CN113655457B - 一种基于样本挖掘的雷达目标检测能力自进化方法及装置 - Google Patents
一种基于样本挖掘的雷达目标检测能力自进化方法及装置 Download PDFInfo
- Publication number
- CN113655457B CN113655457B CN202110978334.6A CN202110978334A CN113655457B CN 113655457 B CN113655457 B CN 113655457B CN 202110978334 A CN202110978334 A CN 202110978334A CN 113655457 B CN113655457 B CN 113655457B
- Authority
- CN
- China
- Prior art keywords
- radar
- target
- time
- sample
- track
- 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.)
- Active
Links
- 238000001514 detection method Methods 0.000 title claims abstract description 36
- 238000000034 method Methods 0.000 title claims abstract description 33
- 238000005065 mining Methods 0.000 title claims abstract description 18
- 238000012549 training Methods 0.000 claims abstract description 42
- 238000010587 phase diagram Methods 0.000 claims description 25
- 238000002372 labelling Methods 0.000 claims description 17
- 239000003550 marker Substances 0.000 claims description 6
- 238000007781 pre-processing Methods 0.000 claims description 5
- 238000004364 calculation method Methods 0.000 claims description 3
- 238000013473 artificial intelligence Methods 0.000 abstract description 8
- 238000004422 calculation algorithm Methods 0.000 description 5
- 238000010586 diagram Methods 0.000 description 5
- 238000013213 extrapolation Methods 0.000 description 5
- 238000012545 processing Methods 0.000 description 5
- 238000013528 artificial neural network Methods 0.000 description 4
- 230000015572 biosynthetic process Effects 0.000 description 3
- 238000013135 deep learning Methods 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000012937 correction Methods 0.000 description 1
- 238000009795 derivation Methods 0.000 description 1
- 230000003993 interaction Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000035485 pulse pressure Effects 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 238000010187 selection method Methods 0.000 description 1
- 238000007711 solidification Methods 0.000 description 1
- 230000008023 solidification Effects 0.000 description 1
- 230000007704 transition Effects 0.000 description 1
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
