CN113222017A - 探地雷达数据生成方法、控制装置、系统及存储介质 - Google Patents
探地雷达数据生成方法、控制装置、系统及存储介质 Download PDFInfo
- Publication number
- CN113222017A CN113222017A CN202110519635.2A CN202110519635A CN113222017A CN 113222017 A CN113222017 A CN 113222017A CN 202110519635 A CN202110519635 A CN 202110519635A CN 113222017 A CN113222017 A CN 113222017A
- Authority
- CN
- China
- Prior art keywords
- data
- ground penetrating
- penetrating radar
- generator
- data generation
- 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
- 230000000149 penetrating effect Effects 0.000 title claims abstract description 103
- 238000000034 method Methods 0.000 title claims abstract description 44
- 238000004088 simulation Methods 0.000 claims abstract description 45
- 238000005070 sampling Methods 0.000 claims description 15
- 230000004913 activation Effects 0.000 claims description 9
- 238000010606 normalization Methods 0.000 claims description 6
- 230000006870 function Effects 0.000 claims description 3
- SDIXRDNYIMOKSG-UHFFFAOYSA-L disodium methyl arsenate Chemical compound [Na+].[Na+].C[As]([O-])([O-])=O SDIXRDNYIMOKSG-UHFFFAOYSA-L 0.000 claims 3
- 238000010801 machine learning Methods 0.000 description 11
- 201000010099 disease Diseases 0.000 description 8
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 description 8
- 230000008569 process Effects 0.000 description 8
- 238000012549 training Methods 0.000 description 7
- 238000011161 development Methods 0.000 description 6
- 238000013527 convolutional neural network Methods 0.000 description 5
- 238000010586 diagram Methods 0.000 description 5
- 238000004891 communication Methods 0.000 description 4
- 238000012545 processing Methods 0.000 description 4
- 238000005516 engineering process Methods 0.000 description 2
- 230000010365 information processing Effects 0.000 description 2
- 230000003287 optical effect Effects 0.000 description 2
- 230000008094 contradictory effect Effects 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000010355 oscillation Effects 0.000 description 1
Images
Classifications
-
- 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
