CN112712102A - 可同时识别已知和未知雷达辐射源个体的识别仪 - Google Patents
可同时识别已知和未知雷达辐射源个体的识别仪 Download PDFInfo
- Publication number
- CN112712102A CN112712102A CN202011271346.7A CN202011271346A CN112712102A CN 112712102 A CN112712102 A CN 112712102A CN 202011271346 A CN202011271346 A CN 202011271346A CN 112712102 A CN112712102 A CN 112712102A
- Authority
- CN
- China
- Prior art keywords
- radiation source
- radar radiation
- data
- loss
- identification
- 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
Links
- 230000005855 radiation Effects 0.000 title claims abstract description 131
- 238000012549 training Methods 0.000 claims abstract description 33
- 238000000034 method Methods 0.000 claims abstract description 17
- 238000007781 pre-processing Methods 0.000 claims abstract description 11
- 230000006870 function Effects 0.000 claims description 21
- 238000012545 processing Methods 0.000 claims description 15
- 238000012360 testing method Methods 0.000 claims description 9
- 239000011159 matrix material Substances 0.000 claims description 6
- 238000013135 deep learning Methods 0.000 claims description 4
- 238000011176 pooling Methods 0.000 claims description 3
- 230000007547 defect Effects 0.000 abstract 1
- 238000011161 development Methods 0.000 description 2
- 238000011160 research Methods 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000000903 blocking effect Effects 0.000 description 1
- 230000019771 cognition Effects 0.000 description 1
- 238000000605 extraction Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000010606 normalization Methods 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
-
- 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
Abstract
本发明公开了一种可同时识别已知和未知雷达辐射源个体的识别仪,包括雷达信号接收器、数据库、可同时识别已知和未知雷达辐射源个体的识别功能模块以及结果显示模块。可同时识别已知和未知雷达辐射源个体的识别功能模块包括数据预处理模块、雷达辐射源个体识别网络结构模块、雷达辐射源个体识别模型训练模块以及雷达辐射源个体识别辨识模块。本发明克服了目前已有的雷达辐射源识别方法仅能识别已知类别的不足,首次实现了可同时识别已知和未知雷达辐射源个体类别,对于解决新形势下雷达辐射源个体类别层出不穷和数据库几乎不可能涵盖所有雷达辐射源个体类别之间的矛盾具有重大意义。
