CN115327544B - 基于自监督学习的少样本空间目标isar散焦补偿方法 - Google Patents

基于自监督学习的少样本空间目标isar散焦补偿方法 Download PDF

Info

Publication number
CN115327544B
CN115327544B CN202211250172.5A CN202211250172A CN115327544B CN 115327544 B CN115327544 B CN 115327544B CN 202211250172 A CN202211250172 A CN 202211250172A CN 115327544 B CN115327544 B CN 115327544B
Authority
CN
China
Prior art keywords
module
fusion
sampling
complex
feature
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
Application number
CN202211250172.5A
Other languages
English (en)
Other versions
CN115327544A (zh
Inventor
朱卫纲
李晨瑄
李永刚
朱霸坤
杨君
曲卫
邱磊
何永华
王鹏飞
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.)
Peoples Liberation Army Strategic Support Force Aerospace Engineering University
Original Assignee
Peoples Liberation Army Strategic Support Force Aerospace Engineering University
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 Peoples Liberation Army Strategic Support Force Aerospace Engineering University filed Critical Peoples Liberation Army Strategic Support Force Aerospace Engineering University
Priority to CN202211250172.5A priority Critical patent/CN115327544B/zh
Publication of CN115327544A publication Critical patent/CN115327544A/zh
Application granted granted Critical
Publication of CN115327544B publication Critical patent/CN115327544B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

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
    • G01S13/00—Systems using the reflection or reradiation of radio waves, e.g. radar systems; Analogous systems using reflection or reradiation of waves whose nature or wavelength is irrelevant or unspecified
    • G01S13/88—Radar or analogous systems specially adapted for specific applications
    • G01S13/89—Radar or analogous systems specially adapted for specific applications for mapping or imaging
    • G01S13/90—Radar or analogous systems specially adapted for specific applications for mapping or imaging using synthetic aperture techniques, e.g. synthetic aperture radar [SAR] techniques
    • G01S13/904—SAR modes
    • G01S13/9064—Inverse SAR [ISAR]
    • 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)
  • Remote Sensing (AREA)
  • Radar, Positioning & Navigation (AREA)
  • Physics & Mathematics (AREA)
  • Computer Networks & Wireless Communication (AREA)
  • General Physics & Mathematics (AREA)
  • Artificial Intelligence (AREA)
  • Evolutionary Computation (AREA)
  • Electromagnetism (AREA)
  • Radar Systems Or Details Thereof (AREA)

Abstract

本发明公开了一种基于自监督学习的少样本空间目标ISAR散焦补偿方法，属于雷达信号处理与雷达目标探测技术领域。首先获取不区分散焦和未散焦的雷达回波和ISAR雷达图像数据；针对雷达回波通过聚类算法分类，并根据图像熵区分雷达回波是否散焦；根据ISAR雷达图像数据的目标成像方位倾角，构建第一样本数据，对散焦补偿网络进行自监督训练；补偿时，获取所需补偿卫星类型的雷达回波，构建第二样本数据，对预训练模型进行有监督训练，获得训练好的散焦补偿网络，对所述卫星类型的雷达回波的散焦补偿。本发明解决了针对空间目标雷达回波数据获取困难、较少的数据量与较高的标注成本阻碍散焦补偿效果提升的问题。

