CN107870321A - 基于伪标签学习的雷达一维距离像目标识别方法 - Google Patents
基于伪标签学习的雷达一维距离像目标识别方法 Download PDFInfo
- Publication number
- CN107870321A CN107870321A CN201711067556.2A CN201711067556A CN107870321A CN 107870321 A CN107870321 A CN 107870321A CN 201711067556 A CN201711067556 A CN 201711067556A CN 107870321 A CN107870321 A CN 107870321A
- Authority
- CN
- China
- Prior art keywords
- label
- data
- target
- sample
- range profile
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Granted
Links
Classifications
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01S—RADIO DIRECTION-FINDING; RADIO NAVIGATION; DETERMINING DISTANCE OR VELOCITY BY USE OF RADIO WAVES; LOCATING OR PRESENCE-DETECTING BY USE OF THE REFLECTION OR RERADIATION OF RADIO WAVES; ANALOGOUS ARRANGEMENTS USING OTHER WAVES
- G01S7/00—Details of systems according to groups G01S13/00, G01S15/00, G01S17/00
- G01S7/02—Details of systems according to groups G01S13/00, G01S15/00, G01S17/00 of systems according to group G01S13/00
- G01S7/41—Details of systems according to groups G01S13/00, G01S15/00, G01S17/00 of systems according to group G01S13/00 using analysis of echo signal for target characterisation; Target signature; Target cross-section
- G01S7/417—Details of systems according to groups G01S13/00, G01S15/00, G01S17/00 of systems according to group G01S13/00 using analysis of echo signal for target characterisation; Target signature; Target cross-section involving the use of neural networks
Landscapes
- Engineering & Computer Science (AREA)
- Artificial Intelligence (AREA)
- Evolutionary Computation (AREA)
- Computer Networks & Wireless Communication (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Radar, Positioning & Navigation (AREA)
- Remote Sensing (AREA)
- Image Analysis (AREA)
Abstract
本发明属于雷达目标识别领域,尤其涉及一种基于伪标签学习的雷达一维距离像目标识别方法。本发明的技术方案为:首先将单基地雷达获取的一维距离像信噪比SNR为22dB的数据作为训练数据,并对样本数据的标签做离散编码;然后利用CNN分别以两种目标标记方式进行训练得到预测模型,利用预测模型对待识别样本进行识别获得伪标签,对伪标签进行多级编码;并将待识别数据和伪标签一同作为训练数据重新训练,获得新的预测模型,以此作为最终的目标识别模型。
Description
技术领域
本发明属于雷达目标识别领域,具体的说是涉及一种基于伪标签学习的雷达一维距离像目标识别方法。
背景技术