- 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)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- General Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- Evolutionary Computation (AREA)
- Bioinformatics & Computational Biology (AREA)
- Computational Linguistics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Health & Medical Sciences (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Evolutionary Biology (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Radar Systems Or Details Thereof (AREA)
Abstract
本发明提供一种探地雷达数据生成方法、控制装置、系统及存储介质,探地雷达数据生成系统包括数据生成器以及数据判别器,数据生成器用以生成探地雷达仿真数据,数据判别器用以判别探地雷达仿真数据真假,探地雷达数据生成方法包括以下步骤:获取噪音数据,将噪音数据传输至数据生成器,以生成探地雷达仿真数据;获取探地雷达仿真数据,将探地雷达仿真数据传输至数据判别器内,以得到判别结果;获取判别结果,根据判别结果调整数据生成器网络的参数。通过数据生成器以及数据判别器之间形成对抗网络,以使得探地雷达仿真数据在时域分布和频域分布上都和真实数据的分布特征相似,进而实现大批量的探地雷达数据生成。
Description
技术领域
本发明涉及雷达检测领域,特别涉及一种探地雷达数据生成方法、控制装置、系统及存储介质。
背景技术
近年来,随着机器学习算法的快速发展,各个领域中越来越多的大规模信息处理工作已经逐渐由人工处理转向计算机自动处理。探地雷达图像解译过程与图像识别过程在原理上是一致的,均为通过人眼观察确定图像中某些特定图形的含义,并搜索这些特定图形所在位置的过程。在此背景下,探地雷达领域的研究人员亦开始尝试引入机器学习领域的各类图像识别算法与技术来探究探地雷达图像自动解译方法。目前基于机器学习的光学图像目标识别方法多采用以卷积神经网络(Convolutional NeuralNetwork,CNN)为代表的监督学习的方法,监督学习的方法需要大量人工标记目标的数据进行训练,例如ImageNet和COCO训练数据集已经达到百万量级,因此在将机器学习领域的方法应用到探地雷达领域的过程中,一个亟需解决的问题是训练数据量不足的问题。
虽然随着电子信息技术的发展,探地雷达设备越来越轻便化,地下数据收集的效率也大幅提高,但是收集到的地下数据中大部分是井道和管线类等常见目标,对于地下病害(如空洞等)目标收集到的回波数据则很少,限制了基于机器学习的道路病害类目标自动识别方法的发展。为了解决地下病害类目标数据量的不足的问题,需要对地下病害类目标的探地雷达数据进行扩增。
发明内容
本发明的主要目的是提出一种探地雷达数据生成方法、控制装置、系统及存储介质,旨在解决探地雷达训练数据量不足的问题。
为实现上述目的,本发明提出一种探地雷达数据生成方法,包括数据生成器以及数据判别器,数据生成器用以生成探地雷达仿真数据,数据判别器用以判别探地雷达仿真数据真假,探地雷达数据生成方法包括以下步骤:
获取噪音数据,将噪音数据传输至数据生成器,以生成探地雷达仿真数据;
获取探地雷达仿真数据,将探地雷达仿真数据传输至数据判别器内,以得到判别结果;
获取所述判别结果,根据判别结果调整数据生成器网络的参数。
可选的,获取判别结果,根据判别结果调整数据生成器网络的参数的步骤之后还包括:
获取判别结果中判别为真实的数据频率;
根据数据频率与预设阈值之间的关系,输出探地雷达仿真数据。
可选的,获取探地雷达仿真数据,将探地雷达仿真数据传输至数据判别器内,以得到判别结果的步骤之前还包括:
获取真实雷达数据,将真实雷达数据传输至数据判别器内。
可选的,数据生成器中使用的激活函数为LeakyReLU。
本发明还提供一种探地雷达数据生成控制装置,包括存储器、处理器及存储在存储器上并可在处理器上运行的探地雷达数据生成控制程序,探地雷达数据生成控制程序配置为实现上述的探地雷达数据生成方法的步骤。
本发明还提供一种存储介质,存储介质上存储有探地雷达数据生成控制程序,探地雷达数据生成控制程序被处理器执行时实现上述的探地雷达数据生成方法的步骤。
本发明提供一种探地雷达数据生成系统,包括:
数据生成器,用以生成探地雷达仿真数据;
数据判别器,用以判别所述探地雷达仿真数据真假;以及,
探地雷达数据生成控制装置,与数据生成器以及数据判别器电性连接,探地雷达数据生成控制装置为上述的探地雷达数据生成控制装置。
可选的,数据生成器包括上采样模块,上采样模块包括第一反卷积层、第一批标准化层以及第一激活层。
可选的,上采样模块设置有多个,多个上采样模块依次电性连接。
可选的,数据判别器包括下采样模块,下采样模块包括第二反卷积层、第二批标准化层以及第二激活层。