Description

基于自监督学习的少样本空间目标ISAR散焦补偿方法
技术领域
本发明属于雷达信号处理与雷达目标探测技术领域，具体涉及一种基于自监督学习的少样本空间目标ISAR散焦补偿方法。
背景技术
与光学探测设备相比，逆合成孔径雷达（Inverse Synthetic Aperture Radar,ISAR）受气象条件影响较小，具备全天时、全天候、高精度、远距离探测的优势，在空间目标探测识别、战场态势侦察等领域发挥重要作用。
雷达技术人员多使用较大的带宽信号获取高分辨率的ISAR像，然而过大的目标尺寸与较长的观测时间可能导致成像结果发生越距离单元徙动（Migration ThroughResolutions Cells，MTRC），导致目标图像散焦。散焦后的目标与真实目标的形状和结构差异较大，很大程度上妨碍了ISAR空间目标识别准确度的提升。
传统算法散焦补偿效果局限于操作人员的经验与能力，采用人工设计参数补偿等方式处理散焦后的目标雷达回波，不同散焦条件下算法的鲁棒性不足，难以保证较高的可靠性与时效性。
人工智能领域的深度学习算法一经出现，凭借其较强的数据建模与特征提取能力，便得到各领域研究人员的广泛关注。深度学习算法利用卷积神经网络进行数据分析，能够较好改善传统ISAR空间目标散焦补偿算法的复杂度高、鲁棒性差等不足。然而，多数深度学习算法需要大量的标签样本训练网络模型，才能保证模型具有较高的泛化能力。由于空间目标雷达回波数据保密性要求，以及数据获取数量上的局限性，少样本标注条件下难以支撑大规模的网络训练，可能导致收敛速度慢、过拟合等问题。此外，雷达回波中还存在大量利于散焦补偿与目标识别的信息，例如类内差异、类间相似性度量等，上述特征尚未得到有效利用。
综上，现有的ISAR图像散焦补偿方法存在不足主要有以下几点：
（1）传统算法依赖技术人员能力、依靠专家经验设定阈值，或通过大量实验选定参数，用于不同类别的目标难以取得较好的散焦补偿效果，泛化能力不足；
（2）为取得较好的散焦补偿效果，现有算法需要大量的标注样本训练模型。由于空间目标雷达回波数据的获取具有一定局限性，获取大量的空间目标回波数据较为困难，此外，标签数据集的制作需耗费较多人力与时间成本；
（3）现有少样本问题以迁移学习为主要解决方案，算法在其他类别大量标注样本上训练模型后，将模型权重迁移到少样本任务中，再利用已有少量标注数据进行模型参数微调。但由于空间目标ISAR数据与其他领域标注数据间的特征差异，直接迁移不同领域的训练模型可能无法取得较好的效果；
（4）雷达复数回波中目标数据特征挖掘不足，难以充分利用数据特征实现模态融合；融合阈值的确定往往需要多轮测试手动调优，迭代阈值的选取耗时较大；此外，针对空间目标散焦补偿任务设计的特征提取网络较少，少样本标注条件更是增大了散焦补偿任务的难度。
发明内容
有鉴于此，本发明提供了一种基于自监督学习的少样本空间目标ISAR散焦补偿方法，解决了针对空间目标雷达回波数据获取困难、较少的数据量与较高的标注成本阻碍散焦补偿效果提升的问题。
当目标徙动导致ISAR像散焦、识别准确度较低时，本发明可较好提取雷达回波中的目标特征，可实现高分辨的空间目标ISAR散焦补偿。
为了解决上述技术问题，本发明是这样实现的。
一种基于自监督学习的少样本空间目标ISAR散焦补偿方法，包括：
步骤一、获取不区分散焦和未散焦的雷达回波和ISAR雷达图像数据；
步骤二、针对雷达回波，通过聚类算法分成两类数据簇；计算两类数据簇的图像熵，将图像熵大的数据簇确定为散焦回波数据，图像熵小的数据簇确定为未散焦回波数据；
针对ISAR雷达图像数据，利用图像处理算法获得目标成像方位倾角；将目标成像方位倾角一致的散焦回波数据和未散焦回波数据组建成一个第一样本数据，未散焦回波数据作为伪标签；
步骤三、利用第一样本数据对构建的散焦补偿网络进行第一阶段的自监督训练，获得预训练模型；
步骤四、针对所需散焦补偿的卫星类型，获取该类型卫星的雷达回波，并给予散焦或未散焦的标签，构成有标注条件下的第二样本数据；对所述预训练模型进行第二阶段的有监督训练，获得训练好的散焦补偿网络；
步骤五、利用所述训练好的散焦补偿网络进行所述卫星类型的雷达回波的散焦补偿。
优选地，所述聚类算法为K均值算法；所述利用图像处理算法获得目标成像方位倾角为：利用Canny算子进行边缘检测和利用霍夫变换计算目标成像方位倾角。
优选地，所述散焦补偿网络包括实数域卷积处理分支、复数域卷积处理分支和融合单元；所述融合单元包括至少1个交叉增强融合模块、双模态特征融合模块、至少1个第一加权融合模块和至少1个第二加权融合模块；
所述实数域卷积处理分支，处理雷达回波的幅值相位特征；该分支包括针对实数的N层下采样模块SD1~SDN、第一语义特征提取模块和N层上采样模块SU1~SUN；其中，不同分辨率的下采样模块SDn与上采样模块SUm的输出在第一加权融合模块中进行融合，融合结果作为下一级上采样模块SUm+1的部分输入；n≠m，n和m的取值范围为1至N，N为大于或等于2的正整数；
所述复数域卷积处理分支，处理复数形式的雷达回波信号；该分支包括针对复数的N层下采样模块FD1~FDN、第二语义特征提取模块和N层上采样模块FU1~FUN；其中，不同分辨率的下采样模块FDn与上采样模块FDm的输出在第二加权融合模块中进行融合，融合结果作为下一级上采样模块FUm+1的部分输入；
交叉增强融合模块在上采样部分实现实数域卷积处理分支与复数域卷积处理分支所得特征图的融合，并反馈到实数域卷积处理分支；
双模态特征融合模块实现两个分支最后一级所提取特征的融合。
优选地，所述交叉增强融合模块为P个，P<N，对应P个连续的上采样模块；针对两个分支中相同分辨率的上采样模块SUp和FUp，一个交叉增强融合模块负责将SUp和FUp输出的特征图进行融合，融合特征与上采样模块SUp的输出结合后作为下一级上采样模块SUp+1的输入。
优选地，所述实数域卷积处理分支包括6个下采样模块SD1~SD6、6个上采样模块SU1~SU6、3个第一加权融合模块SM1~SM3：
下采样模块SD3与上采样模块SU5的输出在第一加权融合模块SM1中进行融合，融合结果作为上采样模块SU6的部分输入；
下采样模块SD4与上采样模块SU4的输出在第一加权融合模块SM2中进行融合，融合结果作为上采样模块SU5的部分输入；
下采样模块SD5与上采样模块SU3的输出在第一加权融合模块SM3中进行融合，融合结果作为上采样模块SU4的部分输入；
复数域卷积处理分支包括6个下采样模块FD1~FD6、6个上采样模块FU1~FU6、3个第二加权融合模块FM1~FM3：
