CN112816982A - 一种雷达目标检测方法 - Google Patents
一种雷达目标检测方法 Download PDFInfo
- Publication number
- CN112816982A CN112816982A CN202011641433.7A CN202011641433A CN112816982A CN 112816982 A CN112816982 A CN 112816982A CN 202011641433 A CN202011641433 A CN 202011641433A CN 112816982 A CN112816982 A CN 112816982A
- Authority
- CN
- China
- Prior art keywords
- radar
- channel
- phase diagram
- target
- echo
- 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
- 238000001514 detection method Methods 0.000 title claims abstract description 45
- 238000010587 phase diagram Methods 0.000 claims abstract description 58
- 238000012549 training Methods 0.000 claims abstract description 44
- 238000000034 method Methods 0.000 claims abstract description 33
- 238000012545 processing Methods 0.000 claims abstract description 13
- 238000013507 mapping Methods 0.000 claims abstract description 4
- 238000007781 pre-processing Methods 0.000 claims description 12
- 230000008569 process Effects 0.000 claims description 8
- 238000012937 correction Methods 0.000 claims description 7
- 238000002372 labelling Methods 0.000 claims description 7
- 238000002592 echocardiography Methods 0.000 claims description 5
- 230000035485 pulse pressure Effects 0.000 claims description 5
- 239000013589 supplement Substances 0.000 abstract description 2
- 238000013526 transfer learning Methods 0.000 abstract description 2
- 238000010586 diagram Methods 0.000 description 9
- 238000013135 deep learning Methods 0.000 description 5
- 238000005516 engineering process Methods 0.000 description 5
- 238000013528 artificial neural network Methods 0.000 description 4
- 238000013473 artificial intelligence Methods 0.000 description 3
- 238000009795 derivation Methods 0.000 description 3
- 238000012360 testing method Methods 0.000 description 3
- 230000015572 biosynthetic process Effects 0.000 description 2
- 230000001427 coherent effect Effects 0.000 description 2
- 239000003086 colorant Substances 0.000 description 2
- 238000011160 research Methods 0.000 description 2
- 238000009825 accumulation Methods 0.000 description 1
- 230000006835 compression Effects 0.000 description 1
- 238000007906 compression Methods 0.000 description 1
- 238000013527 convolutional neural network Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000000605 extraction Methods 0.000 description 1
- 230000006870 function Effects 0.000 description 1
- 238000003384 imaging method Methods 0.000 description 1