- G01S7/411—Identification of targets based on measurements of radar reflectivity
-
- 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)
- Radar, Positioning & Navigation (AREA)
- Remote Sensing (AREA)
- Computer Networks & Wireless Communication (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Artificial Intelligence (AREA)
- Evolutionary Computation (AREA)
- Radar Systems Or Details Thereof (AREA)
Abstract
本发明公开了一种基于样本挖掘的雷达目标检测能力自进化方法，包括以下步骤：生成训练样本集；使用训练样本集对模型进行训练，生成训练模型；目标检测；新样本挖掘；在线学习。本发明所提供的基于样本挖掘的雷达目标检测能力自进化方法应用跟踪逻辑，无需人工接入，自主挖掘新样本，实现了雷达检测能力自进化，达到了由弱人工智能向强人工智能转变的目标。
Description
技术领域
本发明涉及雷达目标检测领域，具体涉及一种基于样本挖掘的雷达目标检测能力自进化方法及装置。
背景技术
雷达的目标检测技术，是雷达中最为关键的技术之一，目前主要分为传统检测方法和人工智能方法。传统的雷达目标算法主要的特点在于：工程技术人员使用正向推导的方法，力争推导最逼近客观世界的物理模型，进行目标检测，而模型的优逆，取决于设计人员的自身认知。人工智能方法采用的是逆向的方法。雷达的检测模型，通过对大量样本的学习而获得检测能力，模型的优逆取决于训练样本的规模和覆盖率。这两种算法的共同点都在于，一但模型固化，雷达的检测能力即被固定。
也有专家、学者应用深度学习、神经网络进行雷达检测能力自进化的研究。
一种基于深度学习的自进化雷达目标检测算法(专利公开号：CN109239669A)，提出了应用双视图协同训练算法实现模型自进化。这种训练算法主要应用了两个不同初始基础模型，互作样本增强，实现各自模型进化。从全局的角度来看，生成的新样本，仍然是基础模型产生的结果。因此，全局检测能力未能得到真正进化。
一种深度神经网络的训练样本挖掘方法及装置(专利公开号：CN109344873A)提出一种样本选择的方法，通过这种方法，网络的训练速度得到了提升，并不能实现网络模型检测能力的提升。
发明内容
为了解决上述问题，本发明提出了一种基于样本挖掘的雷达目标检测能力自进化方法，包括以下步骤：
步骤一：生成训练样本集：对若干单帧雷达回波原始数据进行预处理，生成雷达通道幅相图，对雷达通道幅相图进行目标标注形成训练样本集；
步骤二：使用训练样本集对模型进行训练，生成训练模型；
步骤三：目标检测：通过训练模型对训练样本集中的雷达通道幅相图进行检测，解算出雷达点迹，所述雷达点迹包括目标方位、目标距离和雷达时间；对雷达的点迹作跟踪处理，形成雷达的航迹；
步骤四：新样本挖掘：
根据雷达航迹寻找缺失样本，对缺失样本进行目标标注，生成新样本；
步骤五：在线学习：
将新样本融入训练样本集，重复步骤二至步骤五。
进一步地，缺失样本的雷达时间包括：
航迹的起始点迹的雷达时间-雷达扫描一圈的时间；
航迹的终止点迹的雷达时间+雷达扫描一圈的时间。
进一步地，若航迹中相邻两个点迹的时间差大于雷达扫描一圈的时间，缺失样本的雷达时间还包括Tk+1-Tr以及Tk+Tr；其中，Tk表示航迹中的第k个点迹的雷达时间，Tk+1表示航迹中的第k+1个点迹的雷达时间，Tr表示雷达扫描一圈的时间。
进一步地，对雷达通道幅相图进行标注包括目标位置和目标类别，所述目标位置用坐标(xmin,ytmin,xmax,ytmax)表示，其中，xmin和ytmin分别表示目标在雷达时间为Tt时所在标注框的左上角的横坐标和纵坐标，xmax和ytmax分别表示目标在雷达时间为Tt时所在标注框的右下角的横坐标和纵坐标；雷达通道幅相图的横坐标为通道脉冲，纵坐标为距离门。
进一步地，对缺失样本进行标注具体为：
根据缺失样本的雷达时间提取该时间下该帧的雷达回波数据，生成对应的雷达通道幅相图，假设缺失样本的雷达时间为Tl，则Tl的标记框的目标位置为(xlmin,ylmin,xlmax,ylmax)，其中xlmin和ylmin分别表示目标在雷达时间为Tl时所在标注框的左上角的横坐标和纵坐标；xlmax和ylmax分别表示目标在雷达时间为Tl时所在标注框的右下角的横坐标和纵坐标，并有ylmin和ylmax的计算方式如下：
设Tl前一个时刻能被正确检测目标的标记框为(xmin,ykmin,xmax,ykmax)，Rl为根据Tl时刻前的雷达航迹计算出的Tl时刻下的目标距离，则有：
。
还提供了一种基于样本挖掘的雷达目标检测能力自进化装置，所述装置应用上述任一方法实现。