下采样模块FD3与上采样模块FD5的输出在第二加权融合模块FM1中进行融合，融合结果作为上采样模块FU6的部分输入；
下采样模块FD4与上采样模块FD4的输出在第二加权融合模块FM2中进行融合，融合结果作为上采样模块FU5的部分输入；
下采样模块FD5与上采样模块FD3的输出在第二加权融合模块FM3中进行融合，融合结果作为上采样模块FU4的部分输入；
所述交叉增强融合模块为4个，对应上采样模块SU2~ SU5和FU2~ FU5。
优选地，在实数域卷积处理分支中：
所述下采样模块SD1~SDN的下采样处理，将输入特征图的尺度变为原来的二分之一，通道数扩张成处理前的二倍；
所述第一语义特征提取模块实现核为3的卷积、批量归一化操作与激活函数处理，以提取语义特征；
所述上采样模块SU1~SUN采用实数卷积上采样，逐层增加特征图的分辨率，同时降低通道数。
优选地，在复数域卷积处理分支中：
针对复数形式的雷达回波信号，首先经过卷积核为3、步长为1、扩充数为1的复数卷积，再进行复数归一化层与复数PRelu激活函数处理，得到复数特征图输入下采样模块FD1；
所述下采样模块FD1~FDN的下采样处理，将输入特征图的尺度变为处理前的二分之一，通道数扩张成处理前的二倍；
所述第二语义特征提取模块实现核为3的复数卷积、复数批量归一化操作与复数激活函数处理，以提取语义特征；
所述上采样模块FU1~FUN采用复数域卷积上采样，逐层增加特征图的分辨率，同时降低通道数。
优选地，所述交叉增强融合模块输入上采样模块SUp的幅值相位特征F K1与上采样模块FUp的复数域信号特征F P1；交叉增强融合模块中，先将幅值相位特征F K1映射到复数域进行特征对齐，与复数域信号特征F P1逐像素相加，后使用卷积核为3的复数卷积与转置卷积块进行特征融合与上采样，输出通道数为复数域信号特征F P1二分之一的特征F P1’；再将幅值相位特征F K1用卷积核为3的实数域转置卷积实现上采样，与所述特征F P1’进行逐像素相加，输出融合后的多模态融合特征F U1。
优选地，所述双模态特征融合模块输入分别为实数域卷积处理分支输出的幅值相位特征F K2与复数域卷积处理分支输出的复数域信号特征F P2；
双模态特征融合模块中，首先利用sigmoid函数处理初始化的权重因子w，得到可在训练过程中，随损失函数进行梯度更新的比例因子λ；按照公式I利用比例因子λ将两个分支分别提取出的特征进行逐像素相加，然后利用核数为1的卷积块与激活函数完成加权融合后输出；
F U2=(1-λ)* F K2+λ*real(F P2)+λ*imag(F P2) I
其中，real( )表示取实部，imag( )表示取虚部，+表示逐像素相加，F U2表示双模态特征融合模块的输出。
优选地，所述第一加权融合模块和第二加权融合模块结构相同，第一加权融合模块采用实数域卷积完成特征运算，第二加权融合模块采用复数域卷积完成特征运算；
设下采样阶段的特征图为F E ，上采样阶段的特征图为F D ；第一加权融合模块和第二加权融合模块首先将特征图F E 通过相应实数或复数域操作提取特征，再利用双线性插值将提取的特征调整成为与特征图F D 具有相同分辨率与通道数的特征F E ’，再与F D 进行加权融合，输出融合结果F out 。
优选地，所述加权融合为：利用公式II、公式III实现特征间的自适应加权融合；
γ=sigmoid(v) II
F out =Up[(1-γ)*F E ’+γ*F D ] III
其中，v为初始化的权重因子，γ为可在网络训练过程中随损失函数进行梯度更新的比例因子；F out 为加权融合结果，Up表示利用反置卷积增大特征图分辨率，同时降低通道数；+表示逐像素相加。
有益效果：
（1）深度学习算法训练效果依赖大量标注样本，本发明实现了少样本标注条件下的目标高分辨特征提取，并取得了较准确的散焦补偿效果。
为取得较好的散焦补偿效果与识别准确率，现有算法需要大量的标注样本训练模型。由于空间目标雷达回波数据获取具有一定时间、空间上的局限性，获取大量的目标数据较为困难，标签数据集的制作需耗费大量人力与时间成本。
现有少样本问题解决方案主要使用大量其他领域的标注样本训练模型，训练完成后，将模型权重迁移到本领域少样本任务中，再利用已有的少量标注样本进行参数微调，但由于空间目标雷达回波ISAR数据与其他可见光或红外领域数据间的特征差异，迁移不同域的数据训练网络可能无法取得较好的实验效果。
本发明基于自监督学习思想，将模型训练分为两个阶段。首先利用散焦与未散焦数据特征差异构建自监督训练数据集，将自监督数据集输入构建的双模态自适应特征融合网络，得到预训练模型；在第二个训练阶段，加载第一阶段得到的预训练模型，利用少量标注样本进行散焦补偿模型优化。实验结果表明，本发明提出的基于自监督学习的少样本空间目标ISAR散焦补偿方法无需大量标注数据，在少样本条件下仍可取得较好的实验效果。
（2）本发明自监督训练数据集设计方面
为实现仅有少量标注样本情况下的空间目标散焦补偿，通过分析空间目标ISAR数据特点后，本发明首先利用聚类算法，利用特征分布差异将数据分为散焦回波与未散焦回波；由于回波散焦导致目标图像熵增大，本发明通过图像熵的计算，将图像熵较大的散焦回波作为散焦补偿网络架构的输入，将图像熵较小的未散焦回波作为自监督数据的伪标签。由于不同方位角的空间目标成像差异较大，直接输入网络训练可能导致补偿误差增大，本发明利用图像处理算法获取散焦与未散焦时的目标回波成像倾角，通过划定角度范围，改善了自监督数据集构建过程中，目标成像倾角差异过大导致的特征混叠问题。
（3）有效利用不同模态数据特点实现了多模态特征融合，优化了散焦补偿结果。
传统利用目标ISAR像完成重聚焦与识别的方法主要描述目标表层信息，利用实数卷积网络进行特征提取时，仅保留了幅度信息，忽略了相位信息；进行空间目标特征重聚焦或空间目标探测与识别任务时，提取到的目标信息越丰富，包含的特征越多，实验效果越好。实验可知，复数信息具备更好的泛化特性与更快的学习效率，雷达回波数据中复数的虚部同样包含较多的目标特征参量；仅利用复数信息建模易丢失高分辨特征，散焦补偿效果仍有待提升。
为充分利用实数与复数数据中包含的高分辨特征，本发明分别设计了用于处理不同模态数据的幅值分支与复数分支，考虑到浅层特征中包含较多噪声信息，故利用下采样进行语义特征提取后，再与上采样过程中的高分辨特征进行同种模态间的深层与浅层特征融合。
（4）为实现不同模态数据之间的特征增强，使输出的特征图同时包含较为清晰的纹理特征与轮廓特征，本发明设计了交叉增强融合模块，可实现不同模态之间的特征增强融合，在保留较多纹理信息的同时，用复数特征提取分支中的高分辨特征增强幅值特征提取分支中的特征图，有利于改善网络加深引起的模型退化。
