CN113486961A - 基于深度学习的低信噪比下雷达rd图像目标检测方法、系统及计算机设备 - 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、系统及计算机设备 Download PDFInfo
- Publication number
- CN113486961A CN113486961A CN202110784686.8A CN202110784686A CN113486961A CN 113486961 A CN113486961 A CN 113486961A CN 202110784686 A CN202110784686 A CN 202110784686A CN 113486961 A CN113486961 A CN 113486961A
- Authority
- CN
- China
- Prior art keywords
- radar
- image
- neural network
- deep learning
- training
- 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
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
- 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
-
- 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
- G06N3/084—Backpropagation, e.g. using gradient descent
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,包括获取雷达回波数据,对数据进行预处理后,生成雷达距离多普勒维(RD)图像;对原始图像进行预处理并进行标签,得到数据集;对原始数据集进行分类,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;对构建的神经网络进行充分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;本发明提出的雷达RD图像目标检测方法,通过神经网络训练得到目标检测网络,该方法下得到的目标检测网络具有在低信噪比下检测准确率高、实用效果好等优点,适合在实际应用中推广使用。
Description
技术领域
本发明涉及图像目标检测技术领域,具体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、系统及计算机设备。
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。
期刊《现代雷达》于2019年01月04日发表的文章提供了一种基于最优误差自校正极限学习机的高频地波雷达RD谱图海面目标检测算法,该机器学习算法基于自校正极限学习机,该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。
发明内容
本发明的目的在于提供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、系统及计算机设备,以解决上述背景技术中提出的问题。
为实现上述目的,本发明提供如下技术方案:
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:
S1:获取雷达回波数据,对数据进行预处理后,生成雷达距离多普勒维(RD)图像;
S2:对原始图像进行预处理并进行标签,得到数据集;
S3:对原始数据集进行分类,得到训练集、验证集与测试集;
S4:构建针对低信噪比下目标检测的深度学习神经网络;
S5:对构建的神经网络进行充分训练并输出损失值和训练后的检测神经网络;
S6:利用训练好的检测神经网络对测试集进行目标检测;
S7:获得测试集目标检测准确率结果。
优选的,所述步骤S1中对雷达回波数据进行预处理的具体步骤为:
S101:通过仿真生成雷达回波数据,并在数据中加入不同信噪比的随机噪声;
S102:将雷达回波数据中目标数目、位置与速度一定范围内随机生成。
优选的,所述步骤S2中原始图像进行预处理并进行标签的具体步骤为:
S201:将原始图像标准化,并调整分辨率为适合深度学习神经网络学习的大小;
S202:获取目标所在位置的具体坐标值;
S203: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。
优选的,所述步骤S3中所述训练集包括训练数据图像和标签数据。
优选的,所述步骤S4中构建的所述深度学习神经网络包括设置网络的传输形式、网络层数、每层神经元数量、所采用的激励函数和训练参数。
优选的,所述步骤S5中对构建的神经网络进行充分训练包括以下步骤:
S501: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;
S502:将训练图像数据集、标签数据集输入到建立的深度学习神经网络中,并计算损失值;
S503:迭代优化深度学习神经网络的模型参数,重复进行训练;
S504:当损失值达到最优时,结束训练并输出检测神经网络;
S505:修改预测神经网络的模型参数,重复进行训练,当损失值达到最优时,结束训练并输出检测神经网络。
优选的,所述损失值通过损失函数进行计算,计算的公式如下:
优选的,所述步骤S7中准确率包括检测率和虚警率,计算公式如下:
式中Pd为检测率,Pf为虚警率,TP为真正例,FN为假正例,FP为假反例。
为实现上述目的,本发明另外还提供一种基于深度学习的低信噪比下雷达RD图像目标检测系统,其中,所述系统包括:
图像生成模块,用于获取雷达回波数据,对数据进行预处理后,生成雷达距离多普勒维(RD)图像;