与现有技术相比，本发明具有以下有益效果：
1、本发明应用航迹跟踪的方法，通过外推，发现推理缺失的样本，从而能实现不依赖于人工的自主样本挖掘；
2、本发明应用航迹跟踪的方法，通过外推，能够推断出哪一帧雷达回波数据，在那个距离上，存在真实目标，从而实现了新样本的自动化标注问题。
3、本发明通过模型的自进化，实现越来越强的检测能力，从而解决雷达虚警多、检测能力弱的问题。
4、本发明通过自主样本挖掘，能在小样本的条件下，挖掘出越来越多的新样本，从而解决了小样本条件下，模型训练问题。
5、本发明应用跟踪逻辑，无需人工接入，自主挖掘新样本，实现了雷达跟踪能力自进化，达到了由弱人工智能向强人工智能转变的目标。
附图说明
图1为本发明方法的流程图。
图2为实施例一的雷达通道幅相图。
图3为实施例一的解算结果图。
图4为实施例一的雷达跟踪航迹图。
图5为实施例一的带标注的新样本示意图。
图6为实施例一的在线学习后的模型形成的跟踪航迹图。
具体实施方式
以下结合附图对本发明的一种基于样本挖掘的雷达目标检测能力自进化方法的具体实施方式做详细说明。
实施例一
本实施例所述的基于样本挖掘的雷达检测能力自进化方法，其处理流程图可见图1。
处理过程由“雷达数据预处理”、“目标检测”、“新样本形成”和“在线学习”4个过程构成。
(1)生成训练样本集
对若干单帧雷达回波原始数据进行预处理，形成能被神经网络解算距离的雷达通道幅相图，一个典型的雷达通道幅相图，可见图2；
预处理这部分工作主要完成脉压、通道修正和动目标检测；该操作是标准的部分雷达信号处理，在实际的产品中，这部分大多采用FPGA或DSP完成；完成后大多通过RapidIO传输至后续处理模块。
雷达通道幅相图形成后，需要对其进行标注，生成训练样本集。所述雷达通道幅相图生成办法参考专利文献《一种雷达目标检测方法》(专利申请号：202011641433.7)。
标注的具体方法为画出目标在雷达通道幅相图中位置，标注的内容有两点：目标位置(xmin,ytmin,xmax,ytmax)和目标类别，其中，xmin和ytmin分别表示目标在雷达时间为Tt时所在标注框的左上角的横坐标和纵坐标，xmax和ytmax分别表示目标在雷达时间为Tt时所在标注框的右下角的横坐标和纵坐标；雷达通道幅相图的横坐标为通道脉冲，纵坐标为距离门。由于雷达通道幅相图的幅宽不变，因此xmin和xmax保持不变。
为提升标注的准确性，通常有以下三种方法：A)、参考GPS数据对目标进行标注；B)、参考CFAR检测结果对目标进行标注；C)、熟练的标注人员，通过长期积累的经验，对目标进行标注。手工标注的示意图和自动标注的示意图是一样的，见图5。
(2)使用训练样本集对模型进行训练，生成训练模型
本实施例采用Retinanet模型训练识别网络。识别种类为一类(有效目标)。在完成训练样本的标注后，在Nvidia V100上训练了8天时间，完成了对模型的固化，生成检测模型。所述深度神经网络的选取可采用自行设计的网络，或者使用公开的网络(包括YoloV3、Faster RCNN或CenterNet)。
(3)目标检测
通过检测模型对训练样本集中的雷达通道幅相图进行推理，解算出该帧雷达回波中的目标距离，以及该帧雷达回波所处的方位，形成目标位置(极坐标)，再结合该帧回波所处雷达时间，即形成了雷达点迹(方位、距离、时间)；解算结果可见图3；图3中的黑框表示目标位置，再取框的中心点，即为目标所在距离门。
跟踪：对雷达的点迹作跟踪处理，形成雷达的航迹。本实施例的雷达航迹图可见图4，其中，横坐标为方位，纵坐标为距离。
(5)新样本挖掘：通过对航迹断点的外推，推理得到哪一帧、哪一个距离上的目标未能被检测出来。然后，先根据帧号挑选出雷达回波，生成雷达通道幅相图。再根据推理结果对该雷达通道幅相图作目标标注，形成新的训练样本，该样本对于初始的训练模型而言，是一个新样本；生成带标注新样本的示意图可见图5；具体包括以下步骤：
1)、缺失样本寻找
当一批雷达回波数据处理完成，形成若干条航迹后，开始寻找缺失样本。设某一条航迹为L，它是某个目标所有点迹的集合。每个点迹至少包含了目标方位、目标距离、雷达时间。某条航迹中相邻两个点迹中的雷达时间差在正常情况下，就是雷达扫描一圈的时间，设该雷达时间差为Tr。
如果Tk+1-Tk>Tr，说明这两点之间存在缺失样本。因此，需要寻找的缺失样本对应的时间就应当是Tk+1-Tr以及Tk+Tr，其中，Tk表示航迹中的第k个点迹的雷达时间，Tk+1表示航迹中的第k+1个点迹的雷达时间，Tr表示雷达扫描一圈的时间即相邻两个点迹的雷达时间差。
还有两种情况，分别是航迹的起始点和终止点，通过航迹外推，分别推出起始点的前一点，以及终止点的后一点；设航迹起始点时刻为T0，则起始点外推的时刻为T0-Tr；设航迹的终止点为TN，则终止点外推的时刻为TN+Tr。这两个外推点也作为缺失样本。
2)、缺失样本自动化标注