（5）利用本发明处理雷达复数回波数据，进行空间目标散焦补偿时效性好、泛化能力强。
传统的散焦补偿方法的迭代阈值需通过多次实验、针对不同散焦目标手动设置。当图像特征信噪比较低时运算量大，算法时效性难以满足。此外，现有方法实验参数的设定往往适用于单一目标的散焦回波，特征筛选阈值的选取可能导致重要信息丢失。本发明有效结合深度卷积神经网络强大的特征提取与处理能力，可针对数据特点利用迭代运算与梯度更新计算出最优的补偿参数，对不同散焦程度的目标回波均可取得较好的散焦补偿效果。此外，在实际使用时，可加载训练好的权重参数，直接输入散焦回波完成补偿，无需重复实验手工调优，时效性更好。
（6）实验结果表明，本发明提出的基于自监督学习的少样本空间目标ISAR散焦补偿方法，能够有效提取散焦条件下雷达回波中的目标高分辨特征，散焦补偿效果好，鲁棒性强，具有较高应用价值。
附图说明
图1为自监督训练数据集构建流程图。
图2为散焦补偿网络的结构图。
图3为散焦补偿训练流程图。
图4为交叉增强融合模块基本单元结构图。
图5为加权融合模块基本单元结构图。
图6为双模态特征融合模块基本单元结构图。
图7为利用本发明进行散焦补偿测试流程图。
图8为散焦条件下的空间目标雷达回波数据三维图。
图9为散焦补偿前的空间目标ISAR像。
图10为利用本发明进行散焦补偿后的空间目标ISAR像。
图11为未利用方位角划分优化数据集划分时的散焦补偿结果图。
具体实施方式
下面结合附图并举实施例，对本发明进行详细描述。
空间目标特征提取分辨率对空间目标散焦补偿效果具有较大影响。ISAR像散焦导致目标形状与结构特征发生变化后，可能导致目标虚警及误检。针对空间目标雷达回波数据获取困难，较少的数据量与较高的标注成本阻碍散焦补偿效果提升的问题，本发明有效利用了未标记数据与标记数据的特征信息，仅利用少量标注数据实现了空间目标ISAR散焦补偿；针对传统算法严重依赖专家经验，或局限于通过大量实验选定参数，用于不同种类的目标难以取得较好散焦补偿效果的问题，本发明设计了适用于提取雷达复数回波中，目标高分辨特征的双模卷积神经网络，改善了现有算法依赖人工调参的局限性；针对多模态数据融合阈值的确定需要多轮测试手动调优的问题，本发明设计了能够借助误差反向传播过程，并结合损失函数自适应迭代优化的多尺度特征融合权重因子，大幅降低了手动调参的复杂性；针对卷积神经网络特征提取能力受标注数据量影响大，现有算法在少样本数据条件下易陷入局部最优的问题，本发明设计了深浅层特征加权融合模块，充分利用自监督数据，仅引入了较少计算量，实现了深层与浅层信息的有效利用，取得了较好的ISAR空间目标散焦补偿效果，有助于提升少样本条件下的空间目标识别准确率。
下面将结合附图，对本发明实施例中的技术方案进行详细描述。
实施例一
本发明采用卷积神经网络进行散焦补偿，该网络的训练分为两个阶段，参见图3。下面结合图3对本发明散焦补偿网络训练方案和散焦补偿方案进行详细描述。具体包括如下步骤：
步骤一：获取空间目标ISAR雷达回波和ISAR雷达图像数据。
本步骤中，不需要区分散焦和未散焦情况，也不需要区分卫星类型，可以通过仿真方式获得所需的雷达回波和ISAR雷达图像数据，也可以汇总一些已有的真实雷达回波。
在一优选实施例中，采用仿真方式获得雷达回波。具体为：设定雷达参数，利用FEKO电磁仿真软件实现空间目标三维面元分析，获取各点面元的结构参数；将空间目标三维结构信息输入MATLAB，实现雷达复数回波信号的分析处理；根据目标运动参数，获取散焦与未散焦条件下的空间目标ISAR雷达回波。这里所获得的ISAR雷达回波并没有标注散焦/未散焦。
步骤二：自监督学习数据构建。
步骤S201：针对雷达回波，区分散焦回波数据和未散焦回波数据。
本步骤中，如图1所示，散焦回波与未散焦回波具有不同的特征分布，通过计算类内间距与类间差异，可以对雷达回波进行分类。同时，由于散焦回波特征分布更具离散性，该离散性可以通过计算数据簇的图像熵进行分区。因此，本步骤具体采用如下方式实现：
利用聚类算法（例如采用K均值算法（K-means））将雷达回波划分为两类数据簇；然后计算两类数据簇的图像熵，图像熵小的数据簇即为未散焦回波数据，图像熵大的数据簇确定为散焦回波数据。
步骤S202：针对ISAR雷达图像数据，利用图像处理算法获得目标成像方位倾角；将目标成像方位倾角一致的散焦回波数据和未散焦回波数据组建成一个第一样本数据，未散焦回波数据作为伪标签。
本步骤中，考虑到观测弧段内空间目标成像方位角差异较大，在划分成像方位角的情况下，将所有数据直接输入神经网络训练，会由于目标角度摆动导致不同角度下提取到的特征混叠，散焦补偿后目标边界缺失。基于上述问题，本步骤利用图像处理算法计算空间目标成像方位倾角。例如先采用Canny算子进行边缘检测，然后再采用霍夫变换获得目标的方位倾角。
接着，根据方位倾角的大小，寻找具有相同或相近似方位角的散焦回波数据和未散焦回波数据，组成一对，即为一个样本数据。如果1个散焦回波数据和2个未散焦回波数据的方位倾角均相近，则只保留最相近的一组散焦和未散焦回波数量。排除的一个未散焦回波数据与其他散焦回波数据再进行组合。该操作实现了实现不同方位角划分区域内的目标雷达回波数据粗对齐，避免散焦与未散焦数据的方位角摆动差异过大导致补偿后的边界缺失。
然后，将粗对齐后的散焦与未散焦回波数据按照顺序重命名（也可以不做重命名），并进行数据归一化，以便输入神经网络进行处理。一组样本数据中包括一个散焦回波数据，和一个未散焦回波数据，未散焦回波数据作为自监督训练的伪标签。
经过上述步骤构建了无标注条件下的空间目标散焦补偿自监督数据集；自监督数据集构建完成后，按照8:2的比例划分成训练样本集与测试样本集。训练样本集进行网络训练，测试样本进行网络训练结果的测试。
步骤三：利用步骤二构建的训练样本集对散焦补偿网络进行第一阶段的自监督训练，获得预训练模型。
步骤四、针对所需散焦补偿的卫星类型，获取该类型卫星少量的雷达回波，并给予散焦或未散焦的标签，构成有标注条件下的第二样本数据。对步骤三获得的预训练模型进行第二阶段的有监督训练，获得训练好的散焦补偿网络。
本步骤中，针对卫星类型获取雷达散焦和未散焦情况下的雷达回波，可以采用仿真数据。第二样本数据用于有监督学习，因此需要标签。由于第二阶段针对预训练网络进行优化，因此不需要大量的样本。少样本即可得到较好效果。
在一实例中，利用100个带标注的散焦、未散焦的回波数据输入散焦补偿网络，提取复数回波的深层特征；在上采样的同时利用交叉增强融合模块实现不同模态之间的特征融合，获取具备较高分辨率纹理信息与轮廓信息的融合特征，进一步优化散焦补偿模型，得到有助于提升空间目标识别精度的散焦补偿结果。