在本发明提供的技术方案中,通过数据生成器以及数据判别器之间形成对抗网络,通过不断调整数据生成器中生成的探地雷达仿真数据,以使得探地雷达仿真数据在时域分布和频域分布上都和真实数据的分布特征相似,进而实现大批量的探地雷达数据生成,避免了建立实际物理模型收集回波数据的耗时费力和使用软件仿真的数据不能真实反映目标回波特征等问题。
附图说明
图1为本发明提供的探地雷达数据生成系统一实施例的连接结构示意图;
图2为图1中数据生成器的连接结构示意图;
图3为图1中数据判断器的连接结构示意图;
图4为图1中实施例方案涉及的硬件运行环境的控制装置的结构示意图;
图5为本发明提供的探地雷达数据生成方法一实施例的流程示意图;
图6为本发明提供的实施例中回波数据对比图;
图7为本发明提供的实施例中单道回波数据对比图;
图8为本发明提供的实施例中回波数据时频对比图。
附图标号说明:
具体实施方式
为使本发明的目的、技术方案和优点更加清楚明白,以下结合具体实施例,并参照附图,对本发明进一步详细说明。
需要说明,若本发明实施例中有涉及方向性指示,则该方向性指示仅用于解释在某一特定姿态下各部件之间的相对位置关系、运动情况等,如果该特定姿态发生改变时,则该方向性指示也相应地随之改变。
另外,若本发明实施例中有涉及“第一”、“第二”等的描述,则该“第一”、“第二”等的描述仅用于描述目的,而不能理解为指示或暗示其相对重要性或者隐含指明所指示的技术特征的数量。由此,限定有“第一”、“第二”的特征可以明示或者隐含地包括至少一个该特征。另外,各个实施例之间的技术方案可以相互结合,但是必须是以本领域普通技术人员能够实现为基础,当技术方案的结合出现相互矛盾或无法实现时应当认为这种技术方案的结合不存在,也不在本发明要求的保护范围之内。
近年来,随着机器学习算法的快速发展,各个领域中越来越多的大规模信息处理工作已经逐渐由人工处理转向计算机自动处理。探地雷达图像解译过程与图像识别过程在原理上是一致的,均为通过人眼观察确定图像中某些特定图形的含义,并搜索这些特定图形所在位置的过程。在此背景下,探地雷达领域的研究人员亦开始尝试引入机器学习领域的各类图像识别算法与技术来探究探地雷达图像自动解译方法。目前基于机器学习的光学图像目标识别方法多采用以卷积神经网络(Convolutional Neural Network,CNN)为代表的监督学习的方法,监督学习的方法需要大量人工标记目标的数据进行训练,例如ImageNet和COCO训练数据集已经达到百万量级,因此在将机器学习领域的方法应用到探地雷达领域的过程中,一个亟需解决的问题是训练数据量不足的问题。
虽然随着电子信息技术的发展,探地雷达设备越来越轻便化,地下数据收集的效率也大幅提高,但是收集到的地下数据中大部分是井道和管线类等常见目标,对于地下病害(如空洞等)目标收集到的回波数据则很少,限制了基于机器学习的道路病害类目标自动识别方法的发展。为了解决地下病害类目标数据量的不足的问题,需要对地下病害类目标的探地雷达数据进行扩增。
请参阅图1,本发明提供一种探地雷达数据生成系统100,包括数据生成器1、数据判别器2以及探地雷达数据生成控制装置3;数据生成器1用以生成探地雷达仿真数据;数据判别器2用以判别探地雷达仿真数据真假;探地雷达数据生成控制装置3与数据生成器1以及数据判别器2电性连接。
在本实施例中,通过数据生成器1、数据判别器2共同形成一对抗网络,以便于数据生成器1生成符合真实情况的探地雷达数据。
进一步的,请参阅图2,所述数据生成器1包括上采样模块11,所述上采样模块11包括第一反卷积层、第一批标准化层以及第一激活层。以便于将噪音数据转化成探地雷达仿真数据。
具体的,在本实施例中,所述上采样模块11设置有多个,多个所述上采样模块11依次电性连接。以便于进行多维数据的输入输出。
同样的,请参阅图3,所述数据判别器2包括下采样模块21,所述下采样模块21包括第二反卷积层、第二批标准化层以及第二激活层。
需要说明的是,在本实施例中,所述下采样模块21也设置有多个。
另外,请参阅图4,本发明提供一种探地雷达数据生成控制装置3,探地雷达数据生成控制装置3与数据生成器1以及数据判别器2之间电连接,用以控制探地雷达数据生成系统100。
控制装置可以包括:处理器1001,例如CPU,通信总线1002、用户接口1003,网络接口1004,存储器1005。其中,通信总线1002用于实现这些组件之间的连接通信。用户接口1003可以包括显示屏(Display)、输入单元比如键盘(Keyboard),可选用户接口1003还可以包括标准的有线接口、无线接口。网络接口1004可选的可以包括标准的有线接口、无线接口(如WI-FI接口)。存储器1005可以是高速RAM存储器,也可以是稳定的存储器(non-volatilememory),例如磁盘存储器。存储器1005可选的还可以是独立于前述处理器1001的存储装置。
作为一种计算机存储介质的存储器1005中可以包括操作系统、网络通信模块、用户接口模块以及探地雷达数据生成控制程序。
请参阅图5,基于上述硬件结构,本发明还提供一种探地雷达数据生成方法。