Description
技术领域
本发明涉及雷达辐射源信号识别领域、深度学习特征提取领域,尤其涉及一种可同时识别已知和未知雷达辐射源个体的识别仪。
背景技术
雷达辐射源个体识别技术是电子信息研究领域的重要研究内容,其技术水平对整个雷达对策系统的发展起着至关重要的作用。雷达辐射源个体识别是指通过特殊接收器截取目标辐射源信号,提取特征参数,然后对雷达辐射源个体的类型进行识别。随着现代雷达技术的飞速发展,电磁环境变得越来越复杂和高度交错,并且信号强度很高,每秒达到数百万个脉冲。一方面,高度复杂的电磁环境给有效识别雷达辐射源个体带来了诸多困难;另一方面,雷达目标个体种类众多,几乎不可能构建包含所有类别的雷达目标数据库,而对于没有在数据库中出现过的未知雷达目标类别,由于缺少数据来源、认知不足等原因,现有的方法均无法对其进行识别分类。
传统雷达辐射源个体识别方法存在以下问题:仅能对在训练集中出现过的雷达辐射源个体类别,即已知雷达辐射源个体类别,进行识别分类,且识别精度不高;对于在训练集中没有出现过的雷达辐射源类别,即未知雷达辐射源个体类别,则根本无法识别。
发明内容
针对目前已知雷达辐射源个体识别精度低,且根本无法完成对于未知雷达辐射源个体识别的问题,本发明提供了一种可同时识别已知和未知雷达辐射源个体的识别仪,本发明能够高精度地同时识别已知和未知雷达辐射源个体类别,对于实现复杂电磁环境下的已知和未知雷达辐射源个体识别模型的快速设计和精准识别具有十分重大的意义。
本发明的目的是通过以下技术方案实现的:一种可同时识别已知和未知雷达辐射源个体的识别仪,包括雷达信号接收器、数据库、可同时识别已知和未知雷达辐射源个体的识别功能模块以及结果显示模块。所述雷达信号接收器对雷达辐射源个体数据进行采集,并将数据储存到所述的数据库中,数据库中包含历史雷达辐射源个体数据为可同时识别已知和未知雷达辐射源个体的识别功能模块提供数据支持。可同时识别已知和未知雷达辐射源个体的识别功能模块识别得到的结果将通过结果显示模块输出显示。所述的可同时识别已知和未知雷达辐射源个体的识别功能模块,包括数据预处理模块、雷达辐射源个体识别网络结构模块、雷达辐射源个体识别模型训练模块以及雷达辐射源个体识别辨识模块。
数据预处理模块,用以对雷达辐射源个体数据进行预处理,采用如下过程完成:
(1.1)从数据库中采集n个雷达辐射源个体数据样本对(X,Y),Y为X=(x1,x2,…,xd)所对应的标签,d为一个雷达辐射源个体数据的特征维度。
其中mean(X)表示对X=(x1,x2,…,xd)按每个特征维度取平均值,std(X)表示对X=(x1,x2,…,xd)按每个特征维度取标准差。
(1.3)再继续将数据进行处理,得到统一到[0,1]区间的数据X*:
(1.5)将得到的类图像在通道方向上复制2次,得到三通道类图像,将图像缩放到224×224大小,这样得到最终雷达类图像矩阵的形状为224×224×3。
雷达辐射源个体识别网络结构模块,用于提取雷达个体的特征,以进行后续的识别分类,有如下几个重要部分构成:
(2.1)经过深度学习经典的Resnet网络提取雷达类图像的深度特征,得到特征图。然后经过全局平均池化,得到全局特征f。
(2.2)为了提高聚类特性,利用全局特征f计算三元组损失lossTri和中心聚类损失lossCenter。
(2.3)将全局特征f经过批标准化处理得到平滑特征fi,fi经过全连接层和真实分类标签计算分类损失lossCE。
雷达辐射源个体识别模型训练模块,对上述雷达辐射源个体识别网络在雷达个体辐射源数据集上进行训练,采用如下过程完成:
(3.1)使用损失函数对网络继续训练:
其中i=1,2,…,N代表不同的类别,C代表类别数,pi代表预测成i的概率,y代表预测值。
最终的损失函数Loss为分类损失lossCE、三元组损失lossTri和中心聚类损失lossCenter的加权和:
Loss=λ1lossCE+λ2lossTri+λ3lossCenter (5)
其中的λ1,λ2,λ3是网络自动学习的参数。
(3.2)采用的学习率LR:
其中lr为基础学习率,epoch为当前训练轮次。
(3.3)在训练至损失函数值Loss收敛时,选取最优网络参数,得到可同时识别已知和未知雷达辐射源个体的最优模型Fopt。
雷达辐射源个体识别辨识模块,用以对新采集得到的雷达辐射源个体数据进行分类辨识。采用如下过程完成:
(4.1)新采集到的雷达辐射源个体数据样本Xt=(x′1,x′2,…,x′d),d为雷达辐射源个体数据的特征维度。其中包含训练集中出现过的雷达辐射源类别,即已知雷达辐射源类别,也包含训练集中没有出现过的新的雷达辐射源类别,即未知雷达辐射源类别。