当找到缺失样本的雷达时间后，设该时间为Tl(Tl表示缺失样本的雷达时间，该点迹为新挖掘出的缺失样本对应的点迹)。以Tl为检索依据，将该时间下该帧的雷达回波数据从雷达回波数据原始数据中提取出来并形成雷达通道幅相图，所述雷达通道幅相图的横坐标通道脉冲，纵坐标为距离门。雷达通道幅相图形成后，推算出Tl目标的标记框，设为(xlmin,ylmin,xlmax,ylmax)，xlmin和ylmin分别表示目标在雷达时间为Tl时所在标注框的左上角的横坐标和纵坐标；xlmax和ylmax分别表示目标在雷达时间为Tl时所在标注框的右下角的横坐标和纵坐标。
由于在单帧回波数据上检测目标，因此xmax-xmin即为雷达通道幅相图的幅宽，见图3、图5。
推算ylmin，ylmax方法如下：首先根据Tl时刻前的雷达点迹(或Tl时刻后的雷达点迹)，应用最小二乘法，推算出Tl时刻下的目标距离Rl，Rl就是标记框的中心点的纵坐标，Rl＝(ylmin+ylmax)/2。设Tl前一个时刻能被正确检测目标的标记框为(xmin,ykmin,xmax,ykmax)。由于是同一目标，所以有ylmax-ylmin＝ykmax-ykmin，这样ylmin＝Rl-(ykmax-ykmin)/2，ylmax＝Rl+(ykmax-ykmin)/2。至此，缺失样本的标记框形成。
最后，完成“在线学习”，将若干由不同航迹缺失样本形成的新样本融入训练样本集，再次对训练模型进行训练，形成新的训练模型，模型能力因此而得到进化。进化后的模型，对该批次的雷达回波数据再次进行检测，形成的航迹图见图6。从图中可以看出，方框中放大的航迹是新的训练模型新检测出来的，检测能力得到了增强，雷达威力变大。
所述新样本形成和在线学习是本发明最核心的部分，它实现了雷达跟踪能力的自进化。
本发明应用了跟踪逻辑，寻找未能检出目标的雷达回波样本，这种样本对于原模型而言是全新的样本；本发明应用跟踪逻辑，实现了对新样本的自动化标注，使得新样本能自动进入训练集；本发明能够实现样本寻找、样本标注、新模型训练自动化流水作业，不需要人工介入，就能实现雷达检测能力的自进化，实现了从弱人工智能向强人工智能转变。
以上所述仅为本发明的较佳实施例，并不用以限制本发明，凡在本发明的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。
Claims (4)
1.一种基于样本挖掘的雷达目标检测能力自进化方法，其特征在于，包括以下步骤：
步骤一：生成训练样本集：对若干单帧雷达回波原始数据进行预处理，生成雷达通道幅相图，对雷达通道幅相图进行目标标注形成训练样本集；
步骤二：使用训练样本集对模型进行训练，生成训练模型；
步骤三：目标检测：通过训练模型对训练样本集中的雷达通道幅相图进行检测，解算出雷达点迹，所述雷达点迹包括目标方位、目标距离和雷达时间；对雷达的点迹作跟踪处理，形成雷达的航迹；
步骤四：新样本挖掘：
根据雷达航迹寻找缺失样本，对缺失样本进行自动化目标标注，生成新样本；
对缺失样本进行标注具体为：
根据缺失样本的雷达时间提取该时间下该帧的雷达回波数据，生成对应的雷达通道幅相图，假设缺失样本的雷达时间为Tl，则Tl的标记框的目标位置为(xlmin，ylmin，xlmax，ylmax)，其中xlmin和ylmin分别表示目标在雷达时间为Tl时所在标注框的左上角的横坐标和纵坐标；xlmax和ylmax分别表示目标在雷达时间为Tl时所在标注框的右下角的横坐标和纵坐标，并有ylmin和ylmax的计算方式如下：
设Tl前一个时刻能被正确检测目标的标记框为(xmin，ykmin，xmax，ykmax)，Rl为根据Tl时刻前的雷达航迹计算出的Tl时刻下的目标距离，则有：
缺失样本的雷达时间包括：
航迹的起始点迹的雷达时间-雷达扫描一圈的时间；
航迹的终止点迹的雷达时间+雷达扫描一圈的时间；
步骤五：在线学习：
将新样本融入训练样本集，重复步骤二至步骤五。
2.根据权利要求1所述的基于样本挖掘的雷达目标检测能力自进化方法，其特征在于，若航迹中相邻两个点迹的时间差大于雷达扫描一圈的时间，缺失样本的雷达时间还包括Tk+1-Tr以及Tk+Tr；其中，Tk表示航迹中的第k个点迹的雷达时间，Tk+1表示航迹中的第k+1个点迹的雷达时间，Tr表示雷达扫描一圈的时间。
3.根据权利要求2所述的基于样本挖掘的雷达目标检测能力自进化方法，其特征在于，对雷达通道幅相图进行标注包括目标位置和目标类别，所述目标位置用坐标(xmin，ytmin，xmax，ytmax)表示，其中，xmin和ytmin分别表示目标在雷达时间为Tt时所在标注框的左上角的横坐标和纵坐标，xmax和ytmax分别表示目标在雷达时间为Tt时所在标注框的右下角的横坐标和纵坐标；雷达通道幅相图的横坐标为通道脉冲，纵坐标为距离门。
4.一种基于样本挖掘的雷达目标检测能力自进化装置，其特征在于，所述装置应用权利要求1-3任一权利要求所述方法实现。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110978334.6A CN113655457B (zh) | 2021-08-24 | 2021-08-24 | 一种基于样本挖掘的雷达目标检测能力自进化方法及装置 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110978334.6A CN113655457B (zh) | 2021-08-24 | 2021-08-24 | 一种基于样本挖掘的雷达目标检测能力自进化方法及装置 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN113655457A CN113655457A (zh) | 2021-11-16 |