本发明提供的探地雷达数据生成方法的一实施例包括以下步骤:
S10、获取噪音数据,将噪音数据传输至数据生成器,以生成探地雷达仿真数据;
S20、获取探地雷达仿真数据,将探地雷达仿真数据传输至数据判别器内,以得到判别结果;
S30、获取判别结果,根据判别结果调整数据生成器网络的参数。
在本发明提供的技术方案中,通过数据生成器1以及数据判别器2之间形成对抗网络,通过不断调整数据生成器1中生成的探地雷达仿真数据,以使得探地雷达仿真数据在时域分布和频域分布上都和真实数据的分布特征相似,进而实现大批量的探地雷达数据生成,避免了建立实际物理模型收集回波数据的耗时费力和使用软件仿真的数据不能真实反映目标回波特征等问题。
进一步的,步骤S30之后还包括:
S40、获取所述判别结果中判别为真实的数据频率;
S50、根据所述数据频率与预设阈值之间的关系,输出所述探地雷达仿真数据。
在本实施例中,通过数据生成器1以及数据判别器2之间相互对抗,使得数据生成器1中生成的探地雷达数据被认定为真实的数据频率越来越高,当数据频率超过预设阈值时,表明数据生成器1以及数据判别器2之间以及达到动态平衡,数据生成器1已经训练完成,即可将已经训练完成的数据生成器1中的探地雷达仿真数据输出。
进一步的,步骤S20之前还包括:
S11、获取真实雷达数据,将真实雷达数据传输至数据判别器内。在数据判别器中,通过对比真实雷达数据,使得数据判别器能够准确的认识真实雷达数据中的特征,进而对探地雷达仿真数据进行判断。
需要说明的是,数据生成器1中使用网络的参数可以有多种方式,在本实施例中,数据生成器1中使用网络的参数为LeakyReLU。
具体的,本发明提供一具体实施例,在本实施例中,数据生成器1包括五个上采样模块11,数据生成器1中使用的激活函数为LeakyReLU;数据判别器同样包括五个下采用模块21,数据判别器中输出0为判定假、输出1位判定真;
在本实施例中,用以学习地面空洞情况;获取均匀分布的维度为1×512噪声数据,并输入至数据生成器1中,数据生成器1输出维度为256×256的探地雷达仿真数据1341张;获取1341张维度为256×256的真实雷达数据;通过上述探地雷达数据生成方法得到训练完成的数据生成器1,通过数据生成器1大批量生成探地雷达仿真数据,以供机器学习。
在图6中,A1、B1分别为真实雷达回波数据图以及探地雷达仿真回波数据图,数据生成器1生成的探地雷达仿真数据能真实的还原真实雷达数据的分布情况,特别是对地面杂波的还原上,生成器生成的杂波不平整,有一定弯曲度,比实际情况更为复杂。在对空洞目标回波的刻画上生成的数据不够“清晰”,没有真实空洞回波数据“明显”,真实空洞回波的数据一般存在多次振荡,但生成的空洞数据没有还原出这部分。
在图7至图8中,A2、B2分别为真实雷达回波数据第131道回波数据图以及探地雷达仿真回波数据第250道数据图;A3、B3分别为真实雷达回波数据时频图以及探地雷达仿真回波数据时频图;能看出真实数据和生成数据在单道回波数据和时频分布图上的差异不大,反应出深度卷积生成对抗网络可以用来生成探地雷达回波数据。从图中能看出生成的空洞数据已经足够真实可以欺骗卷积神经网络。
以上所述的具体实施例,对本发明的目的、技术方案和有益效果进行了进一步详细说明,所应理解的是,以上所述仅为本发明的具体实施例而已,并不用于限制本发明,凡在本发明的精神和原则之内,所做的任何修改、等同替换、改进等,均应包含在本发明的保护范围之内。
Claims (10)
1.一种探地雷达数据生成方法,其特征在于,包括数据生成器以及数据判别器,所述数据生成器用以生成探地雷达仿真数据,所述数据判别器用以判别探地雷达仿真数据真假,所述探地雷达数据生成方法包括以下步骤:
获取噪音数据,将所述噪音数据传输至所述数据生成器,以生成探地雷达仿真数据;
获取所述探地雷达仿真数据,将所述探地雷达仿真数据传输至所述数据判别器内,以得到判别结果;
获取所述判别结果,根据所述判别结果调整所述数据生成器网络的参数。
2.如权利要求1所述的探地雷达数据生成方法,其特征在于,获取所述判别结果,根据所述判别结果调整所述数据生成器网络的参数的步骤之后还包括:
获取所述判别结果中判别为真实的数据频率;
根据所述数据频率与预设阈值之间的关系,输出所述探地雷达仿真数据。
3.如权利要求1所述的探地雷达数据生成方法,其特征在于,获取所述探地雷达仿真数据,将所述探地雷达仿真数据传输至所述数据判别器内,以得到判别结果的步骤之前还包括:
获取真实雷达数据,将所述真实雷达数据传输至所述数据判别器内。
4.如权利要求1所述的探地雷达数据生成方法,其特征在于,所述数据生成器中使用的激活函数为LeakyReLU。
5.一种探地雷达数据生成控制装置,其特征在于,包括存储器、处理器及存储在所述存储器上并可在所述处理器上运行的探地雷达数据生成控制程序,所述探地雷达数据生成控制程序配置为实现如权利要求1至4中任一项所述的探地雷达数据生成方法的步骤。
6.一种存储介质,其特征在于,所述存储介质上存储有所述探地雷达数据生成控制程序,所述探地雷达数据生成控制程序被处理器执行时实现如权利要求1至4中任一项所述的探地雷达数据生成方法的步骤。