在本步骤的最后，可以加载训练好的模型权重，利用测试样本测试空间目标ISAR散焦补偿效果。
步骤五、利用所述训练好的散焦补偿网络进行所述卫星类型的雷达回波的散焦补偿。
至此，本流程结束。
实施例二
本实施例提供了一种用于本发明散焦补偿方案的双模态散焦补偿网络。
由于雷达复数回波中幅值与相位信息均包含利于改善空间目标散焦补偿效果的特征。如图2所示，为了在少样本数据条件下取得较好的散焦补偿效果，经实验测试，本发明设计了两个分支：实数域卷积处理分支、复数域卷积处理分支。同时设计了融合单元，包括至少1个交叉增强融合模块（以下简称CEF模块，CEF是Cross Enhancement Fusion的缩写）、双模态特征融合模块、至少1个第一加权融合模块（以下简称第一MIXUP模块）和至少1个第二加权融合模块（以下简称第二MIXUP模块）。
实数域卷积处理分支，处理雷达回波的幅值相位特征。该分支使用传统实数卷积，用于提取雷达回波中目标纹理特征。该分支包括针对实数的N层下采样模块SD1~SDN（编码阶段）、第一语义特征提取模块和N层上采样模块SU1~SUN（解码阶段）。其中，不同分辨率的下采样模块SDn与上采样模块SUm的输出在第一MIXUP模块中进行融合，融合结果作为下一级上采样模块SUm+1的部分输入；n≠m，n和m的取值范围为1至N，N为大于或等于2的正整数。
复数域卷积处理分支，处理复数形式的雷达回波信号。该分支使用复数卷积等操作，用于雷达复数回波中目标的轮廓信息挖掘。该分支包括针对复数的N层下采样模块FD1~FDN、第二语义特征提取模块和N层上采样模块FU1~FUN；其中，不同分辨率的下采样模块FDn与上采样模块FDm的输出在第二MIXUP模块中进行融合，融合结果作为下一级上采样模块FUm+1的部分输入。
CEF模块在上采样部分实现实数域卷积处理分支与复数域卷积处理分支所得特征图的融合，并反馈到实数域卷积处理分支。具体来说，所述CEF模块为P个，P<N，对应P个连续的上采样模块；针对两个分支中相同分辨率的上采样模块SUp和FUp，一个CEF模块负责将SUp和FUp输出的特征图进行融合，融合特征与上采样模块SUp的输出结合后作为下一级上采样模块SUp+1的输入。
双模态特征融合模块实现两个分支最后一级所提取特征的融合。
编码阶段（下采样阶段）利用多个下采样操作，在降低图像分辨率的同时扩张通道数，解码阶段（上采样阶段）进行了同域特征融合、异域特征融合处理等，实现了多模态特征复用。最后将双模态特征自适应加权融合，得到补偿后的特征。本发明提出的双模态散焦补偿网络利用双模态分支处理雷达回波，在较好保留浅层特征与深层语义特征的同时，有利于提升散焦补偿效果。
在自监督训练阶段，样本数据输入网络后，经网络预处理后，得到包含较多纹理信息的ISAR幅值特征，同时得到包含较多轮廓信息的复数特征。将上述特征分别输入两个分支完成特征处理，并在网络上采样阶段进行同类模态数据增强，以及不同模态数据之间的自适应加权融合。
本实施例还具体给出了一种具有6层上/下采样、4个CEF模块、3对MIXUP模块（每一对包括第一MIXUP模块和第二MIXUP模块）的双分支网络架构实例，如图2所示。
（1）雷达回波中目标幅值特征处理分支：实数域卷积处理分支
实数域卷积处理分支包括6个下采样模块SD1~SD6、6个上采样模块SU1~SU6、3个第一MIXUP模块SM1~SM3：
下采样模块SD3与上采样模块SU5的输出在第一MIXUP模块SM1中进行融合，融合结果作为上采样模块SU6的部分输入；
下采样模块SD4与上采样模块SU4的输出在第一MIXUP模块SM2中进行融合，融合结果作为上采样模块SU5的部分输入；
下采样模块SD5与上采样模块SU3的输出在第一MIXUP模块SM3中进行融合，融合结果作为上采样模块SU4的部分输入。
本分支编码阶段共计六个下采样操作，解码阶段共计六个上采样操作，从而保证输入与输出特征图具有相同的分辨率。
该分支的工作过程为：用于降低分辨率同时扩张通道数的共有六个下采样层。雷达回波经过两次FFT处理后提取幅值相位信息，得到输入特征；经过下采样处理后，将输入特征图的尺度变为处理前的二分之一，通道数扩张成处理前的二倍；经过六次实数下采样的特征经过核数为3的卷积、批量归一化操作与激活函数提取语义特征，然后利用解码过程的上采样模块逐层增加特征图的分辨率，同时降低通道数。
仍参见图2，对于MIXUP模块的工作：本分支输入特征经过三次下采样后得到通道数为32的特征图，通过图5所示MIXUP模块中的插值操作后，与解码过程中通道数为8的特征图进行自适应加权融合，保留更多的高分辨特征，再与解码过程中，经过上采样处理后的通道数为8的特征图特征相加，模块输出通道数为4的特征；同理，编码过程中通道数为64的特征图与解码过程中通道数为16的特征图共同输入MIXUP模块，经MIXUP模块运算后，与通道数为16的特征图经过上采样后相加，得到通道数为8的特征；编码过程中通道数为128的特征图与解码过程中通道数为32的特征图共同输入MIXUP模块，经MIXUP模块运算后，与通道数为32的特征图经过上采样后相加，得到通道数为16的特征。
对于CEF模块的工作：输入的雷达回波数据经过六次下采样与卷积处理后，得到通道数为256的特征。上采样操作使用核数为3的转置卷积与PRelu激活函数。经过两次上采样后，特征通道数变为64。特征通道数为64的特征经过上采样后，与图4所示CEF模块输出的相同分辨率特征图相加，得到通道数为32的特征；同理，特征通道数为32的特征经过上采样后，与CEF模块输出的相同分辨率特征图相加，得到通道数为16的特征；特征通道数为16的特征经过上采样后，与CEF模块输出的相同分辨率特征图相加，得到通道数为8的特征；特征通道数为8的特征经过上采样后，与CEF模块输出的相同分辨率特征图相加，得到通道数为4的特征。本实施例中，CEF模块为4个，对应上采样模块SU2~ SU5和FU2~ FU5。
（2）雷达回波中目标复数特征处理分支：复数域卷积处理分支
复数域卷积处理分支包括6个下采样模块FD1~FD6、6个上采样模块FU1~FU6、3个第二MIXUP模块FM1~FM3：
下采样模块FD3与上采样模块FD5的输出在第二MIXUP模块FM1中进行融合，融合结果作为上采样模块FU6的部分输入；
下采样模块FD4与上采样模块FD4的输出在第二MIXUP模块FM2中进行融合，融合结果作为上采样模块FU5的部分输入；
下采样模块FD5与上采样模块FD3的输出在第二MIXUP模块FM3中进行融合，融合结果作为上采样模块FU4的部分输入