图像处理模块,用于对原始图像进行预处理并进行标签,得到数据集;
数据分类模块,用于对原始数据集进行分类,得到训练集、验证集与测试集;
网络构建模块,用于构建针对低信噪比下目标检测的深度学习神经网络;
网络训练模块,用于对构建的神经网络进行充分训练并输出损失值和训练后的检测神经网络;
目标检测模块,用于利用训练好的检测神经网络对测试集进行目标检测;以及;
准确率模块,用于输出测试集目标检测准确率结果。
为实现上述目的,本发明另外还提供一种基于深度学习的低信噪比下雷达RD图像目标检测计算设备,其中,所述计算机设备包括: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雷达RD图像目标检测算法程序,所述雷达RD图像目标检测程序配置为实现上述的雷达RD图像目标检测方方法的步骤。
与现有技术相比,本发明的有益效果是:
本发明提出的雷达RD图像目标检测方法,是基于大量不同信噪比下含有目标的雷达RD图像数据,通过神经网络训练得到目标检测网络,该方法下得到的目标检测网络具有在低信噪比下检测准确率高、实用效果好等优点,适合在实际应用中推广使用。
附图说明
图1为本发明图像目标检测方法的方法流程图;
图2为本发明图像目标检测系统的结构示意图;
图3为本发明神经网络框架结构示意图。
具体实施方式
下面将结合本发明实施例中的附图,对本发明实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例仅仅是本发明一部分实施例,而不是全部的实施例。基于本发明中的实施例,本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例,都属于本发明保护的范围。
实施例:
请参阅图1至图3,本发明提供一种技术方案:
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:
S1:获取雷达回波数据,对数据进行预处理后,生成雷达距离多普勒维(RD)图像。
其中,雷达回波数据中包括目标信息,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;对雷达回波数据通过仿真生成雷达回波数据,在数据中加入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,并将雷达回波数据中目标数目、位置与速度一定范围内随机生成,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,从而获得雷达的原始RD图像
S2:对原始图像进行预处理并进行标签,得到数据集。
其中,所述步骤S2中原始图像进行预处理并进行标签的具体步骤为:
S201:将原始图像标准化,并调整分辨率为适合支持向量机(SVM)学习的大小;
S202:获取目标所在位置的具体坐标值。
S203: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。
其中,步骤S201调整分辨率需要将原始图像分辨率调整为1024*900,目标所占像素变为4*4,从而更适合SVM网络提取目标特征信息;步骤S202中具体坐标值的获取需要标准化后获取目标所在图像中的位置坐标,即所处距离单元与多普勒单元位置;步骤S202中标签设置和生成标准标签数据具体为,以目标中心为中心点生成大小为10*10的标签框,记录标签框的Xmin、Xmax、Ymin、Ymax以及标签数目,制作标准化标签数据xml文件,xml文件中包括图像的大小、图像中目标的数目和位置信息,根据xml文件标注位置即可在图像中找到目标所在位置,并且图像数据集与标签数据集一一对应
S3:对原始数据集进行分类,得到训练集、验证集与测试集。
其中,所述数据集按照2:1:1的比例设置深度学习网络的训练集、验证集与测试集,所述训练集包括训练数据图像和标签数据,训练集用于网络学习训练目标特征,必须保证训练集尽可能包括所有样本情况,才能让训练好的网络具有普适性,能够针对不同图像进行目标检测;验证集用于迭代更新神经网络参数,降低损失值;测试集用于计算准确率衡量网络性能。
S4:构建针对低信噪比下目标检测的深度学习神经网络。
所述深度学习神经网络包括设置网络的传输形式和网络结构,所述网络结构包括网络层数、每层神经元数量、所采用的激励函数和训练参数,深度学习神经网络采用FasterR-CNN神经网络,Faster R-CNN算法主要分为四部分:卷积层(Conv layers)、区域建议网络(Region Proposal Networks)、池化层(RoI Pooling)和分类层(Classification)。该算法使用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。
S5:对构建的神经网络进行充分训练并输出损失值和训练后的检测神经网络。
其中对构建的神经网络进行充分训练包括以下步骤:
S501: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;
S502:将训练图像数据集、标签数据集输入到建立的深度学习神经网络中,并计算损失值;
S503:迭代优化深度学习神经网络的模型参数,重复进行训练;
S504:当损失值达到最优时,结束训练并输出检测神经网络;
S505:修改预测神经网络的模型参数,重复进行训练,当损失值达到最优时,结束训练并输出检测神经网络。
其中所述损失值通过损失函数进行计算,损失值越小,表示预测的准确率越高,计算的公式如下:
所述修改预测神经网络修改的参数包括epoch和优化器,epoch指代所有的数据送入网络中完成一次前向计算及反向传播的过程,优化器为通过合适的参数使得损失函数的损失值尽可能小的算法。
S6:利用训练好的检测神经网络对测试集进行目标检测。
S7:获得测试集目标检测准确率结果。
其中,所述准确率包括检测率和虚警率,计算公式如下:
式中Pd为检测率,Pf为虚警率,TP为真正例,FN为假正例,FP为假反例。
目标检测的方法将雷达回波数据目标检测转化为二分类问题,分析目标与杂波之间的差异性,在二分类问题中,我们将真实情况为目标而被神经网络预测为目标的称为真正例(True positive,TP),将真实情况为目标而未被神经网络预测为目标的称为为真反例(Ture negative,TN),按照同样的方式可知假正例(False positive,FP)、假反例(Falsenegative,FN)的定义,检测率Pd为真正例占所有真实目标的比例,虚警率Pf为假正例占所有检测结果的比例。
为实现上述目的,本发明另外还提供一种基于深度学习的低信噪比下雷达RD图像目标检测系统,其中,所述系统包括:
图像生成模块,用于获取雷达回波数据,对数据进行预处理后,生成雷达距离多普勒维(RD)图像;
图像处理模块,用于对原始图像进行预处理并进行标签,得到数据集;
数据分类模块,用于对原始数据集进行分类,得到训练集、验证集与测试集;
网络构建模块,用于构建针对低信噪比下目标检测的深度学习神经网络;
网络训练模块,用于对构建的神经网络进行充分训练并输出损失值和训练后的检测神经网络;
目标检测模块,用于利用训练好的检测神经网络对测试集进行目标检测;以及;
准确率模块,用于输出测试集目标检测准确率结果。
为实现上述目的,本发明另外还提供一种基于深度学习的低信噪比下雷达RD图像目标检测计算设备,其中,所述计算机设备包括: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雷达RD图像目标检测算法程序,所述雷达RD图像目标检测程序配置为实现上述的雷达RD图像目标检测方方法的步骤。
所述计算设备可以是桌上型计算机、工业电脑、数控设备、工业机器人、服务器等计算设备。本领域技术人员可以理解,所述计算设备包括处理器和存储器,所述存储器用于存储指令的描述仅是计算设备的示例,并不构成对计算设备的限定,可以包括更多或更少的部件,或者组合某些部件,或者不同的部件,例如计算设备还可以包括输入输出设备、网络接入设备、总线等。
传统的雷达RD图像目标检测方法,包括恒虚警检测算法等,为了验证本实施例所述低信噪比下雷达RD图像目标检测方法相比于传统方法在针对复杂背景下目标检测方面有更高的准确率和更广泛的适用性,进行如下的实验。
同样的雷达回波数据集分别采用传统方法和本实施例提出的方法进行目标检测,在不同信噪比下重复试验进行对比,观察其检测的准确率,该实验中传统预测方法为单元平均恒虚警检测算法(CA-CFAR),对比结果如下表1所示:
表1:不同方法下对雷达RD图像目标检测的准确率对比表
根据上表可以看出,相对于传统方法对低信噪比下雷达RD图像的目标检测结果,采用本实施例提供的检测方法检测性能更好,检测率更高,虚警率更低。
尽管已经示出和描述了本发明的实施例,对于本领域的普通技术人员而言,可以理解在不脱离本发明的原理和精神的情况下可以对这些实施例进行多种变化、修改、替换和变型,本发明的范围由所附权利要求及其等同物限定。
Claims (10)
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:
S1:获取雷达回波数据,对数据进行预处理后,生成雷达距离多普勒维(RD)图像;
S2:对原始图像进行预处理并进行标签,得到数据集;
S3:对原始数据集进行分类,得到训练集、验证集与测试集;
S4:构建针对低信噪比下目标检测的深度学习神经网络;
S5:对构建的神经网络进行充分训练并输出损失值和训练后的检测神经网络;
S6:利用训练好的检测神经网络对测试集进行目标检测;
S7:获得测试集目标检测准确率结果。
2.根据权利要求1所述的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:所述步骤S1中对雷达回波数据进行预处理的具体步骤为:
S101:通过仿真生成雷达回波数据,并在数据中加入不同信噪比的随机噪声;
S102:将雷达回波数据中目标数目、位置与速度一定范围内随机生成。
3.根据权利要求1所述的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:所述步骤S2中原始图像进行预处理并进行标签的具体步骤为:
S201:将原始图像标准化,并调整分辨率为适合深度学习神经网络学习的大小;
S202:获取目标所在位置的具体坐标值;
S203: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.根据权利要求1所述的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:所述步骤S3中所述训练集包括训练数据图像和标签数据。
5.根据权利要求1所述的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:所述步骤S4中构建的所述深度学习神经网络包括设置网络的传输形式、网络层数、每层神经元数量、所采用的激励函数和训练参数。
6.根据权利要求1所述的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:步骤S5中对构建的神经网络进行充分训练包括以下步骤:
S501: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;
S502:将训练图像数据集、标签数据集输入到建立的深度学习神经网络中,并计算损失值;
S503:迭代优化深度学习神经网络的模型参数,重复进行训练;
S504:当损失值达到最优时,结束训练并输出检测神经网络;
S505:修改预测神经网络的模型参数,重复进行训练,当损失值达到最优时,结束训练并输出检测神经网络。
9.一种基于深度学习的低信噪比下雷达RD图像目标检测系统,其特征在于:所述系统包括:
图像生成模块,用于获取雷达回波数据,对数据进行预处理后,生成雷达距离多普勒维(RD)图像;
图像处理模块,用于对原始图像进行预处理并进行标签,得到数据集;
数据分类模块,用于对原始数据集进行分类,得到训练集、验证集与测试集;
网络构建模块,用于构建针对低信噪比下目标检测的深度学习神经网络;
网络训练模块,用于对构建的神经网络进行充分训练并输出损失值和训练后的检测神经网络;
目标检测模块,用于利用训练好的检测神经网络对测试集进行目标检测;以及;
准确率模块,用于输出测试集目标检测准确率结果。
10.一种基于深度学习的低信噪比下雷达RD图像目标检测计算设备,其特征在于:所述计算机设备包括: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雷达RD图像目标检测算法程序,所述雷达RD图像目标检测程序配置为实现权利要求1-8中任一项所述的雷达RD图像目标检测方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110784686.8A CN113486961A (zh) | 2021-07-12 | 2021-07-12 | 基于深度学习的低信噪比下雷达rd图像目标检测方法、系统及计算机设备 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110784686.8A CN113486961A (zh) | 2021-07-12 | 2021-07-12 | 基于深度学习的低信噪比下雷达rd图像目标检测方法、系统及计算机设备 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN113486961A true CN113486961A (zh) | 2021-10-08 |
Family
ID=77938647
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110784686.8A Pending CN113486961A (zh) | 2021-07-12 | 2021-07-12 | 基于深度学习的低信噪比下雷达rd图像目标检测方法、系统及计算机设备 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113486961A (zh) |
Cited By (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113962968A (zh) * | 2021-10-26 | 2022-01-21 | 北京临近空间飞行器系统工程研究所 | 面向复杂电磁环境下多源混合干扰雷达图像目标检测系统 |
CN114199168A (zh) * | 2021-12-16 | 2022-03-18 | 珠海格力电器股份有限公司 | 一种室内体积探测方法、装置、设备及介质 |
CN114677568A (zh) * | 2022-05-30 | 2022-06-28 | 山东极视角科技有限公司 | 一种基于神经网络的线性目标检测方法、模块及系统 |
CN114818838A (zh) * | 2022-06-30 | 2022-07-29 | 中国科学院国家空间科学中心 | 基于像元时域分布学习的低信噪比运动点目标检测方法 |
CN115494496A (zh) * | 2022-09-19 | 2022-12-20 | 深圳大学 | 单比特雷达成像系统、方法及相关设备 |
CN115840875A (zh) * | 2022-11-10 | 2023-03-24 | 北京擎天信安科技有限公司 | 一种基于Anomaly Transformer的毫米波雷达异常信号检测方法及系统 |
CN116125421A (zh) * | 2023-02-07 | 2023-05-16 | 中国电子科技集团公司第五十四研究所 | 一种基于深度学习的阵列雷达多回波信号目标检测方法 |
Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108549832A (zh) * | 2018-01-21 | 2018-09-18 | 西安电子科技大学 | 基于全连接神经网络的低截获雷达信号分类方法 |
CN110824450A (zh) * | 2019-10-15 | 2020-02-21 | 中国人民解放军国防科技大学 | 一种噪声环境下的雷达目标hrrp鲁棒识别方法 |
-
2021
- 2021-07-12 CN CN202110784686.8A patent/CN113486961A/zh active Pending
Patent Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108549832A (zh) * | 2018-01-21 | 2018-09-18 | 西安电子科技大学 | 基于全连接神经网络的低截获雷达信号分类方法 |
CN110824450A (zh) * | 2019-10-15 | 2020-02-21 | 中国人民解放军国防科技大学 | 一种噪声环境下的雷达目标hrrp鲁棒识别方法 |
Non-Patent Citations (1)
Title |
---|
张暄,等: "基于卷积神经网络的雷达目标检测方法", 《计算机测量与控制》 * |
Cited By (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113962968A (zh) * | 2021-10-26 | 2022-01-21 | 北京临近空间飞行器系统工程研究所 | 面向复杂电磁环境下多源混合干扰雷达图像目标检测系统 |