本发明是雷达目标识别领域的创新型实用方法,该方法是经过对雷达实测回波数据的识别验证下提出的。雷达实测回波数据是现代雷达目标识别的关键性信息。通过分析由高分辨率雷达获取的雷达一维距离像数据可以获得雷达照射目标的较多显著的特征信息,如取散射中心在雷达视线上的分布,以及物理形状等。传统的目标识别算法人为筛选雷达回波信号特征,虽然取得一定的识别效率但是其筛选的信息损失也导致了传统方法在雷达识别领域的局限性;现在结合深度神经网络可以通过监督学习获得有利于识别的目标高阶特征,在一定程度上克服了人为选取特征的及其他无监督降维选取特征方法的信息损失的局限性。然而上述方法均是从雷达一维像数据特征处理的角度出发,提高目标识别精度。深度学习需要大量的数据驱动学习,针对雷达目标数据样本相对较少的前提下,提出了基于伪标签的半监督深度神经网络识别方法。该方法可以增加数据结构的多样性。因此,研究基于伪标签学习神经网络的识别方法是提高目标识别率并且提高深度模型泛化能力的一种有效方法。
发明内容
本发明属于雷达目标识别技术领域,提出了基于伪标签学习的半监督学习方法。本发明在通过对雷达目标的标签进行编码重构成多级区域型标签的基础上,训练神经网络模型,对待识别目标库样本进行向前预测,并将识别结果重新编码为多级区域型伪标签输入神经网络继续训练获得预测模型。本发明结合多级区域型目标表示方法,针对雷达目标一维距离像识别效果进行算法验证,设计一种半监督的基于伪标签的雷达一维距离像目标识别方法。
本发明的技术方案为:首先将单基地雷达获取的一维距离像信噪比SNR为22dB的数据作为训练数据,并对样本数据的标签做离散编码;然后利用CNN分别以两种目标标记方式进行训练得到预测模型,利用预测模型对待识别样本进行识别获得伪标签,对伪标签进行多级编码;并将待识别数据和伪标签一同作为训练数据重新训练,获得新的预测模型,以此作为最终的目标识别模型。
一种基于伪标签学习的雷达一维距离像目标识别方法方法,具体步骤如下:
S1、获取源数据:选用由高分辨率雷达采集的高分辨率一维距离像数据作为源数据,所述源数据组成数据集原始标记为其中,K表示目标类别总数,F表示目标的一维距离像特征点数目,Ni表示第i类目标样本数目,为数据集合中样本总数,yij表示第i类第j个样本的标签,yij∈[0,1,2···,K-1],i=1,2,3,...,K,K为自然数,j为不为零的自然数;
S2、对S1选取的源数据进行处理,得到处理好的数据集:
S21、将S1中数据集X0的数据进行筛选,将信噪比SNR等于22dB的样本抽出形成新的数据集
S22、根据缩放公式对X1进行数值缩放,将缩放后的样本集记为其中,表示每个距离特征点,X.mean表示所有样本距离特征点的均值;
S23、将X2中同类目标的样本按照雷达照射方向,划分构成训练集和测试集,记训练集数据为记测试集数据为其中,表示第i类目标的第n幅一维距离像样本,且维数F=300,Mi代表测试集中第i类目标的一维距离像数,n为输入数据数量;
S3、将所有目标的单标签编码成多姿态的并行标签,具体为:对训练集数据Tr1将每类数据对应的标签编码,将K类目标的标签Label_K∈[0,1,2···,K-1],K≥2,按每类对应提取出来,将标签0编码为[0,1,···,n-1],n>=2,标签1编码为[n,n+1,···,2n-1],依次类推,标签K-1编码为[(K-1)n,(K-1)n+1,···,Kn-1],则总的标签标记为Label_Kn∈[0,1,2,···,Kn-1];
S4、对S2中处理好的数据集进行reshape操作,一维雷达距离像数据的形状为N*300,将reshape后的训练集数据和测试集数据分别记为Tr2和V2,其中,reshape为适合用于tensorflow做空间卷积的形状N*1*300*1的格式,N表示每个数据集的样本数目;
S5、构建一维卷积神经网络,所述一维卷积神经网络采用3个卷积池化层和1个全连接层以及softmax层,记为CNN;
S6、将训练数据导入S5构建的一维卷积神经网络,目标标签分别采用多级编码的离散区域标签Label_Kn以及原始标签Label_K输入一维卷积神经网络,其中,两种标签编码方式采用结构相同的神经网络模型,采用梯度下降法分别CNN的超参数进行微调,迭代S步后,得到有效的飞机目标预测模型,其中,CNN损失函数采用逻辑斯特损失函数,其表达式为:yi为对应样本的标签,pi表示模型计算得到的概率值,S≥100;
S7、采用步骤S6中获得的一维神经网络预测模型对测试样本进行目标识别,针对标签为Label_Kn的数据,其输出预测值按照步骤S3的编码方式逆行,将其按照编码区域划分将所属类别解码到Label_K∈[0,1,2···,K-1],K≥2,再对其进行正确的归类;
S8、使用步骤S7的预测结果作为待识别目标的伪标签,将待识别目标及其标签进行多级编码作为新的添加训练数据集,结合原始训练集重复步骤S6,得到新的预测模型;