可见，本分支编码阶段共计六个下采样操作，解码阶段共计六个上采样操作，从而保证输入与输出特征图具有相同的特征分辨率。与幅值特征处理分支不同的是，本分支所用卷积模块、归一化操作、激活函数与特征拼接、特征融合等操作均为复数域。
该分支的工作过程为：雷达复数回波预处理后，特征首先经过卷积核为3，步长为1，扩充数为1的复数卷积，然后进行复数归一化层与复数PRelu激活函数处理，产生通道数为8的复数特征。本分支用于降低分辨率同时扩张通道数的共有六个下采样操作，输入特征经过下采样处理后，分辨率变为处理前的二分之一，通道数扩张成处理前的二倍；经过六次复数下采样的特征经过核数为3的卷积、批量归一化操作与激活函数提取语义特征，然后利用上采样模块逐层增加分辨率，同时降低通道数。
图2可知，本分支输入特征经过三次下采样后得到通道数为64的特征图，通过图5所示MIXUP中的插值操作后，与解码过程中通道数为16的特征图进行自适应加权融合，保留更多的高分辨特征，再与解码过程中，经过上采样处理后的通道数为16的特征图特征相加，模块输出通道数为8的特征；同理，编码过程中通道数为128的特征图与解码过程中通道数为32的特征图共同输入MIXUP模块，经MIXUP模块运算后，与通道数为32的特征图经过上采样后相加，得到通道数为16的特征；编码过程中通道数为256的特征图与解码过程中通道数为64的特征图共同输入MIXUP模块，经MIXUP模块运算后，与通道数为64的特征图经过上采样后相加，得到通道数为32的特征。
经过六次下采样与复数卷积模块处理后，得到通道数为512的复数域目标特征。上采样操作使用核数为3的复数转置卷积、复数批归一化与复数PRelu激活函数。经过两次上采样后，特征通道数变为128。由于复数回波含有的轮廓特征较为清晰，特征通道数为128、64、32、16的复数特征继续使用复数上采样得到更高分辨率的特征向下传输，同时，本发明设计的特征提取网络架构还利用CEF模块将其用于相同特征分辨率的幅值特征边缘增强，本发明设计的双模态网络能够在实现多模态特征融合的同时，有效提升散焦补偿精度。
复数域卷积处理分支经过编码与解码提取特征后，输出通道数为8的特征，将其与幅值特征提取分支输出的，通道数为4的特征输入双模态特征融合模块，实现不同模态特征的自适应加权融合，得到散焦补偿后的高分辨特征图。
散焦补偿网络模型训练过程利用均方差损失进行梯度与权重更新，当损失函数迭代40次不再下降时停止训练，得到自监督预训练模型。训练所用超参数为：总迭代次数为160次，批训练量为80，学习率为0.005，使用Adam优化器优化训练。
图4示出了CEF模块的结构图。本模块分别输入雷达回波的幅值相位特征F K1与复数域信号特征F P1。CEF模块中，第一步先将F K1映射到复数域进行特征对齐，与F P1逐像素相加，后使用卷积核为3的复数卷积与转置卷积块进行特征融合与上采样，输出通道数为F P1二分之一的特征F P1’；第二步将F K1用卷积核为3的实数域转置卷积实现上采样，再与第一步操作输出的F P1’进行逐像素相加，输出融合后的多模态特征F U1。进一步地，CEF模块输出的多模态融合特征F U 与所述上采样模块SUp的输出进行对应像素相加，作为上采样模块SUp+1的输入。
图5示出了MIXUP模块的结构图。对雷达复数回波数据下采样的过程中，不可避免会丢失具有较高分辨率的浅层信息。散焦或噪声干扰情况下的浅层特征与标签真值具有较大的结构差异，若直接将受噪声影响较大的浅层信息与上采样过程中的特征图相连，可能引入较多噪声影响特征提取效果。针对上述问题，本发明提出了MIXUP模块用于深层特征与浅层特征的加权融合。
设编码阶段（下采样阶段）的特征图为F E ，解码阶段（上采样阶段）的特征图为F D 。MIXUP模块首先将F E 通过相应实数或复数域卷积操作等提取特征，再利用双线性插值将其调整成为与F D 具有相同分辨率与通道数的特征F E ’，再利用公式（1）、公式（2）实现特征间的自适应加权融合。
设初始化的权重因子为v，v经过sigmoid激活函数得到比例因子γ，在利用误差函数进行梯度更新的过程中，比例因子γ会向着生成与标签数据更贴近、特征更清晰的梯度方向更新。融合后的深层与浅层特征利用反置卷积实现进一步的特征融合与上采样。使用MIXUP模块实现特征增强过程中，比例因子与深浅层融合特征计算公式如公式（1）、公式（2）所示。
γ=sigmoid(v)（随梯度更新）（1）
F out =Up[(1-γ)*F E ’+γ*F D ] （2）
式中，v为初始化的权重因子，γ为可在网络训练过程中随损失函数进行梯度更新的比例因子；F out 为加权融合结果，Up表示利用反置卷积增大特征图分辨率，同时降低通道数；+表示逐像素相加。
图6示出了双模态特征融合模块的结构图。本模块输入分别为雷达回波的幅值相位特征F K2与复数域信号特征F P2。双模态特征融合模块首先利用sigmoid函数处理初始化的权重因子w，得到可在训练过程中，随损失函数进行梯度更新的比例因子λ，利用比例因子λ将两个分支分别提取出的特征进行逐像素相加，进一步，利用核数为1的卷积块与激活函数完成加权融合：
λ=sigmoid(w) （3）
F U2=(1-λ)* F K2+λ*real(F P2)+λ*imag(F P2) （4）
其中，real( )表示取实部，imag( )表示取虚部，+表示逐像素相加，F U2表示双模态特征融合模块的输出。
模型优化阶段总训练次数为100次，批训练量为50，学习率为0.005，使用Adam优化器优化训练。
本发明提出的散焦补偿方法测试流程图如图7。图8为仿真获取的空间目标雷达回波数据三维热力图，未进行散焦补偿的空间目标ISAR像如图9。在模型测试阶段，将测试集数据输入双模态网络，加载训练好的模型权重，输出散焦补偿结果。采用本发明方法对图9进行散焦补偿后的空间目标ISAR像如图10。未利用角度范围划分改善自监督散焦补偿后的训练效果如图11所示。实验结果表明，本发明提出的自监督散焦补偿数据集构建方法能够较好改善仅有少量标注样本情况下的散焦补偿效果。
本发明有效利用深度学习较强的数据分析与处理能力，通过对雷达回波特征分析与提取，有效融合复数与回波清晰的轮廓特征与实数域ISAR像较强的纹理特征，实现了较好的散焦补偿效果。
以上的具体实施例仅描述了本发明的设计原理，该描述中的部件形状，名称可以不同，不受限制。所以，本发明领域的技术人员可以对前述实施例记载的技术方案进行修改或等同替换；而这些修改和替换未脱离本发明创造宗旨和技术方案，均应属于本发明的保护范围。