- 230000002452 interceptive effect Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 239000000047 product Substances 0.000 description 1
- 230000001629 suppression Effects 0.000 description 1
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
-
- 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
-
- 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)
- Physics & Mathematics (AREA)
- Remote Sensing (AREA)
- Theoretical Computer Science (AREA)
- Radar, Positioning & Navigation (AREA)
- General Physics & Mathematics (AREA)
- General Health & Medical Sciences (AREA)
- Mathematical Physics (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- Biophysics (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- Biomedical Technology (AREA)
- Computational Linguistics (AREA)
- Software Systems (AREA)
- Artificial Intelligence (AREA)
- Life Sciences & Earth Sciences (AREA)
- Health & Medical Sciences (AREA)
- Electromagnetism (AREA)
- Computer Networks & Wireless Communication (AREA)
- Radar Systems Or Details Thereof (AREA)
Abstract
本发明提供了一种雷达目标检测方法,包括生成训练样本:所述训练样本包括多张样本图片,每张样本图片为标注后的雷达通道幅相图,所述雷达通道幅相图由单帧雷达回波映射形成;使用训练样本对模型进行训练,生成训练模型;对雷达数据进行处理,生成待检测图片;输入待检测图片到训练模型,通过训练模型检测出目标位置和目标分类。本发明可同步不断地补充训练样本,通过迁移学习在训练好的模型上进行新样本的训练,实现模型的不断迭代更新,从而能不断地提升雷达的目标检测能力。
Description
技术领域
本发明属于雷达信号处理技术领域,涉及一种雷达目标检测方法。
背景技术
目标检测技术,是雷达信号处理中最为关键的技术之一。目标检测性能的优劣对雷达的探测威力有着较大的影响。传统雷达信号处理过程,主要包括脉冲压缩(DPC)、动目标显示(MTI)、通道校正、波束形成(DBF)、相参或非相参积累、恒虚警处理(CFAR)这几部分。CFAR检测是目前常用的雷达目标检测技术,主要包括单元平均CA CFAR、有序统计OS CFAR以及ML类CFAR等。其主要的特点在于:研究学者通过建立杂波模型,基于模型假设进行公式推导,力争推导最逼近客观实际的物理模型,根据推导结果进行目标检测;而模型的优劣及适应性,取决于设计人员的主观认识,而实际的回波分布也不一定服从推导的模型。
近年来,随着深度学习的快速发展,一些专家学者开展了基于深度学习、神经网络的雷达目标检测与识别的相关研究:基于深度学习网络的雷达目标识别方法(专利公开号:CN104459668A)主要解决现有技术在对雷达高分辨距离像识别时,识别率较低,鲁棒性较差的问题,即利用神经网络解决目标识别问题。一种基于深度学习的雷达回波信号目标识别方法(专利公开号:CN108229404A)主要解决传统基于SAR图像目标识别方法需要成像预处理的问题,将卷积神经网络方法应用于原始雷达回波数据,具有识别准确率高,抗噪声性能好的优势,并且更具高效性与实用性。该发明也是用于目标的识别,而非目标检测,不能解算出目标位置,对目标进行有效的定位。
发明内容
为解决现有技术存在的难题,本发明提供了一种雷达目标检测方法,包括以下步骤:
生成训练样本:所述训练样本包括多张样本图片,每张样本图片为标注后的雷达通道幅相图,所述雷达通道幅相图由单帧雷达回波映射形成;
使用训练样本对模型进行训练,生成训练模型;
对雷达数据进行处理,生成待检测图片;
输入待检测图片到训练模型,通过训练模型检测出目标位置和目标分类;
所述雷达通道幅相图的形成过程具体为:
获取原始的雷达回波的数据,通过脉压、动目标显示和通道校正后,形成了雷达若干通道的预处理数据,每个通道的预处理数据包含了若干通道脉冲,每个通道脉冲在不同距离门上都有相应的回波信息;
将多个通道的多个脉冲依次排开,形成通道脉冲为横坐标,纵坐标为距离门的坐标系;
根据通道脉冲在不同距离门上的雷达回波和所述坐标系,确定所形成图片的R通道、G通道和B通道,所形成图片为雷达通道幅相图;根据雷达回波的回波强度确定雷达通道幅相图的R通道和B通道,根据雷达回波的信号相位确定雷达通道幅相图的G通道。
进一步地,确定所形成图片的R通道、G通道和B通道的具体过程为:
设雷达通道幅相图上的点对应的雷达回波为Q,Q=[q1,q2,…,qn,…,qN],N∈X·Y,其中,X表示通道脉冲,Y表示距离门,N表示雷达通道幅相图上的点的总个数,qn表示雷达通道幅相图上第n个点的雷达回波,qn=sn+tni,sn表示第n个点的雷达回波的实部,tn表示第n个点的雷达回波的虚部;
设雷达通道幅相图上的点对应的雷达回波的回波强度为F,F=[f1,f2,…,fn,…,fN],N∈X·Y,fn=20lg(qn),fn表示雷达通道幅相图上的第n个点的雷达回波的回波强度;所以确定雷达通道幅相图的R通道、G通道和B通道的公式具体为:
进一步地,所述生成待检测图片的具体方法与样本训练阶段的雷达通道幅相图的形成方法相同。
进一步地,所述对雷达通道幅相图进行标注的内容包括目标位置和目标类别。
进一步地,所述标注的方法为:根据所采集的原始的雷达回波和目标的GPS数据对目标进行标注、根据CFAR检测结果对目标进行标注或通过人工对目标进行标注。
与现有技术相比,本发明具有如下技术效果:
1、兼容性好,能够替代传统算法:本发明能够兼容现有雷达处理架构,可替代现有处理算法,实现雷达的人工智能处理能力。
2、具备进化能力:本发明可同步不断地补充训练样本,通过迁移学习在训练好的模型上进行新样本的训练,实现模型的不断迭代更新,从而能不断地提升雷达的目标检测能力。另外,还可以设计自学习逻辑,实现雷达的自主进化。
3、目标被检概率高:本发明采用了单个波位的雷达回波(单帧雷达回波),实现了目标检测,真实目标回波在雷达通道幅相图上占据了较大的区域,提高了被检出概率。
4、虚警率低:本发明是基于深度学习的一种雷达目标检测方法,当增加虚警样本时,可提升系统的虚警抑制效果,从而降低虚警率。
5、实时性高:本发明利用训练好的模型进行测试时,对测试图片的检测速度快,运行速率高,可基本实现实时化信号处理。
附图说明
图1为本发明流程图。
图2为传统检测方法的流程图。
图3为本发明雷达通道幅相图的R通道的排布示意图。
图4为本发明雷达通道幅相图的G通道的排布示意图。
图5为本发明雷达通道幅相图的B通道的排布示意图。
图6为本发明雷达通道幅相图的示意图。
图7为本发明标注后的雷达通道幅相图的示意图。
图8为本发明所形成的点迹图。
图9为传统检测方法所形成的点迹图。
具体实施方式
下面结合实施例并参照附图对本发明作进一步详细描述。
实施例1:
如图1所示,本发明提供的一种雷达目标检测方法,包括以下步骤:
1、生成训练模型
基于深度神经网络的目标识别,是一种有监督学习,它通过卷积网络,自动提取目标特征,当数据样本越大时,它的泛化能力越强。因此,在使用一种模型之前,必须针对检测的要求,组织训练样本对其进行训练,完成训练后,可部署模型使用。
1)模型选择
使用深度神经网络对雷达目标进行检测,可采用自行设计的网络,或者使用公开的网络。本发明使用了公开的YoloV3、RetinaNet或CenterNet进行雷达目标的检测。
2)生成训练样本
所述训练样本包括多张样本图片,每张样本图片为标注后的雷达通道幅相图,所述雷达通道幅相图由单帧雷达回波映射形成。
所述雷达通道幅相图的形成过程具体为:
获取原始的雷达回波的数据,通过脉压、动目标显示、通道校正预处理后,形成了雷达若干通道的预处理数据,每个通道的预处理数据包含了若干通道脉冲,每个通道脉冲在不同距离门上都有相应的回波信息;
将多个通道的多个脉冲依次排开,形成通道脉冲为横坐标,纵坐标为距离门的坐标系;
根据通道脉冲在不同距离门上的雷达回波,确定所形成图片的R通道、G通道和B通道,所形成图片为雷达通道幅相图;根据雷达回波的回波强度确定雷达通道幅相图的R通道和B通道,根据雷达回波的信号相位确定雷达通道幅相图的G通道;如图3、4和5所示。
确定雷达通道幅相图的R通道、G通道和B通道的具体过程为:
设雷达通道幅相图上的点对应的雷达回波为Q,Q=[q1,q2,…,qn,…,qN],N∈X·Y,其中,X表示通道脉冲,Y表示距离门,N表示雷达通道幅相图上的点的总个数,qn表示雷达通道幅相图上第n个点的雷达回波,qn=sn+tni,sn表示第n个点的雷达回波的实部,tn表示第n个点的雷达回波的虚部,如:某型雷达有8个通道,每个通道有8个脉冲,则累计64个通道脉冲;
设雷达通道幅相图上的点对应的雷达回波的回波强度为F,F=[f1,f2,…,fn,…,fN],N∈X·Y,fn=20lg(qn),fn表示雷达通道幅相图上的第n个点的雷达回波的回波强度;所以确定雷达通道幅相图的R通道、G通道和B通道的公式具体为:
由公式可知,雷达通道幅相图上的点的R通道、G通道和B通道的数值范围为[0,255],所述雷达通道幅相图上的点的R通道、G通道和B通道的值分别对应于彩色图的R、G、B值从而得到雷达通道幅相图(伪彩图),即用雷达回波的回波强度值模拟彩色图的R值和B值,用雷达回波的信号相位值模拟彩色图的G值,根据上述方法得到的雷达通道幅相图如图6所示,图6的中部显示为泛红色的横条,与其他区域颜色不同,人眼很容易可以加以识别。
对雷达通道幅相图中的目标进行标注,标注的内容有两点:目标位置和目标类别。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,即根据所采集的原始的雷达回波和目标的GPS数据对目标进行标注;B)、根据CFAR(Constant FalseAlarm Rate:恒虚警检测)检测结果对目标进行标注,所述CFAR检测方法为现有技术;C)、人工对目标进行标注。标注的示意图如图7所示。
3)对模型进行训练,生成训练模型
本发明采用Retinanet模型(一种现有的模型软件)对模型进行训练,模型训练的硬件模型为Nvidia V100,训练时长为4天。识别种类为两类(干扰、有效目标)。
应用训练好的训练模型对目标进行检测,检测结果见图六。其中框表示了目标位置,取中心点,即为目标所在距离门。图七是所有的检测结果汇总后,形成的目标点迹。图八是采用传统方案形成的目标点迹。由图可见,新方法具有较高的准确率,较低的虚警率。模型训练完成后,可交给下一阶段推理使用。