S9、使用S8获得的模型,重复步骤S7的操作对待识别样本重新进行识别。
进一步地,S5所述的维卷积神经网络构成如下:
S51、CNN的输入S4所述Tr2,输入的标签数据分别对应为Label_4和Label_40,所有卷积层的卷积核大小均为1×3,所有池化层的核大小均为1×11,其中,CNN的最后一个池化层步长为2,其余池化层步长均为1;
S52、CNN所有卷积核权重初始化方式采用高斯正态分布,并使用l2正则化;
S53、CNN设置池化的方法,考虑到雷达目标的一维距离像存在多个峰值区域,故采用最大池化的方式保留有效的高通信号;
S54、CNN的激活函数均采用指数线性单元(ELU)函数,其表达式为:
进一步地,S6所述S=300。
本发明的有益效果是:
丰富了数据结构,准确率高。
附图说明
图1为一维卷积神经网络模型结构示意图。
图2基于伪标签神经网络的目标识别流程图。
具体实施方式
下面结合附图对本发明进行说明。
如图2所示,首先,对待识别目标做数据预处理,选取信噪比为22dB的数据作为训练数据,将目标单标签离散编码成离散区域标签,再结合神经网络进行模型训练,得到四个飞机目标预测模型Model_4、Model_40,并对4类待识别飞机目标识别测试;将识别结果作为伪标签分别进行one-hot编码以及多级区域one-hot编码,将待识别数据及其伪标签作为扩展的训练数据再训练获得最终的识别模型Model_P4和Model_P40,具体步骤如下:
S1、获取源数据:选用由高分辨率雷达采集的高分辨率一维距离像数据作为源数据,所述源数据组成数据集原始标记为其中,K表示目标类别总数,F表示目标的一维距离像特征点数目,Ni表示第i类目标样本数目,为数据集合中样本总数,yij表示第i类第j个样本的标签,yij∈[0,1,2···,K-1],i=1,2,3,...,K,K为自然数,j为不为零的自然数;
S2、对S1选取的源数据进行处理,得到处理好的数据集:
S21、将S1中数据集X0的数据进行筛选,将信噪比SNR等于22dB的样本抽出形成新的数据集
S22、根据缩放公式对X1进行数值缩放,将缩放后的样本集记为其中,表示每个距离特征点,X.mean表示所有样本距离特征点的均值;
S23、将X2中同类目标的样本按照雷达照射方向,划分构成训练集和测试集,记训练集数据为记测试集数据为其中,表示第i类目标的第n幅一维距离像样本,且维数F=300,Mi代表测试集中第i类目标的一维距离像数,n为输入数据数量;
S3、将所有目标的单标签编码成多姿态的并行标签,具体为:对训练集数据Tr1将每类数据对应的标签编码,将K类目标的标签Label_K∈[0,1,2···,K-1],K≥2,按每类对应提取出来,将标签0编码为[0,1,···,n-1],n>=2,标签1编码为[n,n+1,···,2n-1],依次类推,标签K-1编码为[(K-1)n,(K-1)n+1,···,Kn-1],则总的标签标记为Label_Kn∈[0,1,2,···,Kn-1];
S4、对S2中处理好的数据集进行reshape操作,一维雷达距离像数据的形状为N*300,将reshape后的训练集数据和测试集数据分别记为Tr2和V2,其中,reshape为适合用于tensorflow做空间卷积的形状N*1*300*1的格式,N表示每个数据集的样本数目;
S5、如图1,构建一维卷积神经网络,所述一维卷积神经网络采用3个卷积池化层和1个全连接层以及softmax层,记为CNN,具体为:
S51、CNN的输入S4所述Tr2,输入的标签数据分别对应为Label_4和Label_40,所有卷积层的卷积核大小均为1×3,所有池化层的核大小均为1×11,其中,CNN的最后一个池化层步长为2,其余池化层步长均为1;
S52、CNN所有卷积核权重初始化方式采用高斯正态分布,并使用l2正则化;
S53、CNN设置池化的方法,考虑到雷达目标的一维距离像存在多个峰值区域,故采用最大池化的方式保留有效的高通信号;
S54、CNN的激活函数均采用指数线性单元(ELU)函数,其表达式为:
S6、将训练数据导入S5构建的一维卷积神经网络,目标标签分别采用多级编码的离散区域标签Label_Kn以及原始标签Label_K输入一维卷积神经网络,其中,两种标签编码方式采用结构相同的神经网络模型,采用梯度下降法分别CNN的超参数进行微调,迭代S步后,得到有效的飞机目标预测模型,其中,CNN损失函数采用逻辑斯特损失函数,其表达式为:yi为对应样本的标签,pi表示模型计算得到的概率值,S=300;
