对测试样本目标识别的干扰，使得识别准确率也得以提高。
-
公开(公告)号：CN110781822B
公开(公告)日：2022-08-02
申请号：CN201911025388.X
申请日：2019-10-25
Applicant: 重庆大学
IPC: G06V20/13 , G06V10/774 , G06V10/772 , G06V10/764 , G06V10/778
Abstract: 本发明公开了基于自适应多方位角字典对学习的SAR图像目标识别方法，包括：获取目标图像及全方位角训练样本集；划分局部方位角扇区并将全方位角训练样本集分成多个训练局部方位角扇区；确定目标图像所在的局部方位角扇区；对目标图像所在的局部方位角扇区对应的训练局部方位角扇区中的训练样本子集进行判别字典对学习，得到目标图像所在的局部方位角扇区的判别字典对；基于判别字典对目标图像进行重构，利用最小重构误差准则确定目标图像的标签，实现目标图像的识别。针对上述现有技术的不足，本发明针对雷达图像对方位角敏感，挖掘局部扇区的字典对的表示学习能力，减小了计算成本，降低了样本间因方位角差异过大而引起的干扰。
-
Patent Agency Ranking
公开(公告)号：CN106096506A
公开(公告)日：2016-11-09
申请号：CN201610368813.5
申请日：2016-05-28
Applicant: 重庆大学
CPC classification number: G06K9/0063 , G06K9/628
Abstract: 本发明提供了一种基于子类类间判别双字典的SAR目标识别方法，其首先基于每一类训练样本的SAR图像的方位角，在每个类别中划分出若干个子类，从而将每一个子类看做不同的目标类别，通过判别双字典学习方法，学习得到用于重构每个类别的每个子类的子类图像特征训练样本子集所对应的分析子字典和综合子字典，减少了方位角不相关的训练样本对测试样本目标识别的干扰，同时确保了重构时综合字典和分析字典表示系数能通过一个简单的线性投影函数来逼近，大大减少训练处理和重构识别处理的计算量，提升了识别处理效率，并且其重构识别处理过程中利用了各个不同类别中各个子类的训练样本的类标签信息，进而使得识别准确率也得以提高。
-
公开(公告)号：CN110781822A
公开(公告)日：2020-02-11
申请号：CN201911025388.X
申请日：2019-10-25
Applicant: 重庆大学
Abstract: 本发明公开了基于自适应多方位角字典对学习的SAR图像目标识别方法，包括：获取目标图像及全方位角训练样本集；划分局部方位角扇区并将全方位角训练样本集分成多个训练局部方位角扇区；确定目标图像所在的局部方位角扇区；对目标图像所在的局部方位角扇区对应的训练局部方位角扇区中的训练样本子集进行判别字典对学习，得到目标图像所在的局部方位角扇区的判别字典对；基于判别字典对目标图像进行重构，利用最小重构误差准则确定目标图像的标签，实现目标图像的识别。针对上述现有技术的不足，本发明针对雷达图像对方位角敏感，挖掘局部扇区的字典对的表示学习能力，减小了计算成本，降低了样本间因方位角差异过大而引起的干扰。
-
公开(公告)号：CN110458137A
公开(公告)日：2019-11-15
申请号：CN201910765203.2
申请日：2019-08-19
Applicant: 重庆大学
Abstract: 本发明公开了一种基于两级多任务学习的合成孔径雷达图像识别方法，包括：提取目标图像及训练图像集的多类异质特征；将目标图像的每一类异质特征以训练图像集中所有训练图像对应的异质特征的线性组合表示；提取每一类异质特征的系数矢量；得到每一类异质特征的M近邻局部子集并组成新字典；得到协同表示系数矩阵；利用最小重构误差进准则得到目标图像的识别结果。本发明第一阶段得到目标图像在训练样本中的最佳局部子集，并相应更新各个特征的字典，大大减少了远离目标图像的训练样本的干扰，从而避免了异常值造成的干扰，分类性能明显优于多任务稀疏表示学习和多任务协同表示学习算法，且对广泛的正则化参数具有鲁棒性。
-
公开(公告)号：CN106022383B
公开(公告)日：2019-05-31
申请号：CN201610361515.3
申请日：2016-05-26
Applicant: 重庆大学
IPC: G06K9/62
Abstract: 本发明提供了一种基于方位角相关动态字典稀疏表示的SAR目标识别方法，其首先估计作为测试样本的SAR图像的方位角，然后根据这个方位角估计值算出一个相关方位角范围，从而基于各个训练样本的稀疏特征矩阵的集合构成的稀疏特征训练样本集，令稀疏特征训练样本集之中方位角值在相关方位角范围之外的训练样本的稀疏特征矩阵设置为零矩阵，仅保留方位角值在相关方位角范围以内的训练样本的稀疏特征矩阵，由此构成测试样本对应的稀疏特征方位角相关动态字典，然后再进行稀疏表示分类识别，大大减少稀疏编码和稀疏重构的计算量，提升了识别处理效率，同时也减少了方位角不相关的训练样本对测试样本目标识别的干扰，使得识别准确率也得以提高。
-
公开(公告)号：CN106096506B
公开(公告)日：2019-04-26
申请号：CN201610368813.5
申请日：2016-05-28
Applicant: 重庆大学
Abstract: 本发明提供了一种基于子类类间判别双字典的SAR目标识别方法，其首先基于每一类训练样本的SAR图像的方位角，在每个类别中划分出若干个子类，从而将每一个子类看做不同的目标类别，通过判别双字典学习方法，学习得到用于重构每个类别的每个子类的子类图像特征训练样本子集所对应的分析子字典和综合子字典，减少了方位角不相关的训练样本对测试样本目标识别的干扰，同时确保了重构时综合字典和分析字典表示系数能通过一个简单的线性投影函数来逼近，大大减少训练处理和重构识别处理的计算量，提升了识别处理效率，并且其重构识别处理过程中利用了各个不同类别中各个子类的训练样本的类标签信息，进而使得识别准确率也得以提高。
-
-
-
-
-
-
Search Results
7
records
(took 0.024 seconds)
