CN113887583A - 基于深度学习的低信噪比下雷达rd图像目标检测方法 - Google Patents

基于深度学习的低信噪比下雷达rd图像目标检测方法 Download PDF

Info

Publication number
CN113887583A
CN113887583A CN202111083283.7A CN202111083283A CN113887583A CN 113887583 A CN113887583 A CN 113887583A CN 202111083283 A CN202111083283 A CN 202111083283A CN 113887583 A CN113887583 A CN 113887583A
Authority
CN
China
Prior art keywords
radar
target
image
neural network
noise ratio
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.)
Pending
Application number
CN202111083283.7A
Other languages
English (en)
Inventor
陶诗飞
黄鑫宇
叶晓东
王昊
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Nanjing University of Science and Technology
Original Assignee
Nanjing University of Science and Technology
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Nanjing University of Science and Technology filed Critical Nanjing University of Science and Technology
Priority to CN202111083283.7A priority Critical patent/CN113887583A/zh
Publication of CN113887583A publication Critical patent/CN113887583A/zh
Pending legal-status Critical Current

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/24—Classification techniques
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/045—Combinations of networks
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • Evolutionary Computation (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Artificial Intelligence (AREA)
  • General Physics & Mathematics (AREA)
  • General Engineering & Computer Science (AREA)
  • General Health & Medical Sciences (AREA)
  • Software Systems (AREA)
  • Molecular Biology (AREA)
  • Computing Systems (AREA)
  • Biophysics (AREA)
  • Biomedical Technology (AREA)
  • Mathematical Physics (AREA)
  • Computational Linguistics (AREA)
  • Health & Medical Sciences (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Evolutionary Biology (AREA)
  • Radar Systems Or Details Thereof (AREA)

Abstract

本发明公开了一种基于深度学习的低信噪比下雷达RD图像目标检测方法，该方法为：获取雷达回波数据，生成雷达RD图像；对雷达RD图像进行预处理并进行标签，得到数据集；对数据集进行分类，得到训练集、验证集与测试集；构建针对低信噪比下目标检测的深度学习神经网络；采用训练集对构建的神经网络进行训练，并输出损失值和训练后的检测神经网络；利用训练好的检测神经网络对测试集进行目标检测；获得测试集目标检测准确率结果。本发明基于大量的雷达RD图像数据，通过深度学习神经网络训练得到最优的雷达目标检测网络，该方法下得到的目标检测网络能够对低信噪比下的雷达RD图像进行有效的目标检测，具有准确率高、实用效果好等优点。