其中,mean(Xt)表示对Xt=(x′1,x′2,…,x′d)按每个特征维度取平均值,std(Xt)表示对Xt=(x′1,x′2,…,x′d)按每个特征维度取标准差。
(4.6)将预处理后的数据作为预测输入,经过可同时识别已知和未知雷达辐射源个体的最优模型Fopt,得到批标准化处理后的平滑特征fi,计算测试样本的fi和已知训练样本的fi之间的余弦距离,卡阈值判定测试样本是否是未知雷达辐射源个体。若距离大于阈值则将预测样本判为未知类别,若距离小于阈值则选择与其距离最近的训练样本标签作为预测的类别。
雷达辐射源个体识别辨识模块得到的结果将通过结果显示模块输出显示。
本发明的技术构思为:本发明对采集到的雷达辐射源个体数据进行预处理,并设计了可同时识别已知和未知雷达辐射源个体的识别网络,让网络提取到了具有鉴别力的特征,并通过计算特征之间的余弦距离,卡阈值判断测试样本是否为未知类别,对于小于阈值的测试样本选择与其距离最近的训练样本标签作为预测的类别,实现了同时对已知和未知雷达辐射源个体进行识别。
本发明的有益效果主要表现在:考虑到真实环境中雷达辐射源个体类别总是层出不穷,几乎不可能构建包含所有雷达辐射源个体类别的目标数据库,第一次创新性地同时解决了已知和未知雷达辐射源个体的识别问题。
具体实施方式
发明的目的是通过以下技术方案实现的:可同时识别已知和未知雷达辐射源个体的识别仪,包括雷达信号接收器、数据库、可同时识别已知和未知雷达辐射源个体的识别功能模块以及结果显示模块。所述雷达信号接收器对雷达辐射源个体数据进行采集,并将数据储存到所述的数据库中,数据库中包含历史雷达辐射源个体数据为可同时识别已知和未知雷达辐射源个体的识别功能模块提供数据支持。可同时识别已知和未知雷达辐射源个体的识别功能模块识别得到的结果将通过结果显示模块输出显示。所述的可同时识别已知和未知雷达辐射源个体的识别功能模块,包括数据预处理模块、雷达辐射源个体识别网络结构模块、雷达辐射源个体识别模型训练模块以及雷达辐射源个体识别辨识模块。
数据预处理模块,用以对雷达辐射源个体数据进行预处理,采用如下过程完成:
(1.1)从数据库中采集n个雷达辐射源个体数据样本对(X,Y),Y为X=(x1,x2,…,xd)所对应的标签,d为一个雷达辐射源个体数据的特征维度。
其中mean(X)表示对X=(x1,x2,…,xd)按每个特征维度取平均值,std(X)表示对X=(x1,x2,…,xd)按每个特征维度取标准差。
(1.3)再继续将数据进行处理,得到统一到[0,1]区间的数据X*:
(1.5)将得到的类图像在通道方向上复制2次,得到三通道类图像,将图像缩放到224×224大小,这样得到最终雷达类图像矩阵的形状为224×224×3。
雷达辐射源个体识别网络结构模块,用于提取雷达辐射源个体的特征,以进行后续的识别分类,有如下几个重要部分构成:
(2.1)经过深度学习经典的Resnet网络提取雷达类图像的深度特征,得到特征图。然后经过全局平均池化,得到全局特征f。
(2.2)为了提高聚类特性,利用全局特征f计算三元组损失lossTri和中心聚类损失lossCenter。
(2.3)将全局特征f经过批标准化处理得到平滑特征fi,fi经过全连接层和真实分类标签计算分类损失lossCE。这里之所以要通过批标准化处理得到平滑特征fi来计算分类损失,是因为分类损失强调的是角度距离,而三元组损失和中心聚类损失强调的是欧式距离,它们的优化过程会相互影响,如果使用同一特征来计算三种损失,则得不到最优的结果。
雷达辐射源个体识别模型训练模块,对上述雷达辐射源个体识别网络在雷达辐射源个体数据集上进行训练,采用如下过程完成:
(3.1)使用损失函数对网络继续训练:
其中i=1,2,…,N代表不同的类别,C代表类别数,pi代表预测成i的概率,y代表预测值。
最终的损失函数Loss为分类损失lossCE、三元组损失lossTri和中心聚类损失lossCenter的加权和:
Loss=λ1lossCE+λ2lossTri+λ3lossCenter (5)
其中的λ1,λ2,λ3是网络自动学习的参数。
(3.2)采用的学习率LR:
其中lr为基础学习率,epoch为当前训练轮次。
(3.3)在训练至损失函数值Loss收敛时,选取最优网络参数,得到可同时识别已知和未知雷达辐射源个体的最优模型Fopt。
雷达辐射源个体识别辨识模块,用以对新采集得到的雷达辐射源个体数据进行分类辨识。采用如下过程完成:
(4.1)新采集到的雷达辐射源个体数据样本Xt=(x′1,x′2,…,x′d),d为雷达辐射源个体数据的特征维度。其中包含训练集中出现过的雷达辐射源类别,即已知雷达辐射源类别,也包含训练集中没有出现过的新的雷达辐射源类别,即未知雷达辐射源类别。