Claims (10)

1.一种基于自监督学习的少样本空间目标ISAR散焦补偿方法，其特征在于，包括：
步骤一、获取不区分散焦和未散焦的雷达回波和ISAR雷达图像数据；
步骤二、针对雷达回波，通过聚类算法分成两类数据簇；计算两类数据簇的图像熵，将图像熵大的数据簇确定为散焦回波数据，图像熵小的数据簇确定为未散焦回波数据；
针对ISAR雷达图像数据，利用图像处理算法获得目标成像方位倾角；将目标成像方位倾角一致的散焦回波数据和未散焦回波数据组建成一个第一样本数据，未散焦回波数据作为伪标签；
步骤三、利用第一样本数据对构建的散焦补偿网络进行第一阶段的自监督训练，获得预训练模型；
步骤四、针对所需散焦补偿的卫星类型，获取该类型卫星的雷达回波，并给予散焦或未散焦的标签，构成有标注条件下的第二样本数据；对所述预训练模型进行第二阶段的有监督训练，获得训练好的散焦补偿网络；
步骤五、利用所述训练好的散焦补偿网络进行所述卫星类型的雷达回波的散焦补偿。
2.如权利要求1所述的散焦补偿方法，其特征在于，所述聚类算法为K均值算法；所述利用图像处理算法获得目标成像方位倾角为：利用Canny算子进行边缘检测和利用霍夫变换计算目标成像方位倾角。
3.如权利要求1所述的散焦补偿方法，其特征在于，所述散焦补偿网络包括实数域卷积处理分支、复数域卷积处理分支和融合单元；所述融合单元包括至少1个交叉增强融合模块、双模态特征融合模块、至少1个第一加权融合模块和至少1个第二加权融合模块；
所述实数域卷积处理分支，处理雷达回波的幅值相位特征；该分支包括针对实数的N层下采样模块SD1~SDN、第一语义特征提取模块和N层上采样模块SU1~SUN；其中，不同分辨率的下采样模块SDn与上采样模块SUm的输出在第一加权融合模块中进行融合，融合结果作为下一级上采样模块SUm+1的部分输入；n≠m，n和m的取值范围为1至N，N为大于或等于2的正整数；
所述复数域卷积处理分支，处理复数形式的雷达回波信号；该分支包括针对复数的N层下采样模块FD1~FDN、第二语义特征提取模块和N层上采样模块FU1~FUN；其中，不同分辨率的下采样模块FDn与上采样模块FDm的输出在第二加权融合模块中进行融合，融合结果作为下一级上采样模块FUm+1的部分输入；
交叉增强融合模块在上采样部分实现实数域卷积处理分支与复数域卷积处理分支所得特征图的融合，并反馈到实数域卷积处理分支；
双模态特征融合模块实现两个分支最后一级所提取特征的融合。
4.如权利要求3所述的散焦补偿方法，其特征在于，所述交叉增强融合模块为P个，P<N，对应P个连续的上采样模块；针对两个分支中相同分辨率的上采样模块SUp和FUp，一个交叉增强融合模块负责将SUp和FUp输出的特征图进行融合，融合特征与上采样模块SUp的输出结合后作为下一级上采样模块SUp+1的输入。
5.如权利要求4所述的散焦补偿方法，其特征在于，所述实数域卷积处理分支包括6个下采样模块SD1~SD6、6个上采样模块SU1~SU6、3个第一加权融合模块SM1~SM3：
下采样模块SD3与上采样模块SU5的输出在第一加权融合模块SM1中进行融合，融合结果作为上采样模块SU6的部分输入；
下采样模块SD4与上采样模块SU4的输出在第一加权融合模块SM2中进行融合，融合结果作为上采样模块SU5的部分输入；
下采样模块SD5与上采样模块SU3的输出在第一加权融合模块SM3中进行融合，融合结果作为上采样模块SU4的部分输入；
复数域卷积处理分支包括6个下采样模块FD1~FD6、6个上采样模块FU1~FU6、3个第二加权融合模块FM1~FM3：
下采样模块FD3与上采样模块FD5的输出在第二加权融合模块FM1中进行融合，融合结果作为上采样模块FU6的部分输入；
下采样模块FD4与上采样模块FD4的输出在第二加权融合模块FM2中进行融合，融合结果作为上采样模块FU5的部分输入；
下采样模块FD5与上采样模块FD3的输出在第二加权融合模块FM3中进行融合，融合结果作为上采样模块FU4的部分输入；
所述交叉增强融合模块为4个，对应上采样模块SU2~ SU5和FU2~ FU5。
6.如权利要求3~5任意一项所述的散焦补偿方法，其特征在于，在实数域卷积处理分支中：
所述下采样模块SD1~SDN的下采样处理，将输入特征图的尺度变为原来的二分之一，通道数扩张成处理前的二倍；
所述第一语义特征提取模块实现核为3的卷积、批量归一化操作与激活函数处理，以提取语义特征；
所述上采样模块SU1~SUN采用实数卷积上采样，逐层增加特征图的分辨率，同时降低通道数；
在复数域卷积处理分支中：
针对复数形式的雷达回波信号，首先经过卷积核为3、步长为1、扩充数为1的复数卷积，再进行复数归一化层与复数PRelu激活函数处理，得到复数特征图输入下采样模块FD1；
所述下采样模块FD1~FDN的下采样处理，将输入特征图的尺度变为处理前的二分之一，通道数扩张成处理前的二倍；
所述第二语义特征提取模块实现核为3的复数卷积、复数批量归一化操作与复数激活函数处理，以提取语义特征；
所述上采样模块FU1~FUN采用复数域卷积上采样，逐层增加特征图的分辨率，同时降低通道数。
7.如权利要求3~5任意一项所述的散焦补偿方法，其特征在于，所述交叉增强融合模块输入上采样模块SUp的幅值相位特征F K1与上采样模块FUp的复数域信号特征F P1；交叉增强融合模块中，先将幅值相位特征F K1映射到复数域进行特征对齐，与复数域信号特征F P1逐像素相加，后使用卷积核为3的复数卷积与转置卷积块进行特征融合与上采样，输出通道数为复数域信号特征F P1二分之一的特征F P1’；再将幅值相位特征F K1用卷积核为3的实数域转置卷积实现上采样，与所述特征F P1’进行逐像素相加，输出融合后的多模态融合特征F U1。
8.如权利要求3~5任意一项所述的散焦补偿方法，其特征在于，所述双模态特征融合模块输入分别为实数域卷积处理分支输出的幅值相位特征F K2与复数域卷积处理分支输出的复数域信号特征F P2；
双模态特征融合模块中，首先利用sigmoid函数处理初始化的权重因子w，得到可在训练过程中，随损失函数进行梯度更新的比例因子λ；按照公式I利用比例因子λ将两个分支分别提取出的特征进行逐像素相加，然后利用核数为1的卷积块与激活函数完成加权融合后输出；
F U2=(1-λ)* F K2+λ*real(F P2)+λ*imag(F P2) 公式I
其中，real( )表示取实部，imag( )表示取虚部，+表示逐像素相加，F U2表示双模态特征融合模块的输出。
9.如权利要求3~5任意一项所述的散焦补偿方法，其特征在于，所述第一加权融合模块和第二加权融合模块结构相同，第一加权融合模块采用实数域卷积完成特征运算，第二加权融合模块采用复数域卷积完成特征运算；
设下采样阶段的特征图为F E ，上采样阶段的特征图为F D ；第一加权融合模块和第二加权融合模块首先将特征图F E 通过相应实数或复数域操作提取特征，再利用双线性插值将提取的特征调整成为与特征图F D 具有相同分辨率与通道数的特征F E ’，再与F D 进行加权融合，输出融合结果F out 。
10.如权利要求9所述的散焦补偿方法，其特征在于，所述加权融合为：利用公式II、公式III实现特征间的自适应加权融合；
γ=sigmoid(v) 公式II
F out =Up[(1-γ)*F E ’+γ*F D ] 公式III
其中，v为初始化的权重因子，γ为可在网络训练过程中随损失函数进行梯度更新的比例因子；F out 为加权融合结果，Up表示利用反置卷积增大特征图分辨率，同时降低通道数；+表示逐像素相加。
CN202211250172.5A 2022-10-13 2022-10-13 基于自监督学习的少样本空间目标isar散焦补偿方法 Active CN115327544B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202211250172.5A CN115327544B (zh) 2022-10-13 2022-10-13 基于自监督学习的少样本空间目标isar散焦补偿方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202211250172.5A CN115327544B (zh) 2022-10-13 2022-10-13 基于自监督学习的少样本空间目标isar散焦补偿方法