Description

基于深度学习的低信噪比下雷达RD图像目标检测方法
技术领域
本发明涉及目标检测技术领域，尤其涉及一种基于深度学习的低信噪比下雷达距离多普勒维(Range-Doppler，RD)图像目标检测方法。
背景技术
近年来，目标检测在众多领域得到了广泛应用。雷达作为目标检测的重要手段，可以对照射区域的回波进行分析处理，从杂波、干扰、噪声等信号中检测到目标信息，并确定其距离、速度、角度等参数。但在复杂背景下尤其是低信噪比下，回波信息中除目标外往往还含有大量的噪声和杂波信息，并且噪声与目标幅度接近，杂波往往呈现出非线性、非高斯、非均匀、非平稳的特性，这极大地限制了雷达目标检测性能。
现有的雷达目标检测方法包括恒虚警检测、机器学习算法等，恒虚警算法基于统计模型，往往难以精确描述背景模型，在非均匀背景下，尤其是类型各异和形态多变的低信噪比下，会出现严重的恒虚警损失，检测性能下降；机器学习算法如自校正极限学习机等目标检测算法难以深度提取目标特征，区分目标与背景能力较弱，难以实现目标准确分类，极大地增加了目标检测难度，限制了检测性能。综上所述，现有的雷达RD图像目标检测方法存在模型简单、普适性低、学习能力弱等问题，难以从根本上解决低信噪比下雷达RD图像目标检测能力弱的问题。
发明内容
本发明公开了一种基于深度学习的低信噪比下雷达RD图像目标检测方法，能够通过神经网络对低信噪比背景下的目标特征进行深层提取，极大程度区分目标与背景，从而提升检测的准确性。
实现本发明目的的技术解决方案为：一种基于深度学习的低信噪比下雷达RD图像目标检测方法，包括以下步骤：
步骤1、获取雷达回波数据，生成雷达RD图像；
步骤2、对雷达RD图像进行预处理并进行标签，得到数据集；
步骤3、对数据集进行分类，得到训练集、验证集与测试集；
步骤4、构建针对低信噪比下目标检测的深度学习神经网络；
步骤5、采用训练集对构建的神经网络进行训练，并输出损失值和训练后的检测神经网络；
步骤6、利用训练好的检测神经网络对测试集进行目标检测；
步骤7、获得测试集目标检测准确率结果。
进一步地，步骤1所述获取雷达回波数据，生成雷达RD图像，还包括，
步骤1.1、通过仿真，将生成雷达回波数据中加入不同信噪比的随机噪声；
步骤1.2、设定范围内，随机生成雷达回波数据中目标数目、位置与速度。
进一步地，步骤2所述对雷达RD图像进行预处理并进行标签，具体包括：
步骤2.1、将雷达RD图像标准化，并将分辨率调整为与深度学习神经网络学习匹配的大小；
步骤2.2、获取目标所在位置的具体坐标值，针对目标所在位置的坐标值进行标签设置，生成标准标签数据。
进一步地，步骤3所述训练集包括训练图像数据集和标签数据集。
进一步地，步骤4中所述构建针对低信噪比下目标检测的深度学习神经网络，其中：
所述低信噪比定义为脉冲增压与快速傅里叶变换后信噪比低于7dB；
所述深度学习神经网络采用Faster R-CNN神经网络模型，包括卷积层、区域建议网络、池化层和全连接层四部分；当图像数据输入之后，首先通过卷积层提取图像深层特征，使用VGG16对输入图像执行卷积运算，在卷积层之后，使用最大池化层减小图像的维数，生成特征图，特征图中包含图像深层特征信息；然后将特征图输入区域建议网络，通过滑动窗口提取特征，得到多个建议区域，将带有建议区域的特征图输入感兴趣区域池化层，输出恒定大小的特征图，即将不同大小的目标建议区域变为相同大小的特征向量输出；最后通过全连接层进行分类与回归操作，分类层用于区分目标与复杂背景，构建目标与复杂背景之间的最大差异，回归层用于计算目标位置与真实位置之间的距离；分类层输入为固定大小的特征信息，通过全连接层与softmax提取区域类别并输出其置信度，回归层通过边框回归得到每个目标建议区域的位置偏移，生成更接近目标真实位置的检测框，最后得到最佳区域类别和边界框回归检测框的最终准确位置。
进一步地，步骤5所述采用训练集对构建的神经网络进行训练，包括以下步骤，
步骤5.1、针对不同信噪比下的雷达距离多普勒图像数据集分别训练；