CN113962968B (zh) * | 2021-10-26 | 2024-06-04 | 北京临近空间飞行器系统工程研究所 | 面向复杂电磁环境下多源混合干扰雷达图像目标检测系统 |
CN114199168A (zh) * | 2021-12-16 | 2022-03-18 | 珠海格力电器股份有限公司 | 一种室内体积探测方法、装置、设备及介质 |
CN114677568A (zh) * | 2022-05-30 | 2022-06-28 | 山东极视角科技有限公司 | 一种基于神经网络的线性目标检测方法、模块及系统 |
CN114818838A (zh) * | 2022-06-30 | 2022-07-29 | 中国科学院国家空间科学中心 | 基于像元时域分布学习的低信噪比运动点目标检测方法 |
CN115494496A (zh) * | 2022-09-19 | 2022-12-20 | 深圳大学 | 单比特雷达成像系统、方法及相关设备 |
CN115840875A (zh) * | 2022-11-10 | 2023-03-24 | 北京擎天信安科技有限公司 | 一种基于Anomaly Transformer的毫米波雷达异常信号检测方法及系统 |
CN116125421A (zh) * | 2023-02-07 | 2023-05-16 | 中国电子科技集团公司第五十四研究所 | 一种基于深度学习的阵列雷达多回波信号目标检测方法 |
CN116125421B (zh) * | 2023-02-07 | 2023-10-20 | 中国电子科技集团公司第五十四研究所 | 一种基于深度学习的阵列雷达多回波信号目标检测方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
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、系统及计算机设备 | |
CN110472627B (zh) | 一种端到端的sar图像识别方法、装置及存储介质 | |
Wang et al. | Deep learning-based UAV detection in pulse-Doppler radar | |
CN109766835B (zh) | 基于多参数优化生成对抗网络的sar目标识别方法 | |
CN103632382A (zh) | 一种基于压缩感知的实时多尺度目标跟踪方法 | |
CN112734691A (zh) | 一种工业制品缺陷检测方法、装置、终端设备及存储介质 | |
Wang et al. | Side-scan sonar image segmentation based on multi-channel fusion convolution neural networks | |
CN111695461B (zh) | 一种基于图频特性的雷达杂波智能分类方法 | |
CN111707998B (zh) | 一种基于连通区域特征的海面漂浮小目标检测方法 | |
Nuhoglu et al. | Image segmentation for radar signal deinterleaving using deep learning | |
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 | |
CN114117912A (zh) | 一种数据模型双驱动下的海杂波建模与抑制方法 | |
Tian et al. | Performance evaluation of deception against synthetic aperture radar based on multifeature fusion | |
JP7484492B2 (ja) | レーダーに基づく姿勢認識装置、方法及び電子機器 | |
CN109801208A (zh) | 基于多gpu任务优化的sar图像变化检测方法 | |
CN117630860A (zh) | 一种毫米波雷达的手势识别方法 | |
Chu et al. | Attention enhanced spatial temporal neural network for HRRP recognition | |
CN116310837B (zh) | 一种sar舰船目标旋转检测方法及系统 | |
CN116630937A (zh) | 一种多模态融合的3d目标检测方法 | |
CN104732190A (zh) | 一种基于正交纹理相关分析的合成孔径声纳目标检测方法 | |
CN113408538A (zh) | 基于svm的雷达rd图像弱目标检测方法、系统、存储介质和电子终端 | |
Wang et al. | Speed sign recognition in complex scenarios based on deep cascade networks | |
Vishwakarma et al. | Two‐dimensional DFT with sliding and hopping windows for edge map generation of road images | |
Wang et al. | An Improved Object Detection Method for Underwater Sonar Image Based on PP‐YOLOv2 | |
Li et al. | Radar high resolution range profile recognition via multi-SV method |
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: 20211008 |
|
RJ01 | Rejection of invention patent application after publication |