其中,mean(Xt)表示对Xt=(x′1,x′2,…,x′d)按每个特征维度取平均值,std(Xt)表示对Xt=(x′1,x′2,…,x′d)按每个特征维度取标准差。
(4.6)将预处理后的数据作为预测输入,经过可同时识别已知和未知雷达辐射源个体的最优模型Fopt,得到批标准化处理后的平滑特征fi,计算测试样本的fi和已知训练样本的fi之间的余弦距离,卡阈值判定测试样本是否是未知雷达辐射源个体。若距离大于阈值则将预测样本判为未知类别,若距离小于阈值则选择与其距离最近的训练样本标签作为预测的类别。
雷达辐射源个体识别辨识模块得到的结果将通过结果显示模块输出显示。
上述实施例用来解释说明本发明,而不是对本发明进行限制,在本发明的精神和权利要求的保护范围内,对本发明作出的任何修改和改变,都落入本发明的保护范围。
Claims (5)
1.一种可同时识别已知和未知雷达辐射源个体的识别仪,包括雷达信号接收器、数据库、可同时识别已知和未知雷达辐射源个体的识别功能模块以及结果显示模块。所述雷达信号接收器对雷达辐射源个体数据进行采集,并将数据储存到所述的数据库中,数据库中包含历史雷达辐射源个体数据为可同时识别已知和未知雷达辐射源个体的识别功能模块提供数据支持。可同时识别已知和未知雷达辐射源个体的识别功能模块识别得到的结果,将通过结果显示模块输出显示。所述的可同时识别已知和未知雷达辐射源个体的识别功能模块,包括数据预处理模块、雷达辐射源个体识别网络结构模块、雷达辐射源个体识别模型训练模块以及雷达辐射源个体识别辨识模块。所述数据预处理模块对雷达辐射源个体数据进行预处理,雷达辐射源个体识别网络结构模块,用于提取雷达辐射源个体的特征,以进行后续的识别分类,雷达辐射源个体识别模型训练模块对雷达辐射源个体识别网络在雷达辐射源个体数据集上进行训练,雷达辐射源个体识别辨识模块对新采集得到的雷达辐射源个体数据进行分类辨识。
2.根据权利要求1所述可同时识别已知和未知雷达辐射源个体的识别仪,其特征在于,所述数据预处理模块,用以对雷达辐射源个体数据进行预处理,采用如下过程完成:
(1.1)从数据库中采集n个雷达辐射源个体数据样本对(X,Y),Y为X=(x1,x2,…,xd)所对应的标签,d为一个雷达辐射源个体数据的特征维度。
其中mean(X)表示对X=(x1,x2,…,xd)按每个特征维度取平均值,std(X)表示对X=(x1,x2,…,xd)按每个特征维度取标准差。
(1.3)再继续将数据进行处理,得到统一到[0,1]区间的数据X*:
(1.5)将得到的类图像在通道方向上复制2次,得到三通道类图像,将图像缩放到224×224大小,这样得到最终雷达类图像矩阵的形状为224×224×3。
3.根据权利要求1所述可同时识别已知和未知雷达辐射源个体的识别仪,其特征在于,所述雷达辐射源个体识别网络结构模块,用于提取雷达辐射源个体的特征,以进行后续的识别分类,有如下几个重要部分构成:
(2.1)经过深度学习经典的Resnet网络提取雷达类图像的深度特征,得到特征图。然后经过全局平均池化,得到全局特征f。
(2.2)为了提高聚类特性,利用全局特征f计算三元组损失lossTri和中心聚类损失lossCenter。
(2.3)将全局特征f经过批标准化处理得到平滑特征fi,fi经过全连接层和真实分类标签计算分类损失lossCE。
4.根据权利要求1所述可同时识别已知和未知雷达辐射源个体的识别仪,其特征在于,所述雷达辐射源个体识别模型训练模块,对上述雷达辐射源个体识别网络在雷达辐射源个体数据集上进行训练,采用如下过程完成:
(3.1)使用损失函数对网络继续训练:
其中i=1,2,…,N代表不同的类别,C代表类别数,pi代表预测成i的概率,y代表预测值。
最终的损失函数Loss为分类损失lossCE、三元组损失lossTri和中心聚类损失lossCenter的加权和:
Loss=λ1lossCE+λ2lossTri+λ3lossCenter (5)
其中的λ1,λ2,λ3是网络自动学习的参数。
(3.2)采用的学习率LR:
其中lr为基础学习率,epoch为当前训练轮次。
(3.3)在训练至损失函数值Loss收敛时,选取最优网络参数,得到可同时识别已知和未知雷达辐射源个体的最优模型Fopt。
5.根据权利要求1所述可同时识别已知和未知雷达辐射源个体的识别仪,其特征在于,所述雷达辐射源个体识别辨识模块,用以对新采集得到的雷达辐射源个体数据进行分类辨识。采用如下过程完成:
(4.1)新采集到的雷达辐射源个体数据样本Xt=(x′1,x′2,…,x′d),d为雷达辐射源个体数据的特征维度。其中包含训练集中出现过的雷达辐射源类别,即已知雷达辐射源类别,也包含训练集中没有出现过的新的雷达辐射源类别,即未知雷达辐射源类别。
其中,mean(Xt)表示对Xt=(x′1,x′2,…,x′d)按每个特征维度取平均值,std(Xt)表示对Xt=(x′1,x′2,…,x′d)按每个特征维度取标准差。
(4.6)将预处理后的数据作为预测输入,经过可同时识别已知和未知雷达辐射源个体的最优模型Fopt,得到批标准化处理后的平滑特征fi,计算测试样本的fi和已知训练样本的fi之间的余弦距离,卡阈值判定测试样本是否是未知雷达辐射源个体。若距离大于阈值则将预测样本判为未知类别,若距离小于阈值则选择与其距离最近的训练样本标签作为预测的类别。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011271346.7A CN112712102A (zh) | 2020-11-13 | 2020-11-13 | 可同时识别已知和未知雷达辐射源个体的识别仪 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011271346.7A CN112712102A (zh) | 2020-11-13 | 2020-11-13 | 可同时识别已知和未知雷达辐射源个体的识别仪 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN112712102A true CN112712102A (zh) | 2021-04-27 |
Family
ID=75543208
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202011271346.7A Pending CN112712102A (zh) | 2020-11-13 | 2020-11-13 | 可同时识别已知和未知雷达辐射源个体的识别仪 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112712102A (zh) |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111582320A (zh) * | 2020-04-17 | 2020-08-25 | 电子科技大学 | 一种基于半监督学习的动态个体识别方法 |
CN114707549A (zh) * | 2022-04-02 | 2022-07-05 | 中国人民解放军战略支援部队航天工程大学 | 一种辐射源电磁频谱指纹特征标定及提取方法 |
CN117271969A (zh) * | 2023-09-28 | 2023-12-22 | 中国人民解放军国防科技大学 | 辐射源个体指纹特征在线学习方法、系统、设备及介质 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109977747A (zh) * | 2019-01-08 | 2019-07-05 | 浙江大学 | 一种综合时空特征的煤矸识别系统 |
CN111123232A (zh) * | 2019-11-11 | 2020-05-08 | 浙江大学 | 一种具有任务适应性的雷达个体识别系统 |
CN111582320A (zh) * | 2020-04-17 | 2020-08-25 | 电子科技大学 | 一种基于半监督学习的动态个体识别方法 |
CN111913156A (zh) * | 2020-08-05 | 2020-11-10 | 电子科技大学 | 基于深度学习模型与特征联合的雷达辐射源个体识别方法 |
-
2020
- 2020-11-13 CN CN202011271346.7A patent/CN112712102A/zh active Pending
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109977747A (zh) * | 2019-01-08 | 2019-07-05 | 浙江大学 | 一种综合时空特征的煤矸识别系统 |
CN111123232A (zh) * | 2019-11-11 | 2020-05-08 | 浙江大学 | 一种具有任务适应性的雷达个体识别系统 |
CN111582320A (zh) * | 2020-04-17 | 2020-08-25 | 电子科技大学 | 一种基于半监督学习的动态个体识别方法 |
