CN113805151A - 基于注意力机制的中重频雷达目标检测方法 - Google Patents

基于注意力机制的中重频雷达目标检测方法 Download PDF

Info

Publication number
CN113805151A
CN113805151A CN202110944250.0A CN202110944250A CN113805151A CN 113805151 A CN113805151 A CN 113805151A CN 202110944250 A CN202110944250 A CN 202110944250A CN 113805151 A CN113805151 A CN 113805151A
Authority
CN
China
Prior art keywords
attention mechanism
detection
target
frame
radar
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
Application number
CN202110944250.0A
Other languages
English (en)
Inventor
田姗姗
王武奇
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.)
Qingdao Benyuan Microelectronics Co ltd
Original Assignee
Qingdao Benyuan Microelectronics Co ltd
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 Qingdao Benyuan Microelectronics Co ltd filed Critical Qingdao Benyuan Microelectronics Co ltd
Priority to CN202110944250.0A priority Critical patent/CN113805151A/zh
Publication of CN113805151A publication Critical patent/CN113805151A/zh
Pending legal-status Critical Current

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
    • 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
    • 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
    • G01S7/411—Identification of targets based on measurements of radar reflectivity
    • 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
    • G06F18/2415—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on parametric or probabilistic models, e.g. based on likelihood ratio or false acceptance rate versus a false rejection rate
    • 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
    • G06N3/044—Recurrent networks, e.g. Hopfield 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
    • G06N3/04—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)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Evolutionary Computation (AREA)
  • Artificial Intelligence (AREA)
  • Data Mining & Analysis (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • General Engineering & Computer Science (AREA)
  • Computing Systems (AREA)
  • Radar, Positioning & Navigation (AREA)
  • Molecular Biology (AREA)
  • Computational Linguistics (AREA)
  • Biophysics (AREA)
  • Biomedical Technology (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Health & Medical Sciences (AREA)
  • General Health & Medical Sciences (AREA)
  • Remote Sensing (AREA)
  • Computer Networks & Wireless Communication (AREA)
  • Probability & Statistics with Applications (AREA)
  • Evolutionary Biology (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Radar Systems Or Details Thereof (AREA)

Abstract

本发明公开了一种基于注意力机制的中重频雷达目标检测方法，包括：对雷达接收的回波信号进行预处理得到距离多普勒二维图像；使用自注意力机制的网络层对特征提取与增强；构建Mobilenetv3‑Small卷积神经网络，设置起始训练参数开始训练；训练过程中每个Epoch后使用验证集验证网络是否欠拟合或者过拟合；训练过程中设置学习率下降机制；将训练得到的检测器用于目标检测，并使用改进的非极大值抑制Soft‑NMS算法消除可能存在的重叠的检测框；验证集和测试集上计算目标检测的准确率、漏检率、虚警率是否满足检测要求，若不满足则设置新的初始化参数重新训练；具有实现简单、检测精度高、适用于广泛的的特点。

Description

基于注意力机制的中重频雷达目标检测方法
技术领域
本发明属于雷达技术领域，具体地说，是涉及一种基于注意力机制的中重频雷达目标检测方法。
背景技术
雷达作为一种重要探测目标系统，目标精确检测能有效提高作战效率。当背景复杂且存在干扰和杂波时，传统雷达目标检测方法性能下降、漏检率上升，只有背景简单且目标的雷达的反射截面积大时，检测性能才较好。
因此，在复杂背景下快速处理雷达回波信号并具有高检测性能一直是雷达的研究热点。
发明内容
本发明的目的在于提供一种基于注意力机制的中重频雷达目标检测方法，以提高雷达目标检测的性能。
本发明采用以下技术方案予以实现：
提出一种基于注意力机制的中重频雷达目标检测方法，包括以下步骤：
1)对雷达接收的回波信号进行预处理得到距离多普勒二维图像；
2)对所述距离多普勒二维图像进行标注，并划分数据集；
3)构建自注意力机制的网络层；
4)构建用于目标检测的Mobilenetv3-Small卷积神经网络，并设置起始训练参数，所述起始训练参数包括学习率、迭代次数、检测框、早停机制；
5)训练所述Mobilenetv3-Small卷积神经网络，将训练得到的检测器用于目标检测，并采用改进的非极大值抑制Soft-NMS算法消除重叠的检测框；
6)在验证集和测试集上计算目标检测的准确率、漏检率、虚警率是否满足检测要求，若不满足则设置新的初始化参数重新训练所述Mobilenetv3-Small卷积神经网络直至满足检测要求。
进一步的，步骤1具体包括：
11)对雷达接收的回波信号沿慢时间方向和快时间方向分别做一次傅里叶变换；
12)对经过步骤11处理的信号做傅里叶平移变换和取绝对值；
13)对12处理的信号归一化得到所述距离多普勒矩阵。
进一步的，步骤2中，对所述距离多普勒二维图像进行标注，具体包括：
设定标注框为(x1,y1,x2,y2)；其中x1,y1为标注框的左上角横纵坐标，x2,y2为标注框的右下角横纵坐标；
将标注框转化成中心点坐标表示
Figure BDA0003216215520000021
进一步的，步骤3中构建的自注意力机制的网络层，包括2层编码层，每层编码层包括自注意力机制和前馈神经网络两个子层；每个自注意力机制层包括维度为dk的三个向量：Query、Key、Values，采用Q、K、V代替，通过计算Q、K的点积并除以尺度系数
Figure BDA0003216215520000022
得到Q、K对应的权重信息；使用softmax对权重函数归一化并对V进行加权求和，得到注意力值；其中，注意力算法采用
Figure BDA0003216215520000023
实现。
进一步的，步骤4中Mobilenetv3-Small卷积神经网络包括12个bottleneck层，一个标准卷积层，两个逐点卷积层；其中，每个Bottelneck包括两个逐点卷积层和一层深度卷积层。
进一步的，步骤4中设置起始训练参数，具体包括：
设置100个Epoch；初始学习率为0.001；设置学习率下降机制：在第60个Epoch、第80个Epoch学习率分别下降1/10；检测框尺寸为16；早停机制：当泛化错误在连续5个周期内增长时则停止更新。
进一步的，在步骤5训练所述Mobilenetv3-Small卷积神经网络中，目标回归的损失函数为：
Figure BDA0003216215520000031
其中，A,B分别为预测框和真实框；预测框A坐标为(x1,y1,x2,y2)，真实框B坐标为：
Figure BDA0003216215520000032
表示预测框和真实框的交并比，b,bgt分别表示预测框和真实框的中心点，ρ表示两个中心点的欧式距离，c表示能够同时包含预测框和真实框的最小闭包区域的对角线距离
进一步的，在步骤5采用改进的非极大值抑制Soft-NMS算法消除重叠的检测框，计算如下：
Figure BDA0003216215520000033
其中，D表示所有保留的有效框集合，bi表示待过滤的第i个预测框，si表示第i个预测框对应的分类score；使用高斯函数作为惩罚项，当iou＝0时，分类score不变；当0<iou<1时，分类score会衰减
进一步的，在步骤6中，准确率定义为：
Figure BDA0003216215520000041
漏检率：
Figure BDA0003216215520000042
虚警率：
Figure BDA0003216215520000043
其中，NTP为真实目标被预测为真目标的个数，NFP为假目标被预测成真目标的个数，NFN为真实目标被预测为假目标，NTN为假目标被预测成假目标的个数。
与现有技术相比，本发明的优点和积极效果是：本发明提出的基于自注意力机制的中重频雷达目标检测方法中，利用自注意力机制在低感受野层增强了雷达回波信号的特征；利用Mobilenet-Small网络进行雷达目标检测，轻量化的网络保证了处理速度和准确率；设置了固定大小的检测框，更好的符合当前数据集的特点，提高了检测器的效率和准确率；引入Soft-NMS消除重叠框从而使得最终的检测结果更加准确，使得本发明具有实现简单、检测快且精度高、适用于需快速精确决策的系统的技术优点。
结合附图阅读本发明实施方式的详细描述后，本发明的其他特点和优点将变得更加清楚。
附图说明
图1为本发明提出的基于注意力机制的中重频雷达目标检测方法的流程图；
图2为本发明提出的基于注意力机制的中重频雷达目标检测方法的示意图；
图3为本发明雷达回波信号预处理后的二维图像；
图4为本发明提出的基本网络框架示意图；
图5为本发明中数据集检测框的宽高分布示意图；
图6为本发明基于注意力机制的中重频雷达目标检测器的检测结果示意图。
具体实施方式
下面结合附图对本发明的具体实施方式作进一步详细的说明。
如图1和图2所示，本发明提出的基于注意力机制的中重频雷达目标检测方法，包括如下步骤：
步骤S1：对雷达接收的回波信号进行预处理得到距离多普勒二维图像。
在本发明实施例中，具体包括以下步骤：
步骤S11：对接收的雷达回波的时间序列信号，沿慢时间方向和快时间方向分别先做一次傅里叶变换。
步骤S12：在步骤S11的处理基础上做一次傅里叶平移变换和取绝对值。
步骤S13：在步骤S12的处理基础上归一化得到距离多普勒矩阵，显示到图像上会有几个点，如图3所示。
步骤S2：对距离多普勒二维图像进行标注，并划分数据集。
在本发明实施例中，利用LabelImg开源标注软件对多普勒二维图像进行标注，标注框为(x1,y1,x2,y2)；其中x1,y1为标注框的左上角横纵坐标，x2,y2为标注框的右下角横纵坐标；将标注框转化成中心点坐标表示：
Figure BDA0003216215520000051
离线训练网络时有多段雷达回波信号，以段为单位按照8:1:1划分训练集、验证集、测试集，每段数据包含多帧连续数据。
步骤S3：构建自注意力机制的网络层。
在本发明实施例中，构建Self-Attention注意力机制的网络层，该网络层包括2层编码层，每层编码层包括自注意力机制和前馈神经网络两个子层。
每个自注意力机制层包括维度为dk的三个向量：Query、Key、Values，采用Q、K、V代替；通过计算Q、K的点积并除以一个尺度系数
Figure BDA0003216215520000061
可得到Q、K对应的权重信息；再使用softmax对权重函数归一化并对V进行加权求和，最终可得到注意力值，注意力算法采用
Figure BDA0003216215520000062
实现。
步骤S4：构建用于目标检测的Mobilenetv3-Small卷积神经网络，并设置起始训练参数，所述起始训练参数包括学习率、迭代次数、检测框、早停机制。
在本发明实施例中，构建MobilenetV3-Small网络如图4所示，MobilenetV3-Small相比于YOLOV5拥有更轻量级的网络，且使用的深度可分离卷积网络计算量小且快，满足快速计算的性能要求。该MobilenetV3-Small网络共有12个bottleneck层，一个标准卷积层，两个逐点卷积层，其中每个Bottelneck包括两个逐点卷积层和一层深度卷积层。
设置起始训练参数如下：
设置100个Epoch；
初始学习率为0.001；
设置学习率下降机制：在第60个Epoch、第80个Epoch学习率分别下降1/10；Batchsize为16；
早停机制：当泛化错误在连续5个周期内增长时则停止更新。
统计距离多普勒中目标的像素点个数，如图5所示，距离多普勒目标是几个像素点，统计所有的目标像素点长宽，将检测框设为(8,8)大小。
步骤S5：训练Mobilenetv3-Small卷积神经网络，将训练得到的检测器用于目标检测，并采用改进的非极大值抑制Soft-NMS算法消除重叠的检测框。
训练使用的目标回归的损失函数为：
Figure BDA0003216215520000071
其中，A,B分别为预测框和真实框；预测框A坐标为(x1,y1,x2,y2)，真实框B坐标为：
Figure BDA0003216215520000072
表示预测框和真实框的交并比，b,bgt分别表示预测框和真实框的中心点，ρ表示两个中心点的欧式距离，c表示能够同时包含预测框和真实框的最小闭包区域的对角线距离。
使用Soft-NMS消除存在的重叠候选框，Soft-NMS计算如下：
Figure BDA0003216215520000073
其中，D表示所有保留的有效框集合，bi表示待过滤的第i个预测框，si表示第i个预测框对应的分类score。使用高斯函数作为惩罚项，当iou＝0时，分类score不变；当0<iou<1时，分类score会衰减。
步骤S6：在验证集和测试集上计算目标检测的准确率、漏检率、虚警率是否满足检测要求，若不满足则设置新的初始化参数重新训练所述Mobilenetv3-Small卷积神经网络直至满足检测要求。
准确率定义为：
Figure BDA0003216215520000074
漏检率：
Figure BDA0003216215520000075
虚警率：
Figure BDA0003216215520000076
其中，NTP为真实目标被预测为真目标的个数，NFP为假目标被预测成真目标的个数，NFN为真实目标被预测为假目标，NTN为假目标被预测成假目标的个数。
如图6所示，为使用Soft-NMS算法消除存在的重叠候选框的检测结果，用识别准确率、漏检率、虚警率对检测进行评估如下：真实目标一共有3个，注意力机制的Mobilenet-Small目标检测器正确检测出3个目标，准确率为100％，漏检率为0，虚警率为0。
应该指出的是，上述说明并非是对本发明的限制，本发明也并不仅限于上述举例，本技术领域的普通技术人员在本发明的实质范围内所做出的变化、改型、添加或替换，也应属于本发明的保护范围。

Claims (9)

1.基于注意力机制的中重频雷达目标检测方法，其特征在于，包括以下步骤：
1)对雷达接收的回波信号进行预处理得到距离多普勒二维图像；
2)对所述距离多普勒二维图像进行标注，并划分数据集；
3)构建自注意力机制的网络层；
4)构建用于目标检测的Mobilenetv3-Small卷积神经网络，并设置起始训练参数，所述起始训练参数包括学习率、迭代次数、检测框、早停机制；
5)训练所述Mobilenetv3-Small卷积神经网络，将训练得到的检测器用于目标检测，并采用改进的非极大值抑制Soft-NMS算法消除重叠的检测框；
6)在验证集和测试集上计算目标检测的准确率、漏检率、虚警率是否满足检测要求，若不满足则设置新的初始化参数重新训练所述Mobilenetv3-Small卷积神经网络直至满足检测要求。
2.根据权利要求1所述的基于注意力机制的中重频雷达目标检测方法，其特征在于，步骤1具体包括：
11)对雷达接收的回波信号沿慢时间方向和快时间方向分别做一次傅里叶变换；
12)对经过步骤11处理的信号做傅里叶平移变换和取绝对值；
13)对12处理的信号归一化得到所述距离多普勒矩阵。
3.根据权利要求1所述的基于注意力机制的中重频雷达目标检测方法，其特征在于，步骤2中，对所述距离多普勒二维图像进行标注，具体包括：
设定标注框为(x1,y1,x2,y2)；其中x1,y1为标注框的左上角横纵坐标，x2,y2为标注框的右下角横纵坐标；
将标注框转化成中心点坐标表示
Figure FDA0003216215510000021
4.根据权利要求1所述的基于注意力机制的中重频雷达目标检测方法，其特征在于，步骤3中构建的自注意力机制的网络层，包括2层编码层，每层编码层包括自注意力机制和前馈神经网络两个子层；每个自注意力机制层包括维度为dk的三个向量：Query、Key、Values，采用Q、K、V代替，通过计算Q、K的点积并除以尺度系数
Figure FDA0003216215510000022
得到Q、K对应的权重信息；使用softmax对权重函数归一化并对V进行加权求和，得到注意力值；其中，注意力算法采用
Figure FDA0003216215510000023
实现。
5.根据权利要求1所述的基于注意力机制的中重频雷达目标检测方法，其特征在于，步骤4中Mobilenetv3-Small卷积神经网络包括12个bottleneck层，一个标准卷积层，两个逐点卷积层；其中，每个Bottelneck包括两个逐点卷积层和一层深度卷积层。
6.根据权利要求1所述的基于注意力机制的中重频雷达目标检测方法，其特征在于，步骤4中设置起始训练参数，具体包括：
设置100个Epoch；初始学习率为0.001；设置学习率下降机制：在第60个Epoch、第80个Epoch学习率分别下降1/10；检测框尺寸为16；早停机制：当泛化错误在连续5个周期内增长时则停止更新。
7.根据权利要求1所述的基于注意力机制的中重频雷达目标检测方法，其特征在于，在步骤5训练所述Mobilenetv3-Small卷积神经网络中，目标回归的损失函数为：
Figure FDA0003216215510000024
其中，A,B分别为预测框和真实框；预测框A坐标为(x1,y1,x2,y2)，真实框B坐标为：
Figure FDA0003216215510000031
表示预测框和真实框的交并比，b,bgt分别表示预测框和真实框的中心点，ρ表示两个中心点的欧式距离，c表示能够同时包含预测框和真实框的最小闭包区域的对角线距离。
8.根据权利要求1所述的基于注意力机制的中重频雷达目标检测方法，其特征在于，在步骤5采用改进的非极大值抑制Soft-NMS算法消除重叠的检测框，计算如下：
Figure FDA0003216215510000032
其中，D表示所有保留的有效框集合，bi表示待过滤的第i个预测框，si表示第i个预测框对应的分类score；使用高斯函数作为惩罚项，当iou＝0时，分类score不变；当0<iou<1时，分类score会衰减。
9.根据权利要求1所述的基于注意力机制的中重频雷达目标检测方法，其特征在于，在步骤6中，准确率定义为：
Figure FDA0003216215510000033
漏检率：
Figure FDA0003216215510000034
虚警率：
Figure FDA0003216215510000035
其中，NTP为真实目标被预测为真目标的个数，NFP为假目标被预测成真目标的个数，NFN为真实目标被预测为假目标，NTN为假目标被预测成假目标的个数。
CN202110944250.0A 2021-08-17 2021-08-17 基于注意力机制的中重频雷达目标检测方法 Pending CN113805151A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202110944250.0A CN113805151A (zh) 2021-08-17 2021-08-17 基于注意力机制的中重频雷达目标检测方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202110944250.0A CN113805151A (zh) 2021-08-17 2021-08-17 基于注意力机制的中重频雷达目标检测方法

Publications (1)

Publication Number Publication Date
CN113805151A true CN113805151A (zh) 2021-12-17

Family

ID=78893655

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202110944250.0A Pending CN113805151A (zh) 2021-08-17 2021-08-17 基于注意力机制的中重频雷达目标检测方法

Country Status (1)

Country Link
CN (1) CN113805151A (zh)

Citations (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2019144575A1 (zh) * 2018-01-24 2019-08-01 中山大学 一种快速行人检测方法及装置
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
CN111666836A (zh) * 2020-05-22 2020-09-15 北京工业大学 M-f-y型轻量化卷积神经网络的高分辨率遥感影像目标检测方法
CN111882543A (zh) * 2020-07-29 2020-11-03 南通大学 一种基于AA R2Unet和HMM的香烟滤棒计数方法
CN111915583A (zh) * 2020-07-29 2020-11-10 西安电子科技大学 复杂场景中基于车载红外热像仪的车辆和行人检测方法
CN112541481A (zh) * 2020-12-25 2021-03-23 南京航空航天大学 一种基于深度学习的对海探测雷达目标检测方法
WO2021139069A1 (zh) * 2020-01-09 2021-07-15 南京信息工程大学 自适应注意力指导机制的一般性目标检测方法
CN113221631A (zh) * 2021-03-22 2021-08-06 西安电子科技大学 基于卷积神经网络的序列脉冲抗干扰目标检测方法

Patent Citations (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2019144575A1 (zh) * 2018-01-24 2019-08-01 中山大学 一种快速行人检测方法及装置
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
WO2021139069A1 (zh) * 2020-01-09 2021-07-15 南京信息工程大学 自适应注意力指导机制的一般性目标检测方法
CN111666836A (zh) * 2020-05-22 2020-09-15 北京工业大学 M-f-y型轻量化卷积神经网络的高分辨率遥感影像目标检测方法
CN111882543A (zh) * 2020-07-29 2020-11-03 南通大学 一种基于AA R2Unet和HMM的香烟滤棒计数方法
CN111915583A (zh) * 2020-07-29 2020-11-10 西安电子科技大学 复杂场景中基于车载红外热像仪的车辆和行人检测方法
CN112541481A (zh) * 2020-12-25 2021-03-23 南京航空航天大学 一种基于深度学习的对海探测雷达目标检测方法
CN113221631A (zh) * 2021-03-22 2021-08-06 西安电子科技大学 基于卷积神经网络的序列脉冲抗干扰目标检测方法

Similar Documents

Publication Publication Date Title
CN110232350B (zh) 一种基于在线学习的实时水面多运动目标检测跟踪方法
Le et al. Deep gabor neural network for automatic detection of mine-like objects in sonar imagery
Jing et al. AENN: A generative adversarial neural network for weather radar echo extrapolation
CN111080675A (zh) 一种基于时空约束相关滤波的目标跟踪方法
CN109993770B (zh) 一种自适应时空学习与状态识别的目标跟踪方法
CN112464994A (zh) 基于PointNet网络的船艇尾浪识别与去除方法
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
CN112149664A (zh) 一种优化分类与定位任务的目标检测方法
CN112816982A (zh) 一种雷达目标检测方法
Xu et al. An SVM-based AdaBoost cascade classifier for sonar image
CN114842196A (zh) 一种雷达射频图像目标检测方法
CN116310837B (zh) 一种sar舰船目标旋转检测方法及系统
CN113805151A (zh) 基于注意力机制的中重频雷达目标检测方法
Feng et al. Rapid ship detection method on movable platform based on discriminative multi-size gradient features and multi-branch support vector machine
CN116953702A (zh) 基于演绎范式的旋转目标检测方法及装置
Wang et al. Passive tracking of underwater acoustic targets based on multi-beam LOFAR and deep learning
Wang et al. An Improved Object Detection Method for Underwater Sonar Image Based on PP-YOLOv2
Vicen-Bueno et al. Detection of ships in marine environments by square integration mode and multilayer perceptrons
CN114255385A (zh) 基于感知向量的光学遥感图像舰船检测方法及系统
CN113447901A (zh) 一种不依赖概率模型的海杂波识别与目标检测方法
Chen et al. Integrated processing of radar detection and classification for moving target via time-frequency graph and CNN learning
Zheng et al. Deep learning for typhoon intensity classification using satellite cloud images
Dubey et al. Bayesradar: Bayesian Metric-Kalman filter learning for improved and reliable radar target classification
Zuo et al. Dynamic target tracking based on corner enhancement with Markov decision process
Xiang et al. TCM Model for improving track sequence classification in real scenarios with Multi-Feature Fusion and Transformer Block

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