步骤5.2、将训练图像数据集、标签数据集输入到建立的Faster R-CNN神经网络模型中，并计算损失值；
步骤5.3、迭代优化Faster R-CNN神经网络模型参数，重复进行训练；
步骤5.4、当损失值达到最优时，结束训练并输出检测神经网络。
进一步地，步骤5所述损失值通过损失函数L(·)进行计算，计算公式如下：
Figure BDA0003264820020000031
其中pi为预测分类概率，
Figure BDA0003264820020000032
为真实分类，ti为预测的参数化坐标，
Figure BDA0003264820020000033
为真实的参数化坐标，Ncls为最小批处理尺寸，Nreg为标记框的数量，λ为权重平衡参数，L为总损失函数，Lcls为两个类别的对数损失，Lreg为回归损失。
进一步地，步骤7所述准确率包括检测率Pd和虚警率Pf，计算公式如下，
Figure BDA0003264820020000034
Figure BDA0003264820020000035
其中，TP为真正例，真实目标预测为目标的数量；FN为假反例，真实目标预测为非目标的数量；FP为假正例，非目标预测为目标的数量。
本发明与现有技术相比，其显著优点为：(1)基于大量不同信噪比下的雷达RD图像数据，具有普适性；(2)通过Faster R-CNN算法检测，提高低信噪比下的雷达RD图像检测精度；(3)优化训练损失函数，实现检测精度的提高，适合在实际应用中推广使用。
附图说明
图1是本发明基于深度学习的低信噪比下雷达RD图像目标检测方法的流程示意图。
图2是本发明中低信噪比下的RD图。
图3是本发明中低信噪比下标注的RD图。
图4是本发明中目标检测算法基本结构图。
图5是本发明中模型损失函数的曲线图。
图6是本发明对低信噪比下的RD图像的检测结果图。
具体实施方式
下面结合附图和具体实施例对本发明作进一步的详细说明。
本发明首先建立不同信噪比下的雷达RD图像数据集，保证数据集随机性，并进行数据标注，得到训练集、验证集与测试集，使用Faster R-CNN网络训练RD图像数据集，将提取到的特征送入神经网络中，得到具有筛选加权特性的特征向量。对于重要的目标特征，网络会分配更大的处理权重，从而增强网络对目标区域的特征学习能力。最后优化损失函数，实现对于低信噪比下的雷达RD图像高精度检测。
结合图1至图6，本发明提出一种基于深度学习的低信噪比下雷达RD图像目标检测方法，包括以下步骤：
步骤1、获取雷达回波数据，生成雷达RD图像；
步骤2、对雷达RD图像进行预处理并进行标签，得到数据集；
步骤3、对数据集进行分类，得到训练集、验证集与测试集；
步骤4、构建针对低信噪比下目标检测的深度学习神经网络；
步骤5、采用训练集对构建的神经网络进行训练，并输出损失值和训练后的检测神经网络；
步骤6、利用训练好的检测神经网络对测试集进行目标检测；
步骤7、获得测试集目标检测准确率结果。
作为一种具体实施方式，步骤1所述获取雷达回波数据并生成雷达距离多普勒维图像还包括，
步骤1.1、通过仿真，将生成雷达回波数据中加入不同信噪比的随机噪声；
步骤1.2、设定范围内，随机生成雷达回波数据中目标数目、位置与速度。
作为一种具体实施方式，步骤2所述对原始图像进行预处理并进行标签包括，
步骤2.1、将雷达RD图像标准化，并将分辨率调整为与深度学习神经网络学习匹配的大小；
步骤2.2、获取目标所在位置的具体坐标值，针对目标所在位置的坐标值进行标签设置，生成标准标签数据。
作为一种具体实施方式，步骤3所述训练集包括训练图像数据集和标签数据集。
作为一种具体实施方式，步骤4中所述构建针对低信噪比下目标检测的深度学习神经网络，其中：
所述低信噪比定义为脉冲增压与快速傅里叶变换后信噪比低于7dB；