7.一种探地雷达数据生成系统,其特征在于,包括:
数据生成器,用以生成探地雷达仿真数据;
数据判别器,用以判别所述探地雷达仿真数据真假;以及,
探地雷达数据生成控制装置,与所述数据生成器以及所述数据判别器电性连接,所述探地雷达数据生成控制装置为如权利要求5中所述的探地雷达数据生成控制装置。
8.如权利要求7所述的探地雷达数据生成系统,其特征在于,所述数据生成器包括上采样模块,所述上采样模块包括第一反卷积层、第一批标准化层以及第一激活层。
9.如权利要求8所述的探地雷达数据生成系统,其特征在于,所述上采样模块设置有多个,多个所述上采样模块依次电性连接。
10.如权利要求7所述的探地雷达数据生成系统,其特征在于,所述数据判别器包括下采样模块,所述下采样模块包括第二反卷积层、第二批标准化层以及第二激活层。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110519635.2A CN113222017A (zh) | 2021-05-12 | 2021-05-12 | 探地雷达数据生成方法、控制装置、系统及存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110519635.2A CN113222017A (zh) | 2021-05-12 | 2021-05-12 | 探地雷达数据生成方法、控制装置、系统及存储介质 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN113222017A true CN113222017A (zh) | 2021-08-06 |
Family
ID=77095451
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110519635.2A Pending CN113222017A (zh) | 2021-05-12 | 2021-05-12 | 探地雷达数据生成方法、控制装置、系统及存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113222017A (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114331890A (zh) * | 2021-12-27 | 2022-04-12 | 中南大学 | 基于深度学习的探地雷达B-scan图像特征增强方法及系统 |
CN115629388A (zh) * | 2022-12-23 | 2023-01-20 | 成都远望探测技术有限公司 | 一种基于红外和微波成像仪数据的雷达回波模拟方法 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102023316A (zh) * | 2009-09-23 | 2011-04-20 | 中国科学院电子学研究所 | 一种基于图像熵递减收敛的探地雷达杂波抑制方法 |
CN108492258A (zh) * | 2018-01-17 | 2018-09-04 | 天津大学 | 一种基于生成对抗网络的雷达图像去噪方法 |
CN111626961A (zh) * | 2020-05-29 | 2020-09-04 | 中国人民解放军海军航空大学 | 一种基于生成对抗网络的雷达图像杂波抑制方法及系统 |
CN111781576A (zh) * | 2019-10-09 | 2020-10-16 | 山东大学 | 一种基于深度学习的探地雷达智能反演方法 |
-
2021
- 2021-05-12 CN CN202110519635.2A patent/CN113222017A/zh active Pending
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102023316A (zh) * | 2009-09-23 | 2011-04-20 | 中国科学院电子学研究所 | 一种基于图像熵递减收敛的探地雷达杂波抑制方法 |
CN108492258A (zh) * | 2018-01-17 | 2018-09-04 | 天津大学 | 一种基于生成对抗网络的雷达图像去噪方法 |
CN111781576A (zh) * | 2019-10-09 | 2020-10-16 | 山东大学 | 一种基于深度学习的探地雷达智能反演方法 |
CN111626961A (zh) * | 2020-05-29 | 2020-09-04 | 中国人民解放军海军航空大学 | 一种基于生成对抗网络的雷达图像杂波抑制方法及系统 |
Non-Patent Citations (4)
Title |
---|
ZHI-KANG NI 等: "Declutter-GAN: GPR B-Scan Data Clutter Removal Using Conditional Generative Adversarial Nets", 《IEEE GEOSCIENCE AND REMOTE SENSING LETTERS》 * |