| CN113655457B true CN113655457B (zh) | 2023-11-24 |
Family
ID=78492784
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202110978334.6A Active CN113655457B (zh) | 2021-08-24 | 2021-08-24 | 一种基于样本挖掘的雷达目标检测能力自进化方法及装置 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN113655457B (zh) |
Citations (11)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN107506444A (zh) * | 2017-08-25 | 2017-12-22 | 中国人民解放军海军航空工程学院 | 中断航迹接续关联机器学习*** |
| CN109117793A (zh) * | 2018-08-16 | 2019-01-01 | 厦门大学 | 基于深度迁移学习的直推式雷达高分辨距离像识别方法 |
| CN109239669A (zh) * | 2018-08-16 | 2019-01-18 | 厦门大学 | 一种基于深度学习的自进化雷达目标检测算法 |
| CN109344873A (zh) * | 2018-08-31 | 2019-02-15 | 北京智芯原动科技有限公司 | 一种深度神经网络的训练样本挖掘方法及装置 |
| CN111175719A (zh) * | 2020-01-08 | 2020-05-19 | 中国船舶重工集团公司第七二四研究所 | 基于bp神经网络的智能航迹起始方法 |
| CN111694830A (zh) * | 2020-06-12 | 2020-09-22 | 复旦大学 | 基于深度集成学习的缺失数据补全方法 |
| CN111814582A (zh) * | 2020-06-15 | 2020-10-23 | 开易（北京）科技有限公司 | 一种用于驾驶员行为监测图像的处理方法及装置 |
| CN112085125A (zh) * | 2020-09-29 | 2020-12-15 | 西安交通大学 | 基于线性自学习网络的缺失值填补方法、存储介质及*** |
| CN112816982A (zh) * | 2020-12-31 | 2021-05-18 | 中国电子科技集团公司第十四研究所 | 一种雷达目标检测方法 |
| CN112986950A (zh) * | 2020-12-25 | 2021-06-18 | 南京理工大学 | 基于深度学习的单脉冲激光雷达回波特征提取方法 |
| CN113011568A (zh) * | 2021-03-31 | 2021-06-22 | 华为技术有限公司 | 一种模型的训练方法、数据处理方法及设备 |
-
2021
- 2021-08-24 CN CN202110978334.6A patent/CN113655457B/zh active Active
Patent Citations (11)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN107506444A (zh) * | 2017-08-25 | 2017-12-22 | 中国人民解放军海军航空工程学院 | 中断航迹接续关联机器学习*** |
| CN109117793A (zh) * | 2018-08-16 | 2019-01-01 | 厦门大学 | 基于深度迁移学习的直推式雷达高分辨距离像识别方法 |
| CN109239669A (zh) * | 2018-08-16 | 2019-01-18 | 厦门大学 | 一种基于深度学习的自进化雷达目标检测算法 |
| CN109344873A (zh) * | 2018-08-31 | 2019-02-15 | 北京智芯原动科技有限公司 | 一种深度神经网络的训练样本挖掘方法及装置 |
| CN111175719A (zh) * | 2020-01-08 | 2020-05-19 | 中国船舶重工集团公司第七二四研究所 | 基于bp神经网络的智能航迹起始方法 |
| CN111694830A (zh) * | 2020-06-12 | 2020-09-22 | 复旦大学 | 基于深度集成学习的缺失数据补全方法 |