2、应用训练模型进行目标检测
完成模型训练和部署后,可应用模型实施检测功能。所述目标检测分成三个部分进行,分别是数据预处理、推理图片生成和点迹形成。
1)数据预处理
数据预处理主要完成脉压、动目标显示和通道修正操作,其具体操作与样本训练阶段的雷达通道幅相图的形成方法相同。所述操作与标准的雷达信号处理一致,在实际的产品中,这部分大多采用FPGA(Field Programmable Gate Array:现场可编程逻辑门阵列)或DSP(Digital Signal Process:数字信号处理)完成。
2)推理图片生成
完成通道校正后的雷达预处理数据,每一帧(每一个波位)是包含若干个通道,若干个脉冲的回波,按照训练阶段的雷达通道幅相图生成办法生成待检测图片。
3)点迹形成
输入待检测图片到训练模型,经过模型测试推断出目标位置信息和目标分类信息。根据完整的雷达回波数据形成目标点迹,对同一目标的若干完整的雷达回波数据得到的点迹图叠加形成图8所示的点迹图,所述完整的雷达回波数据为雷达扫射一圈时的雷达回波数据,包括若干帧雷达回波数据,如图7中黑框框出的目标位置所示,单帧雷达回波的目标位置的横坐标覆盖横轴的所有范围,因此目标位置的纵坐标区间为有效数据,取单帧雷达回波数据得到的目标位置的中值即为目标点迹的距离,雷达回波的帧数对应目标点迹的方位。
本发明提出的雷达目标检测方法,对单帧雷达回波信号进行处理,在识别目标的同时解算出目标位置,从而实现目标检测,具备以下优点:
1、本发明可以替代传统的CFAR检测方案,实现用人工智能方式改造原有信号处理分系统;
2、本发明与传统技术相比,不采用自上而下推导的方法,而是采用自下而上特征提取标注训练的人工智能方法,通过对实际观测的大量数据的学习,获得目标检测能力;
3、这种技术能兼容传统的雷达检测技术,它与传统的方法,有着相同的预处理部分,脉压(DPC)、动目标显示(MTI)、通道校正,传统的检测方法如图2所示;
4、本发明采用了单个波位的雷达回波(单帧雷达回波),实现了目标检测,真实目标回波在雷达通道幅相图上占据了较大的区域,提高了被检出概率,传统方法形成的点迹图如图9所示。
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 (5)
1.一种雷达目标检测方法,其特征在于,包括以下步骤:
生成训练样本:所述训练样本包括多张样本图片,每张样本图片为标注后的雷达通道幅相图,所述雷达通道幅相图由单帧雷达回波映射形成;
使用训练样本对模型进行训练,生成训练模型;
对雷达数据进行处理,生成待检测图片;
输入待检测图片到训练模型,通过训练模型检测出目标位置和目标分类;
所述雷达通道幅相图的形成过程具体为:
获取原始的雷达回波的数据,通过脉压、动目标显示和通道校正后,形成了雷达若干通道的预处理数据,每个通道的预处理数据包含了若干通道脉冲,每个通道脉冲在不同距离门上都有相应的回波信息;
将多个通道的多个脉冲依次排开,形成通道脉冲为横坐标,纵坐标为距离门的坐标系;
根据通道脉冲在不同距离门上的雷达回波和所述坐标系,确定所形成图片的R通道、G通道和B通道,所形成图片为雷达通道幅相图;根据雷达回波的回波强度确定雷达通道幅相图的R通道和B通道,根据雷达回波的信号相位确定雷达通道幅相图的G通道。
2.根据权利要求1所述的雷达目标检测方法,其特征在于,所述确定雷达通道幅相图的R通道、G通道和B通道的具体过程为:
设雷达通道幅相图上的点对应的雷达回波为Q,Q=[q1,q2,…,qn,…,qN],N∈X·Y,其中,X表示通道脉冲,Y表示距离门,N表示雷达通道幅相图上的点的总个数,qn表示雷达通道幅相图上第n个点的雷达回波,qn=sn+tni,sn表示第n个点的雷达回波的实部,tn表示第n个点的雷达回波的虚部;
设雷达通道幅相图上的点对应的雷达回波的回波强度为F,F=[f1,f2,…,fn,…,fN],N∈X·Y,fn=20lg(qn),fn表示雷达通道幅相图上的第n个点的雷达回波的回波强度;所以确定雷达通道幅相图的R通道、G通道和B通道的公式具体为:
3.根据权利要求2所述的雷达目标检测方法,其特征在于,所述生成待检测图片的具体方法与样本训练阶段的雷达通道幅相图的形成方法相同。
4.根据权利要求3所述的雷达目标检测方法,其特征在于,所述对雷达通道幅相图进行标注的内容包括目标位置和目标类别。
5.根据权利要求4所述的雷达目标检测方法,其特征在于,所述标注的方法为:根据所采集的原始的雷达回波和目标的GPS数据对目标进行标注、根据CFAR检测结果对目标进行标注或通过人工对目标进行标注。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011641433.7A CN112816982A (zh) | 2020-12-31 | 2020-12-31 | 一种雷达目标检测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011641433.7A CN112816982A (zh) | 2020-12-31 | 2020-12-31 | 一种雷达目标检测方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN112816982A true CN112816982A (zh) | 2021-05-18 |
Family
ID=75858180