S7、采用步骤S6中获得的一维神经网络预测模型对测试样本进行目标识别,针对标签为Label_Kn的数据,其输出预测值按照步骤S3的编码方式逆行,将其按照编码区域划分将所属类别解码到Label_K∈[0,1,2···,K-1],K≥2,再对其进行正确的归类,根据S6训练的到的飞机目标预测模型,分别将待识别样本V2输入模型Model_4、Model_40进行识别。特别地,针对Model_40,将预测值按照离散编码区域,解码到其对应的单数值标签,即识别输出prediction∈[0,1,···,9]对应解码值为标签0,同理prediction∈[10,11,···,19]对应解码值为标签1,prediction∈[20,21,···,29]对应解码值为标签2,prediction∈[30,31,···,39]对应解码值对应标签3;
S8、将S7预测结果作为伪标签,按照步骤S3的方法分别进行one-hot编码和多级区域标签,形成伪标签表示的Label_4和Label_40。将测试集及其伪标签和原始训练集做数据融合形成新的训练集Tr3。对新数据集Tr3按步骤S6进行重新训练,获得模型Model_P4和Model_P40;
S9、使用S8获得的模型,重复步骤S7的操作对待识别样本重新进行识别。
1、数据获取及预处理
利用单基地雷达分别对客机A319、A320、A321、B738等4类飞机目标进行分段采样,按照雷达收到照射飞机的朝向方向回波采集到每类飞机目标样本分别为A319_[face1(4734个)、face2(8590个)]、A320_[face1(7975个)、face2(3589个)、face3(2863个)、face4(4474个)]、A321_[face1(5961)、face2(7205个)、face3(4365个)、face4(7208个)]、B738_[face1(6157个)、face2(14071个)、face3(6046个)、face4(8850个)、face5(10778个)],标号face表示飞机飞向雷达方向采集的数据,信噪比大小为22dB;记源数据为:其中K表示目标类别总数,F表示目标的一维距离像特征点数目,Ni表示第i类目标样本数目;并对数据集进行能量归一化处理,记处理后的数据集合为:其中对所有数据使用python的numpy包的reshape函数,对X2进行reshape,记为X3。其中选取B738_face4、A321_face1、A320_face1、A319_face2作为训练数据集记为Tr2,待识别目标为B738_[face1、face2、face3、face5]、A321_[face2、face3、face4]、A320_[face2、face3、face4]、A319_face1,记为V2。
2、标签设置及离散编码
A319、A320、A321、B738的标签分别为0、1、2、3,记为Label_4,对其按照步骤S71进行离散编码成Label_40。对每个Label_4和Label_40进行one-hot编码,形成1×4和1×40的标签矩阵L4=[li],i∈(0,1,2,3)和L40=[lej],j=(0,1,2,3),其中i=Label_4和j=Label_40对应标签时li和lej等于1和110,其中110=[1,1,···,1]1×10,其余数值均为0,例Label_4的标签3对应[0,0,0,1]1×4,Label_40的标签3对应[010,010,010,110]1×30,其中010=[0,0,···,0]1×10,110=[1,1,···,1]1×10。
3.模型训练阶段1
使用tensorflow搭建如附图1所构建的一维神经网络CNN,将训练集Tr2和对应标签格式为L4=[li],i∈(0,1,2,3)和L40=[lej],j=(0,1,2,···,39)的数据输入CNN,利用S61的逻辑斯特损失函数对网络性能进行优化,采用adam方法的梯度下降法对CNN网络进行迭代学习,迭代S=300步后,得到飞机目标识别模型Model_4和Model_40。
4、目标样本识别阶段1
将待识别样本集V2中的每个样本作为离线模型Model_4和Model_40的输入,进行目标识别分别得到识别输出,并做正确识别统计。具体分类过程如下,CNN均采用softmax分类器,对标签表示为L4=[li],i∈(0,1,2,3)和L40=[lej],j=(0,1,2,3)输入的每个样本分别得到相应的识别概率向量输出集对标签表示为L4=[li],i∈(0,1,2,3)的待识别样本的类别号为i表示样本类别标号引索,即输出层的4个神经元输出值中最大值的序号为对应的类别,同时针对标签表示为L40=[lej],j=(0,1,2,3)的待识别样本的预测类别号为即输出层的40个神经元输出值中最大值的序号为对应的预测类别,根据步骤S7的方法解码为真实类别号。
5、模型训练阶段2
将目标识别阶段1的识别结果进行编码为L4和L40,将Tr2和V2合成为新的训练集Tr3,特别地,V2部分的标签使用的是伪标签。利用S6的逻辑斯特损失函数对网络性能进行优化,采用adam方法的梯度下降法对CNN网络进行迭代学习,迭代S=300步后,得到飞机目标识别模型Model_P4和Model_P40。