Publications (2)

Publication Number Publication Date
CN115327544A CN115327544A (zh) 2022-11-11
CN115327544B true CN115327544B (zh) 2023-01-10

Family

ID=83914618

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202211250172.5A Active CN115327544B (zh) 2022-10-13 2022-10-13 基于自监督学习的少样本空间目标isar散焦补偿方法

Country Status (1)

Country Link
CN (1) CN115327544B (zh)

Families Citing this family (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116385319B (zh) * 2023-05-29 2023-08-15 中国人民解放军国防科技大学 一种基于场景认知的雷达图像相干斑滤波方法及装置

Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
EP2650695A1 (en) * 2012-08-02 2013-10-16 Institute of Electronics, Chinese Academy of Sciences Imaging method for synthetic aperture radar in high squint mode
CN114114260A (zh) * 2021-11-25 2022-03-01 哈尔滨工业大学 一种基于深度学习的机动目标isar自聚焦成像方法
CN114325707A (zh) * 2022-01-06 2022-04-12 中国人民解放军国防科技大学 基于深度展开网络的稀疏孔径微动目标isar成像方法

Patent Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
EP2650695A1 (en) * 2012-08-02 2013-10-16 Institute of Electronics, Chinese Academy of Sciences Imaging method for synthetic aperture radar in high squint mode
CN114114260A (zh) * 2021-11-25 2022-03-01 哈尔滨工业大学 一种基于深度学习的机动目标isar自聚焦成像方法
CN114325707A (zh) * 2022-01-06 2022-04-12 中国人民解放军国防科技大学 基于深度展开网络的稀疏孔径微动目标isar成像方法

Non-Patent Citations (4)

* Cited by examiner, † Cited by third party
Title
Analysis of MTRC compensation algorithm in ISAR;Guangyue Lu 等;《Proceedings of the 1999 IEEE Radar Conference. Radar into the Next Millennium (Cat. No.99CH36249)》;19990422;全文 *
MTRC Compensation for Sparse Aperture ISAR Imaging;Tao Hong 等;《2020 International Conference on Wireless Communications and Smart Grid (ICWCSG)》;20200614;全文 *
双基地ISAR稀疏孔径机动目标MTRC补偿成像算法研究;朱瀚神 等;《***工程与电子技术》;20220614;全文 *
干涉逆合成孔径雷达三维成像算法研究;荣加加;《中国博士学位论文全文数据库信息科技辑》;20220215(第02期);全文 *

Also Published As

Publication number Publication date
CN115327544A (zh) 2022-11-11

Similar Documents

Publication Publication Date Title
CN110135366B (zh) 基于多尺度生成对抗网络的遮挡行人重识别方法
CN108647585B (zh) 一种基于多尺度循环注意力网络的交通标识符检测方法
CN110781924B (zh) 一种基于全卷积神经网络的侧扫声纳图像特征提取方法
CN110969088B (zh) 一种基于显著性检测与深度孪生神经网络的遥感影像变化检测方法
CN110728658A (zh) 一种基于深度学习的高分辨率遥感影像弱目标检测方法
CN111368769B (zh) 基于改进锚点框生成模型的船舶多目标检测方法
CN113780296A (zh) 基于多尺度信息融合的遥感图像语义分割方法及***
CN113763442A (zh) 一种可变形医学图像配准方法及***
CN116665176B (zh) 一种面向车辆自动驾驶的多任务网络道路目标检测方法
CN112990334A (zh) 基于改进原型网络的小样本sar图像目标识别方法
CN116342894B (zh) 基于改进YOLOv5的GIS红外特征识别***及方法
CN112215199B (zh) 基于多感受野与密集特征聚合网络的sar图像舰船检测方法
CN115327544B (zh) 基于自监督学习的少样本空间目标isar散焦补偿方法
CN114119621A (zh) 基于深度编解码融合网络的sar遥感图像水域分割方法
CN111126494A (zh) 基于各向异性卷积的图像分类方法及***
CN115471754A (zh) 一种基于多维多尺度U-net网络的遥感图像道路提取方法
Zhang et al. Application of deep generative networks for SAR/ISAR: a review
CN112330562B (zh) 一种异构遥感图像变换方法及***
CN115236606B (zh) 雷达信号特征提取方法和复数域卷积网络***
CN117471457A (zh) 基于深度展开复网络的稀疏sar学习成像方法、装置及介质
CN110414494B (zh) 带有aspp反卷积网络的sar图像分类方法
CN117151983A (zh) 一种基于小波启发和高频增强的图像全色锐化方法
CN117152601A (zh) 一种基于动态感知区域路由的水下目标检测方法及***
CN117197456A (zh) 一种面向he染色的病理图像细胞核同时分割分类方法
CN116977747A (zh) 基于多路多尺度特征孪生网络的小样本高光谱分类方法

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