| CN111814582A (zh) * | 2020-06-15 | 2020-10-23 | 开易（北京）科技有限公司 | 一种用于驾驶员行为监测图像的处理方法及装置 |
| CN112085125A (zh) * | 2020-09-29 | 2020-12-15 | 西安交通大学 | 基于线性自学习网络的缺失值填补方法、存储介质及*** |
| CN112986950A (zh) * | 2020-12-25 | 2021-06-18 | 南京理工大学 | 基于深度学习的单脉冲激光雷达回波特征提取方法 |
| CN112816982A (zh) * | 2020-12-31 | 2021-05-18 | 中国电子科技集团公司第十四研究所 | 一种雷达目标检测方法 |
| CN113011568A (zh) * | 2021-03-31 | 2021-06-22 | 华为技术有限公司 | 一种模型的训练方法、数据处理方法及设备 |
Non-Patent Citations (5)
| Title |
|---|
| 基于动态行为学习的空中目标识别方法;成磊峰 等;计算机与数字工程(第03期);全文 * |
| 基于数据挖掘的雷达探测目标误差测量技术;张彤;计算机测量与控制(第010期);全文 * |
| 基于深度学习的雷达自动目标识别架构研究;李士国 等;《现代雷达》;全文 * |
| 基于神经网络的多功能雷达行为辨识方法;方旖;毕大平;潘继飞;陈秋菊;;空军工程大学学报(自然科学版)(第03期);全文 * |
| 数据库样本缺失下的雷达辐射源识别;李蒙;朱卫纲;;电讯技术(第07期);全文 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN113655457A (zh) | 2021-11-16 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN111126152B (zh) | 一种基于视频的多目标行人检测与跟踪的方法 | |
| Zhang et al. | Ripple-GAN: Lane line detection with ripple lane line detection network and Wasserstein GAN | |
| CN101364259B (zh) | 多层次知识驱动的全色遥感影像的道路变化信息提取方法 | |
| CN109708638B (zh) | 一种船舶轨迹点提取方法 | |
| CN111368633A (zh) | 一种基于auv的侧扫声呐图像识别方法 | |
| CN114782626B (zh) | 基于激光与视觉融合的变电站场景建图及定位优化方法 | |
| CN108664930A (zh) | 一种智能的多目标检测跟踪方法 | |
| CN110569843B (zh) | 一种矿井目标智能检测与识别方法 | |
| CN107688170A (zh) | 一种基于随机森林的雷达目标航迹起始方法 | |
| CN104880160B (zh) | 一种工件表面轮廓的二维激光实时探测方法 | |
| CN109753853A (zh) | 一种同时完成行人检测与行人重识别的方法 | |
| CN110533720A (zh) | 基于联合约束的语义slam***及方法 | |
| CN103759732A (zh) | 一种角度信息辅助的集中式多传感器多假设跟踪方法 | |
| CN107133966A (zh) | 一种基于采样一致性算法的三维声纳图像背景分割方法 | |
| CN109213204A (zh) | 基于数据驱动的auv海底目标搜寻航行***及方法 | |
| CN114998276B (zh) | 一种基于三维点云的机器人动态障碍物实时检测方法 | |
| CN112985263A (zh) | 一种弓网几何参数检测方法、装置及设备 | |
| CN114092517A (zh) | 基于传统和深度学习算法的多目标跟踪方法 | |
| CN116277025A (zh) | 一种智能制造用机器人的物件分拣控制方法及*** | |
| CN109712171A (zh) | 一种基于相关滤波器的目标跟踪***及目标跟踪方法 | |
| Martirena et al. | Automated annotation of lane markings using lidar and odometry | |
| CN113655457B (zh) | 一种基于样本挖掘的雷达目标检测能力自进化方法及装置 | |
| CN113724293A (zh) | 一种基于视觉的智能网联公交场景下目标跟踪方法及*** | |
| CN111950524B (zh) | 一种基于双目视觉和rtk的果园局部稀疏建图方法和*** | |
| CN111898746B (zh) | 一种中断航迹接续关联深度学习方法 |
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 |