姚爱军等: "地质雷达在建筑结构检测中的解译与应用", 《岩土工程界》 * |
朱克凡等: "小样本条件下基于数据增强和WACGAN的雷达目标识别算法", 《电子学报》 * |
王海宁: "三维探地雷达在道路地下病害体探测中的应用", 《中国煤炭地质》 * |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114331890A (zh) * | 2021-12-27 | 2022-04-12 | 中南大学 | 基于深度学习的探地雷达B-scan图像特征增强方法及系统 |
CN114331890B (zh) * | 2021-12-27 | 2022-09-23 | 中南大学 | 基于深度学习的探地雷达B-scan图像特征增强方法及系统 |
CN115629388A (zh) * | 2022-12-23 | 2023-01-20 | 成都远望探测技术有限公司 | 一种基于红外和微波成像仪数据的雷达回波模拟方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN106683048B (zh) | 一种图像超分辨率方法及设备 | |
US20180025249A1 (en) | Object Detection System and Object Detection Method | |
Ji et al. | Seabed sediment classification using multibeam backscatter data based on the selecting optimal random forest model | |
CN110021425B (zh) | 一种比较检测器及其构建方法与宫颈癌细胞检测方法 | |
CN110796199B (zh) | 一种图像处理方法、装置以及电子医疗设备 | |
CN111524106A (zh) | 颅骨骨折检测和模型训练方法、装置、设备和存储介质 | |
CN113222017A (zh) | 探地雷达数据生成方法、控制装置、系统及存储介质 | |
CN108830842B (zh) | 一种基于角点检测的医学图像处理方法 | |
WO2008016109A1 (fr) | Procédé d'optimisation de jeu de données d'apprentissage pour dispositif d'identification du signal et dispositif d'identification du signal capable d'optimiser le jeu de données d'apprentissage | |
CN108664986B (zh) | 基于lp范数正则化的多任务学习图像分类方法及系统 | |
CN110633711B (zh) | 训练特征点检测器的计算机装置、方法及特征点检测方法 | |
CN109817339A (zh) | 基于大数据的患者分组方法和装置 | |
CN109829494A (zh) | 一种基于加权相似性度量的聚类集成方法 | |
CN111275126A (zh) | 样本数据集生成方法、装置、设备及存储介质 | |
CN113496260B (zh) | 基于改进YOLOv3算法的粮库人员不规范作业检测法 | |
CN113343123B (zh) | 一种生成对抗多关系图网络的训练方法和检测方法 | |
CN109344852A (zh) | 图像识别方法和装置、分析仪器和存储介质 | |
CN106682604B (zh) | 一种基于深度学习的模糊图像检测方法 | |
CN114359090A (zh) | 一种口腔ct影像的数据增强方法 | |
CN113688655B (zh) | 干扰信号的识别方法、装置、计算机设备和存储介质 | |
Tang et al. | Segmentation of cervical cell nucleus using Intersecting Cortical Model optimized by Particle Swarm Optimization | |
CN110135280A (zh) | 一种基于稀疏表征分类的多视图sar自动目标识别方法 | |
CN113139578B (zh) | 一种基于最优训练集的深度学习图像分类方法及系统 | |
KR102418476B1 (ko) | 2차원 이미지 데이터와 3차원 뎁스 데이터를 이용하여 차량 번호판의 판독과 위조와 오염 여부의 판단을 정밀하게 수행하는 주차관제시스템의 운영방법 | |
CN116468962B (zh) | 害虫识别方法、装置、设备及介质 |
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 | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20210806 |