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202011641433.7A Pending CN112816982A (zh) | 2020-12-31 | 2020-12-31 | 一种雷达目标检测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112816982A (zh) |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108985268A (zh) * | 2018-08-16 | 2018-12-11 | 厦门大学 | 基于深度迁移学习的归纳式雷达高分辨距离像识别方法 |
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 |
CN113655457A (zh) * | 2021-08-24 | 2021-11-16 | 中国电子科技集团公司第十四研究所 | 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 |
Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107862293A (zh) * | 2017-09-14 | 2018-03-30 | 北京航空航天大学 | 基于对抗生成网络的雷达生成彩色语义图像系统及方法 |
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 |
CN110940971A (zh) * | 2019-11-06 | 2020-03-31 | 四川川大智胜软件股份有限公司 | 一种雷达目标点迹录取方法、装置及存储介质 |
CN111157967A (zh) * | 2019-12-30 | 2020-05-15 | 杭州立宸科技有限公司 | 基于脉冲相干雷达的智能垃圾隔袋识别和分类方法 |
CN111220958A (zh) * | 2019-12-10 | 2020-06-02 | 西安宁远电子电工技术有限公司 | 基于一维卷积神经网络的雷达目标多普勒像分类识别方法 |
CN111505643A (zh) * | 2020-04-22 | 2020-08-07 | 南京信息工程大学 | 基于时频图深度学习的海面小目标检测方法 |
CN112068085A (zh) * | 2020-10-16 | 2020-12-11 | 中国电波传播研究所(中国电子科技集团公司第二十二研究所) | 一种基于深度学习的雷达海杂波原始数据快速预处理方法 |
-
2020
- 2020-12-31 CN CN202011641433.7A patent/CN112816982A/zh active Pending
Patent Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107862293A (zh) * | 2017-09-14 | 2018-03-30 | 北京航空航天大学 | 基于对抗生成网络的雷达生成彩色语义图像系统及方法 |
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 |
CN110940971A (zh) * | 2019-11-06 | 2020-03-31 | 四川川大智胜软件股份有限公司 | 一种雷达目标点迹录取方法、装置及存储介质 |
CN111220958A (zh) * | 2019-12-10 | 2020-06-02 | 西安宁远电子电工技术有限公司 | 基于一维卷积神经网络的雷达目标多普勒像分类识别方法 |
CN111157967A (zh) * | 2019-12-30 | 2020-05-15 | 杭州立宸科技有限公司 | 基于脉冲相干雷达的智能垃圾隔袋识别和分类方法 |
CN111505643A (zh) * | 2020-04-22 | 2020-08-07 | 南京信息工程大学 | 基于时频图深度学习的海面小目标检测方法 |
CN112068085A (zh) * | 2020-10-16 | 2020-12-11 | 中国电波传播研究所(中国电子科技集团公司第二十二研究所) | 一种基于深度学习的雷达海杂波原始数据快速预处理方法 |
Non-Patent Citations (4)
Title |
---|
RAJKUMAR THEAGARAJAN: "Integrating deep learning-based data driven and model-based approaches for inverse synthetic aperture radar target recognition", 《OPTICAL ENGINEERING》, pages 1 - 27 * |
W. ZHONG, Y. YI, S. ZHOU AND S. JUN: "A radar target detection technique based on deep neural network", 《IET INTERNATIONAL RADAR CONFERENCE (IET IRC 2020)》, pages 239 - 243 * |
杨予昊;孙晶明;虞盛康;: "基于卷积神经网络迁移学习的飞机目标识别", 现代雷达, no. 12, pages 35 - 39 * |
袁昊; 周荫清; 李景文: "基于幅度和相位联合的ATI动目标检测新方法", 《北京航空航天大学学报》, pages 169 - 175 * |
Cited By (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108985268A (zh) * | 2018-08-16 | 2018-12-11 | 厦门大学 | 基于深度迁移学习的归纳式雷达高分辨距离像识别方法 |