6、模型识别阶段2
使用模型Model_P4和Model_P40对待识别样本进行重新预测,并按照目标样本识别阶段1的方式进行解码,获得最终的目标识别结果。
采用实测数据验证了本发明的基于伪标签学***均正确识
别率对比,如表1所示。
表1各算法识别结果对比
Claims (3)
1.一种基于伪标签学习的雷达一维距离像目标识别方法,其特征在于,具体步骤如下:
S1、获取源数据:选用由高分辨率雷达采集的高分辨率一维距离像数据作为源数据,所述源数据组成数据集原始标记为其中,K表示目标类别总数,F表示目标的一维距离像特征点数目,Ni表示第i类目标样本数目,为数据集合中样本总数,yij表示第i类第j个样本的标签,yij∈[0,1,2···,K-1],i=1,2,3,...,K,K为自然数,j为不为零的自然数;
S2、对S1选取的源数据进行处理,得到处理好的数据集:
S21、将S1中数据集X0的数据进行筛选,将信噪比SNR等于22dB的样本抽出形成新的数据集
S22、根据缩放公式对X1进行数值缩放,将缩放后的样本集记为其中,表示每个距离特征点,X.mean表示所有样本距离特征点的均值;
S23、将X2中同类目标的样本按照雷达照射方向,划分构成训练集和测试集,记训练集数据为记测试集数据为其中,表示第i类目标的第n幅一维距离像样本,且维数F=300,Mi代表测试集中第i类目标的一维距离像数,n为输入数据数量;
S3、将所有目标的单标签编码成多姿态的并行标签,具体为:对训练集数据Tr1将每类数据对应的标签编码,将K类目标的标签Label_K∈[0,1,2···,K-1],K≥2,按每类对应提取出来,将标签0编码为[0,1,···,n-1],n>=2,标签1编码为[n,n+1,···,2n-1],依次类推,标签K-1编码为[(K-1)n,(K-1)n+1,···,Kn-1],则总的标签标记为Label_Kn∈[0,1,2,···,Kn-1];
S4、对S2中处理好的数据集进行reshape操作,一维雷达距离像数据的形状为N*300,将reshape后的训练集数据和测试集数据分别记为Tr2和V2,其中,reshape为适合用于tensorflow做空间卷积的形状N*1*300*1的格式,N表示每个数据集的样本数目;
S5、构建一维卷积神经网络,所述一维卷积神经网络采用3个卷积池化层和1个全连接层以及softmax层,记为CNN;
S6、将训练数据导入S5构建的一维卷积神经网络,目标标签分别采用多级编码的离散区域标签Label_Kn以及原始标签Label_K输入一维卷积神经网络,其中,两种标签编码方式采用结构相同的神经网络模型,采用梯度下降法分别CNN的超参数进行微调,迭代S步后,得到有效的飞机目标预测模型,其中,CNN损失函数采用逻辑斯特损失函数,其表达式为:yi为对应样本的标签,pi表示模型计算得到的概率值,S≥100;
S7、采用步骤S6中获得的一维神经网络预测模型对测试样本进行目标识别,针对标签为Label_Kn的数据,其输出预测值按照步骤S3的编码方式逆行,将其按照编码区域划分将所属类别解码到Label_K∈[0,1,2···,K-1],K≥2,再对其进行正确的归类;
S8、使用步骤S7的预测结果作为待识别目标的伪标签,将待识别目标及其标签进行多级编码作为新的添加训练数据集,结合原始训练集重复步骤S6,得到新的预测模型;
S9、使用S8获得的模型,重复步骤S7的操作对待识别样本重新进行识别。
2.根据权利要求1所述的一种基于伪标签学习的雷达一维距离像目标识别方法,其特征在于:S5所述的维卷积神经网络构成如下:
S51、CNN的输入S4所述Tr2,输入的标签数据分别对应为Label_4和Label_40,所有卷积层的卷积核大小均为1×3,所有池化层的核大小均为1×11,其中,CNN的最后一个池化层步长为2,其余池化层步长均为1;
S52、CNN所有卷积核权重初始化方式采用高斯正态分布,并使用l2正则化;
S53、CNN设置池化的方法,考虑到雷达目标的一维距离像存在多个峰值区域,故采用最大池化的方式保留有效的高通信号;
S54、CNN的激活函数均采用指数线性单元(ELU)函数,其表达式为:
3.根据权利要求1所述的一种基于伪标签学习的雷达一维距离像目标识别方法,其特征在于:S6所述S=300。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201711067556.2A CN107870321B (zh) | 2017-11-03 | 2017-11-03 | 基于伪标签学习的雷达一维距离像目标识别方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201711067556.2A CN107870321B (zh) | 2017-11-03 | 2017-11-03 | 基于伪标签学习的雷达一维距离像目标识别方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN107870321A true CN107870321A (zh) | 2018-04-03 |