所述深度学习神经网络采用Faster R-CNN神经网络模型，包括卷积层、区域建议网络、池化层和全连接层四部分；当图像数据输入之后，首先通过卷积层提取图像深层特征，使用VGG16对输入图像执行卷积运算，在卷积层之后，使用最大池化层减小图像的维数，生成特征图，特征图中包含图像深层特征信息；然后将特征图输入区域建议网络，通过滑动窗口提取特征，得到多个建议区域，将带有建议区域的特征图输入感兴趣区域池化层，输出恒定大小的特征图，即将不同大小的目标建议区域变为相同大小的特征向量输出；最后通过全连接层进行分类与回归操作，分类层用于区分目标与复杂背景，构建目标与复杂背景之间的最大差异，回归层用于计算目标位置与真实位置之间的距离；分类层输入为固定大小的特征信息，通过全连接层与softmax提取区域类别并输出其置信度，回归层通过边框回归得到每个目标建议区域的位置偏移，生成更接近目标真实位置的检测框，最后得到最佳区域类别和边界框回归检测框的最终准确位置。
作为一种具体实施方式，步骤5所述训练还包括以下步骤，
步骤5.1、针对不同信噪比下的雷达距离多普勒图像数据集分别训练；
步骤5.2、将训练图像数据集、标签数据集输入到建立的Faster R-CNN神经网络模型中，并计算损失值；
步骤5.3、迭代优化Faster R-CNN神经网络模型参数，重复进行训练；
步骤5.4、当损失值达到最优时，结束训练并输出检测神经网络。
作为一种具体实施方式，步骤5所述损失值通过损失函数L(·)进行计算，计算公式如下：
Figure BDA0003264820020000051
其中pi为预测分类概率，
Figure BDA0003264820020000052
为真实分类，ti为预测的参数化坐标，
Figure BDA0003264820020000053
为真实的参数化坐标，Ncls为最小批处理尺寸，Nreg为标记框的数量，λ为权重平衡参数，L为总损失函数，Lcls为两个类别的对数损失，Lreg为回归损失。
作为一种具体实施方式，步骤7所述准确率包括检测率Pd和虚警率Pf，计算公式如下，
Figure BDA0003264820020000054
Figure BDA0003264820020000055
其中，TP为真正例，真实目标预测为目标的数量；FN为假反例，真实目标预测为非目标的数量；FP为假正例，非目标预测为目标的数量。
下面结合附图及具体实施例对本发明做进一步详细说明。
实施例
本实施例给出了一种基于深度学习的低信噪比下雷达RD图像目标检测方法，实验所用的数据为仿真的雷达RD图像，包括目标信息，包括目标的数目、位置和速度等，并且保证目标参数在一定范围内随机；雷达回波数据中还包括不同信噪比的随机噪声，并且存在一定数量的低信噪比数据；将原始回波数据转化为在距离维和多普勒维上的图像，并且保证图像中目标和干扰(噪声、杂波等)同时存在，其中，目标占据一个像素点，生成的RD图像分辨率为256*225，距离维为225个单元，多普勒维为256个单元，如图2所示。
首先对RD图像进行预处理，并进行目标标记，结果如图3所示。然后将增数据集送入Faster R-CNN网络中进行特征提取和特征融合，网络结构如图4所示，使用VGG16对输入图像执行卷积运算，深度卷积网络模型具有16层：13个卷积层和3个完全连接层。在卷积层之后，使用最大池化层来减小图像的维数，并通过SoftMax对图像进行分类,生成特征图。区域建议网络输入卷积层提供的特征图，并通过滑动窗口提取特征。SoftMax判断位于滑动窗口的中心的锚点属于正值还是负值。生成九个区域，因为存在三种不同的大小：128、256和512，以及三种不同的比例：1*1、1*2、2*1，包括该区域位置和大小的信息，并与卷积层获得的特征图一起发送到池化层。池化层将不同大小的输入转换为固定长度，将目标区域或杂波区域转换为相同大小的向量，并将其发送到后续的全连接层。最后通过计算区域类别和边界框回归获得检测框的最终准确位置。
最后预测目标位置，并在反向更新模型参数时使用优化后的损失函数，损失函数结果如图5所示，本发明的检测结果如图6所示，相比于传统算法检测结果，本发明的检测率显著提升。