CN111913156A (zh) * | 2020-08-05 | 2020-11-10 | 电子科技大学 | 基于深度学习模型与特征联合的雷达辐射源个体识别方法 |
Non-Patent Citations (1)
Title |
---|
古有志: "《基于深度学习的雷达辐射源个体识别技术研究》", 《万方学位数据库》 * |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111582320A (zh) * | 2020-04-17 | 2020-08-25 | 电子科技大学 | 一种基于半监督学习的动态个体识别方法 |
CN111582320B (zh) * | 2020-04-17 | 2022-10-14 | 电子科技大学 | 一种基于半监督学习的动态个体识别方法 |
CN114707549A (zh) * | 2022-04-02 | 2022-07-05 | 中国人民解放军战略支援部队航天工程大学 | 一种辐射源电磁频谱指纹特征标定及提取方法 |
CN117271969A (zh) * | 2023-09-28 | 2023-12-22 | 中国人民解放军国防科技大学 | 辐射源个体指纹特征在线学习方法、系统、设备及介质 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN112418117B (zh) | 一种基于无人机图像的小目标检测方法 | |
CN112712102A (zh) | 可同时识别已知和未知雷达辐射源个体的识别仪 | |
CN110348384B (zh) | 一种基于特征融合的小目标车辆属性识别方法 | |
CN112016605B (zh) | 一种基于边界框角点对齐和边界匹配的目标检测方法 | |
CN113705446B (zh) | 一种面向辐射源个体的开集识别方法 | |
CN114898327B (zh) | 一种基于轻量化深度学习网络的车辆检测方法 | |
CN110659601B (zh) | 基于中心点的深度全卷积网络遥感图像密集车辆检测方法 | |
CN101763514A (zh) | 基于特征重要度排序谱聚类的图像分割方法 | |
CN112926403A (zh) | 基于层次聚类与困难样本三元组的无监督行人重识别方法 | |
CN115311502A (zh) | 基于多尺度双流架构的遥感图像小样本场景分类方法 | |
CN115359264A (zh) | 一种密集型分布的粘连细胞深度学习识别方法 | |
CN111242028A (zh) | 基于U-Net的遥感图像地物分割方法 | |
CN114596546A (zh) | 车辆重识别方法、装置及计算机、可读存储介质 | |
CN113486917A (zh) | 一种基于度量学习的雷达hrrp小样本目标识别方法 | |
CN111832463A (zh) | 一种基于深度学习的交通标志检测方法 | |
CN116385957A (zh) | 一种x光图像违禁品检测方法、装置、设备及介质 | |
CN110738194A (zh) | 一种基于点云有序编码的三维物体识别方法 | |
CN114821335B (zh) | 基于深度特征与线性判别特征融合的未知目标判别方法 | |
CN116343016A (zh) | 一种基于轻量型卷积网络的多角度声呐图像目标分类方法 | |
CN113095265B (zh) | 基于特征融合和注意力的真菌目标检测方法 | |
CN114627424A (zh) | 一种基于视角转化的步态识别方法和系统 | |
CN113780335A (zh) | 一种小样本商品图像分类方法、装置、设备及存储介质 | |
CN112711978A (zh) | 高置信度快速雷达辐射源个体识别仪 | |
CN112014821A (zh) | 一种基于雷达宽带特征的未知车辆目标识别方法 | |
CN112711977A (zh) | 一种简捷的雷达辐射源个体高精度深度识别仪 |
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 | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20210427 |
|
RJ01 | Rejection of invention patent application after publication |