CN107870321B CN107870321B (zh) | 2020-12-29 |
Family
ID=61752575
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201711067556.2A Active CN107870321B (zh) | 2017-11-03 | 2017-11-03 | 基于伪标签学习的雷达一维距离像目标识别方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN107870321B (zh) |
Cited By (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109086700A (zh) * | 2018-07-20 | 2018-12-25 | 杭州电子科技大学 | 基于深度卷积神经网络的雷达一维距离像目标识别方法 |
CN109407067A (zh) * | 2018-10-13 | 2019-03-01 | 中国人民解放军海军航空大学 | 基于时频图卷积神经网络的雷达动目标检测与分类一体化方法 |
CN110895705A (zh) * | 2018-09-13 | 2020-03-20 | 富士通株式会社 | 异常样本检测装置及其训练装置和训练方法 |
CN112882010A (zh) * | 2021-01-12 | 2021-06-01 | 西安电子科技大学 | 基于信噪比领域知识网络的高分辨距离像目标识别方法 |
CN112949343A (zh) * | 2019-11-26 | 2021-06-11 | 华晨宝马汽车有限公司 | 车辆标签检测装置与方法 |
CN113449555A (zh) * | 2020-03-26 | 2021-09-28 | 深圳市丰驰顺行信息技术有限公司 | 交通标志识别方法、装置、计算机设备及存储介质 |
CN114519372A (zh) * | 2022-01-28 | 2022-05-20 | 西安电子科技大学 | 基于支持向量机的一维距离像目标识别方法 |
Citations (12)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US8582807B2 (en) * | 2010-03-15 | 2013-11-12 | Nec Laboratories America, Inc. | Systems and methods for determining personal characteristics |
CN104077599A (zh) * | 2014-07-04 | 2014-10-01 | 西安电子科技大学 | 基于深度神经网络的极化sar图像分类方法 |
CN104834748A (zh) * | 2015-05-25 | 2015-08-12 | 中国科学院自动化研究所 | 一种利用基于深度语义排序哈希编码的图像检索方法 |
CN105654102A (zh) * | 2014-11-10 | 2016-06-08 | 富士通株式会社 | 数据处理装置及数据处理方法 |
CN106156029A (zh) * | 2015-03-24 | 2016-11-23 | 中国人民解放军国防科学技术大学 | 基于集成学***衡虚拟资产数据分类方法 |
CN106408001A (zh) * | 2016-08-26 | 2017-02-15 | 西安电子科技大学 | 基于深度核哈希的感兴趣区域快速检测方法 |
US20170212829A1 (en) * | 2016-01-21 | 2017-07-27 | American Software Safety Reliability Company | Deep Learning Source Code Analyzer and Repairer |
CN107122809A (zh) * | 2017-04-24 | 2017-09-01 | 北京工业大学 | 基于图像自编码的神经网络特征学习方法 |
CN107194336A (zh) * | 2017-05-11 | 2017-09-22 | 西安电子科技大学 | 基于半监督深度距离度量网络的极化sar图像分类方法 |
CN107194433A (zh) * | 2017-06-14 | 2017-09-22 | 电子科技大学 | 一种基于深度自编码网络的雷达一维距离像目标识别方法 |