Claims (8)

1.一种基于深度学习的低信噪比下雷达RD图像目标检测方法，其特征在于，包括以下步骤：
步骤1、获取雷达回波数据，生成雷达RD图像；
步骤2、对雷达RD图像进行预处理并进行标签，得到数据集；
步骤3、对数据集进行分类，得到训练集、验证集与测试集；
步骤4、构建针对低信噪比下目标检测的深度学习神经网络；
步骤5、采用训练集对构建的神经网络进行训练，并输出损失值和训练后的检测神经网络；
步骤6、利用训练好的检测神经网络对测试集进行目标检测；
步骤7、获得测试集目标检测准确率结果。
2.如权利要求1所述的基于深度学习的低信噪比下雷达RD图像目标检测方法，其特征在于，步骤1所述获取雷达回波数据，生成雷达RD图像，还包括，
步骤1.1、通过仿真，将生成雷达回波数据中加入不同信噪比的随机噪声；
步骤1.2、设定范围内，随机生成雷达回波数据中目标数目、位置与速度。
3.如权利要求1所述的基于深度学习的低信噪比下雷达RD图像目标检测方法，其特征在于，步骤2所述对雷达RD图像进行预处理并进行标签，具体包括：
步骤2.1、将雷达RD图像标准化，并将分辨率调整为与深度学习神经网络学习匹配的大小；
步骤2.2、获取目标所在位置的具体坐标值，针对目标所在位置的坐标值进行标签设置，生成标准标签数据。
4.如权利要求1所述的基于深度学习的低信噪比下雷达RD图像目标检测方法，其特征在于，步骤3所述训练集包括训练图像数据集和标签数据集。
5.如权利要求1所述的基于深度学习的低信噪比下雷达RD图像目标检测方法，其特征在于，步骤4中所述构建针对低信噪比下目标检测的深度学习神经网络，其中：
所述低信噪比定义为脉冲增压与快速傅里叶变换后信噪比低于7dB；
所述深度学习神经网络采用Faster R-CNN神经网络模型，包括卷积层、区域建议网络、池化层和全连接层四部分；当图像数据输入之后，首先通过卷积层提取图像深层特征，使用VGG16对输入图像执行卷积运算，在卷积层之后，使用最大池化层减小图像的维数，生成特征图，特征图中包含图像深层特征信息；然后将特征图输入区域建议网络，通过滑动窗口提取特征，得到多个建议区域，将带有建议区域的特征图输入感兴趣区域池化层，输出恒定大小的特征图，即将不同大小的目标建议区域变为相同大小的特征向量输出；最后通过全连接层进行分类与回归操作，分类层用于区分目标与复杂背景，构建目标与复杂背景之间的最大差异，回归层用于计算目标位置与真实位置之间的距离；分类层输入为固定大小的特征信息，通过全连接层与softmax提取区域类别并输出其置信度，回归层通过边框回归得到每个目标建议区域的位置偏移，生成更接近目标真实位置的检测框，最后得到最佳区域类别和边界框回归检测框的最终准确位置。
6.如权利要求5所述的基于深度学习的低信噪比下雷达RD图像目标检测方法，其特征在于，步骤5所述采用训练集对构建的神经网络进行训练，包括以下步骤，
步骤5.1、针对不同信噪比下的雷达距离多普勒图像数据集分别训练；
步骤5.2、将训练图像数据集、标签数据集输入到建立的Faster R-CNN神经网络模型中，并计算损失值；
步骤5.3、迭代优化Faster R-CNN神经网络模型参数，重复进行训练；
步骤5.4、当损失值达到最优时，结束训练并输出检测神经网络。
7.如权利要求1所述的基于深度学习的低信噪比下雷达RD图像目标检测方法，其特征在于，步骤5所述损失值通过损失函数L(·)进行计算，计算公式如下：
Figure FDA0003264820010000021
其中pi为预测分类概率，
Figure FDA0003264820010000022
为真实分类，ti为预测的参数化坐标，
Figure FDA0003264820010000023
为真实的参数化坐标，Ncls为最小批处理尺寸，Nreg为标记框的数量，λ为权重平衡参数，L为总损失函数，Lcls为两个类别的对数损失，Lreg为回归损失。
8.如权利要求1所述的基于深度学习的低信噪比下雷达RD图像目标检测方法，其特征在于，步骤7所述准确率包括检测率Pd和虚警率Pf，计算公式如下，
Figure FDA0003264820010000024
Figure FDA0003264820010000025
其中，TP为真正例，真实目标预测为目标的数量；FN为假反例，真实目标预测为非目标的数量；FP为假正例，非目标预测为目标的数量。
CN202111083283.7A 2021-09-16 2021-09-16 基于深度学习的低信噪比下雷达rd图像目标检测方法 Pending CN113887583A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202111083283.7A CN113887583A (zh) 2021-09-16 2021-09-16 基于深度学习的低信噪比下雷达rd图像目标检测方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202111083283.7A CN113887583A (zh) 2021-09-16 2021-09-16 基于深度学习的低信噪比下雷达rd图像目标检测方法