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 |
CN109117793B (zh) * | 2018-08-16 | 2021-10-29 | 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 |
CN108985268B (zh) * | 2018-08-16 | 2021-10-29 | 厦门大学 | 基于深度迁移学习的归纳式雷达高分辨距离像识别方法 |
CN113655457A (zh) * | 2021-08-24 | 2021-11-16 | 中国电子科技集团公司第十四研究所 | 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 |
CN113655457B (zh) * | 2021-08-24 | 2023-11-24 | 中国电子科技集团公司第十四研究所 | 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 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN112816982A (zh) | 一种雷达目标检测方法 | |
Zeng et al. | Underwater target detection based on Faster R-CNN and adversarial occlusion network | |
CN112395987B (zh) | 基于无监督域适应cnn的sar图像目标检测方法 | |
CN108898065B (zh) | 候选区快速筛选与尺度自适应的深度网络舰船目标检测方法 | |
CN108052942B (zh) | 一种飞机飞行姿态的视觉图像识别方法 | |
CN109635875A (zh) | 一种基于深度学习的端到端网口检测方法 | |
Zhang et al. | Multitask learning for ship detection from synthetic aperture radar images | |
CN113408328B (zh) | 基于毫米波雷达的手势分割与识别算法 | |
Dong et al. | A multiscale self-attention deep clustering for change detection in SAR images | |
Jing et al. | AENN: A generative adversarial neural network for weather radar echo extrapolation | |
CN110647802A (zh) | 基于深度学习的遥感影像舰船目标检测方法 | |
CN105405132A (zh) | 基于视觉反差和信息熵的sar图像人造目标检测方法 | |
Zhao et al. | SAR ship detection based on end-to-end morphological feature pyramid network | |
Pan et al. | A novel approach for marine small target detection based on deep learning | |
CN110333489A (zh) | 采用cnn与rsva组合对sar回波数据旁瓣抑制的处理方法 | |
Guo et al. | Fusion of ship perceptual information for electronic navigational chart and radar images based on deep learning | |
Donini et al. | A deep learning architecture for semantic segmentation of radar sounder data | |
Sun et al. | Image recognition technology in texture identification of marine sediment sonar image | |
Vaidya et al. | Leveraging YOLOv7 for plant disease detection | |
Hu et al. | Study on intelligent and visualization method of ultrasonic testing of composite materials based on deep learning | |
CN114565824A (zh) | 基于全卷积网络的单阶段旋转舰船检测方法 | |
CN113570594A (zh) | 超声图像中目标组织的监测方法、装置及存储介质 | |
Guo et al. | A deep feature transformation method based on differential vector for few-shot learning | |
CN115240188A (zh) | 一种基于深度学习的橙子采摘机器人目标实时检测方法 | |
Wang et al. | An Improved Object Detection Method for Underwater Sonar Image Based on PP-YOLOv2 |
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 |