CN107229904A (zh) * | 2017-04-24 | 2017-10-03 | 东北大学 | 一种基于深度学习的目标检测与识别方法 |
CN107251060A (zh) * | 2015-02-19 | 2017-10-13 | 微软技术许可有限责任公司 | 针对序列标签器的预训练和/或迁移学习 |
-
2017
- 2017-11-03 CN CN201711067556.2A patent/CN107870321B/zh active Active
Patent Citations (12)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US8582807B2 (en) * | 2010-03-15 | 2013-11-12 | Nec Laboratories America, Inc. | Systems and methods for determining personal characteristics |
CN104077599A (zh) * | 2014-07-04 | 2014-10-01 | 西安电子科技大学 | 基于深度神经网络的极化sar图像分类方法 |
CN105654102A (zh) * | 2014-11-10 | 2016-06-08 | 富士通株式会社 | 数据处理装置及数据处理方法 |
CN107251060A (zh) * | 2015-02-19 | 2017-10-13 | 微软技术许可有限责任公司 | 针对序列标签器的预训练和/或迁移学习 |
CN106156029A (zh) * | 2015-03-24 | 2016-11-23 | 中国人民解放军国防科学技术大学 | 基于集成学***衡虚拟资产数据分类方法 |
CN104834748A (zh) * | 2015-05-25 | 2015-08-12 | 中国科学院自动化研究所 | 一种利用基于深度语义排序哈希编码的图像检索方法 |
US20170212829A1 (en) * | 2016-01-21 | 2017-07-27 | American Software Safety Reliability Company | Deep Learning Source Code Analyzer and Repairer |
CN106408001A (zh) * | 2016-08-26 | 2017-02-15 | 西安电子科技大学 | 基于深度核哈希的感兴趣区域快速检测方法 |
CN107122809A (zh) * | 2017-04-24 | 2017-09-01 | 北京工业大学 | 基于图像自编码的神经网络特征学习方法 |
CN107229904A (zh) * | 2017-04-24 | 2017-10-03 | 东北大学 | 一种基于深度学习的目标检测与识别方法 |
CN107194336A (zh) * | 2017-05-11 | 2017-09-22 | 西安电子科技大学 | 基于半监督深度距离度量网络的极化sar图像分类方法 |
CN107194433A (zh) * | 2017-06-14 | 2017-09-22 | 电子科技大学 | 一种基于深度自编码网络的雷达一维距离像目标识别方法 |
Non-Patent Citations (3)
Title |
---|
DONG-HYUN LEE: ""Pseudo-Label:The Simple and Efficient Semi-Supervised Learning method for Deep Neural Networks"", 《WREPL》 * |
JUN HOO CHO ETC.: ""convolutional neural network-based automatic target recognition algorithm in sar image"", 《JOURNAL OF INSTITUTE OF CONTROL》 * |
杜筱佳等: ""基于标签重构的毫米波高分辨距离像识别算法"", 《微波学报》 * |
Cited By (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109086700A (zh) * | 2018-07-20 | 2018-12-25 | 杭州电子科技大学 | 基于深度卷积神经网络的雷达一维距离像目标识别方法 |
CN109086700B (zh) * | 2018-07-20 | 2021-08-13 | 杭州电子科技大学 | 基于深度卷积神经网络的雷达一维距离像目标识别方法 |
CN110895705A (zh) * | 2018-09-13 | 2020-03-20 | 富士通株式会社 | 异常样本检测装置及其训练装置和训练方法 |