Publications (1)

Publication Number Publication Date
CN113887583A true CN113887583A (zh) 2022-01-04

Family

ID=79009605

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202111083283.7A Pending CN113887583A (zh) 2021-09-16 2021-09-16 基于深度学习的低信噪比下雷达rd图像目标检测方法

Country Status (1)

Country Link
CN (1) CN113887583A (zh)

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114994674A (zh) * 2022-08-08 2022-09-02 中国科学技术大学 智能微波凝视关联成像方法、设备及存储介质
CN117452367A (zh) * 2023-12-21 2024-01-26 西安电子科技大学 基于宽带成像雷达的sar载荷辐射信号提取方法及装置

Cited By (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114994674A (zh) * 2022-08-08 2022-09-02 中国科学技术大学 智能微波凝视关联成像方法、设备及存储介质
CN114994674B (zh) * 2022-08-08 2022-12-23 中国科学技术大学 智能微波凝视关联成像方法、设备及存储介质
CN117452367A (zh) * 2023-12-21 2024-01-26 西安电子科技大学 基于宽带成像雷达的sar载荷辐射信号提取方法及装置
CN117452367B (zh) * 2023-12-21 2024-03-26 西安电子科技大学 基于宽带成像雷达的sar载荷辐射信号提取方法及装置

Similar Documents

Publication Publication Date Title
CN110516561B (zh) 基于dcgan和cnn的sar图像目标识别方法
CN110210463B (zh) 基于Precise ROI-Faster R-CNN的雷达目标图像检测方法
Lei et al. Automatic hyperbola detection and fitting in GPR B-scan image
CN110472627B (zh) 一种端到端的sar图像识别方法、装置及存储介质
CN107229918B (zh) 一种基于全卷积神经网络的sar图像目标检测方法
CN112132042B (zh) 基于对抗域适应的sar图像目标检测方法
CN113486961A (zh) 基于深度学习的低信噪比下雷达rd图像目标检测方法、***及计算机设备
CN108447057B (zh) 基于显著性和深度卷积网络的sar图像变化检测方法
CN107808138B (zh) 一种基于FasterR-CNN的通信信号识别方法
CN113887583A (zh) 基于深度学习的低信噪比下雷达rd图像目标检测方法
CN113536963B (zh) 基于轻量化yolo网络的sar图像飞机目标检测方法
CN115937659A (zh) 基于Mask-RCNN的室内复杂环境下多目标检测方法
CN112036239A (zh) 一种基于深度学习网络的雷达信号工作模式识别方法及***
Nuhoglu et al. Image segmentation for radar signal deinterleaving using deep learning
CN111401168A (zh) 一种无人机的多层雷达特征提取与选择方法
CN113850838A (zh) 船舶航行意图获取方法、装置、计算机设备及存储介质
Sun et al. Ship detection in SAR images based on multilevel superpixel segmentation and fuzzy fusion
CN111832463A (zh) 一种基于深度学习的交通标志检测方法
CN114973300B (zh) 一种构件类别识别方法、装置、电子设备及存储介质
CN116030300A (zh) 一种用于零样本sar目标识别的渐进式域自适应识别方法
CN114663916A (zh) 一种基于深度抽象特征的热红外人体目标识别方法
CN113361639A (zh) 一种基于深度学习的辐射源信号多模型综合分类方法
CN113989632A (zh) 一种遥感图像桥梁检测方法、装置、电子设备及存储介质
CN117111013B (zh) 一种雷达目标跟踪航迹起始方法、装置、设备及介质
CN114283296B (zh) 一种基于结构相似度的目标识别自评估方法

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