CN110895705B (zh) * | 2018-09-13 | 2024-05-14 | 富士通株式会社 | 异常样本检测装置及其训练装置和训练方法 |
CN109407067A (zh) * | 2018-10-13 | 2019-03-01 | 中国人民解放军海军航空大学 | 基于时频图卷积神经网络的雷达动目标检测与分类一体化方法 |
CN112949343A (zh) * | 2019-11-26 | 2021-06-11 | 华晨宝马汽车有限公司 | 车辆标签检测装置与方法 |
CN113449555A (zh) * | 2020-03-26 | 2021-09-28 | 深圳市丰驰顺行信息技术有限公司 | 交通标志识别方法、装置、计算机设备及存储介质 |
CN112882010A (zh) * | 2021-01-12 | 2021-06-01 | 西安电子科技大学 | 基于信噪比领域知识网络的高分辨距离像目标识别方法 |
CN112882010B (zh) * | 2021-01-12 | 2022-04-05 | 西安电子科技大学 | 基于信噪比领域知识网络的高分辨距离像目标识别方法 |
CN114519372A (zh) * | 2022-01-28 | 2022-05-20 | 西安电子科技大学 | 基于支持向量机的一维距离像目标识别方法 |
CN114519372B (zh) * | 2022-01-28 | 2023-06-20 | 西安电子科技大学 | 基于支持向量机的一维距离像目标识别方法 |
Also Published As
Publication number | Publication date |
---|---|
CN107870321B (zh) | 2020-12-29 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN107870321A (zh) | 基于伪标签学习的雷达一维距离像目标识别方法 | |
CN108984745A (zh) | 一种融合多知识图谱的神经网络文本分类方法 | |
CN107766893A (zh) | 基于标签多级编码神经网络的目标识别方法 | |
CN103955702B (zh) | 基于深度rbf网络的sar图像地物分类方法 | |
Xue et al. | Attention-based second-order pooling network for hyperspectral image classification | |
CN106383816B (zh) | 基于深度学习的中文少数民族地区地名的识别方法 | |
CN108664632A (zh) | 一种基于卷积神经网络和注意力机制的文本情感分类算法 | |
CN102915445B (zh) | 一种改进型的神经网络高光谱遥感影像分类方法 | |
CN110442684A (zh) | 一种基于文本内容的类案推荐方法 | |
CN109635744A (zh) | 一种基于深度分割网络的车道线检测方法 | |
CN109977918A (zh) | 一种基于无监督域适应的目标检测定位优化方法 | |
CN110083700A (zh) | 一种基于卷积神经网络的企业舆情情感分类方法及*** | |
CN108537192A (zh) | 一种基于全卷积网络的遥感影像地表覆盖分类方法 | |
CN109886072B (zh) | 基于双向Ladder结构的人脸属性分类*** | |
CN106682696A (zh) | 基于在线示例分类器精化的多示例检测网络及其训练方法 | |
CN106407352A (zh) | 基于深度学习的交通图像检索方法 | |
CN106991382A (zh) | 一种遥感场景分类方法 | |
CN110321967A (zh) | 基于卷积神经网络的图像分类改进算法 | |
CN104966105A (zh) | 一种鲁棒机器错误检索方法与*** | |
CN107729312A (zh) | 基于序列标注建模的多粒度分词方法及*** | |
CN112784047B (zh) | 一种基于自注意力机制的可控可解释司法文本分类方法 | |
CN109919012A (zh) | 一种基于卷积神经网络的污水处理指示性微生物图像识别方法 | |
CN109376763A (zh) | 基于多样本推理神经网络的样本分类方法、***及介质 | |
CN109213997A (zh) | 一种基于双向长短时记忆网络模型的中文分词方法 | |
CN109447158A (zh) | 一种基于不平衡数据的Adaboost有利储层发育区预测方法 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |