CN114359667B - 一种基于生成式对抗网络的强度相干识别方法及设备 - Google Patents
一种基于生成式对抗网络的强度相干识别方法及设备 Download PDFInfo
- Publication number
- CN114359667B CN114359667B CN202111661474.7A CN202111661474A CN114359667B CN 114359667 B CN114359667 B CN 114359667B CN 202111661474 A CN202111661474 A CN 202111661474A CN 114359667 B CN114359667 B CN 114359667B
- Authority
- CN
- China
- Prior art keywords
- countermeasure network
- identified
- network model
- target
- speckle pattern
- 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.)
- Active
Links
- 238000000034 method Methods 0.000 title claims abstract description 60
- 230000001427 coherent effect Effects 0.000 title claims abstract description 29
- 238000012549 training Methods 0.000 claims abstract description 40
- 238000004590 computer program Methods 0.000 claims description 19
- 230000008569 process Effects 0.000 claims description 11
- 230000006870 function Effects 0.000 claims description 9
- ORILYTVJVMAKLC-UHFFFAOYSA-N Adamantane Natural products C1C(C2)CC3CC1CC2C3 ORILYTVJVMAKLC-UHFFFAOYSA-N 0.000 claims description 5
- 230000008485 antagonism Effects 0.000 claims description 2
- 238000003384 imaging method Methods 0.000 abstract description 13
- 238000012545 processing Methods 0.000 abstract description 7
- 230000009471 action Effects 0.000 abstract description 4
- 238000013461 design Methods 0.000 abstract description 4
- 238000012360 testing method Methods 0.000 description 6
- 238000005516 engineering process Methods 0.000 description 4
- 238000013135 deep learning Methods 0.000 description 2
- 230000007547 defect Effects 0.000 description 2
- 230000007246 mechanism Effects 0.000 description 2
- 230000003287 optical effect Effects 0.000 description 2
- 238000011160 research Methods 0.000 description 2
- 238000004458 analytical method Methods 0.000 description 1
- 238000003491 array Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000002474 experimental method Methods 0.000 description 1
- 230000003993 interaction Effects 0.000 description 1
- 238000005305 interferometry Methods 0.000 description 1
- QSHDDOUJBYECFT-UHFFFAOYSA-N mercury Chemical compound [Hg] QSHDDOUJBYECFT-UHFFFAOYSA-N 0.000 description 1
- 229910052753 mercury Inorganic materials 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 238000011084 recovery Methods 0.000 description 1
- 238000005070 sampling Methods 0.000 description 1
- 238000004088 simulation Methods 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
Abstract
一种基于生成式对抗网络的强度相干识别方法及设备，识别方法包括以下步骤：获取包含对象类别信息的散斑图样作为样本训练生成式对抗网络模型，获得条件生成式对抗网络模型；获取包含待识别目标类别信息的散斑图样；将包含待识别目标类别信息的散斑图样输入条件生成式对抗网络模型，获得待识别目标类别信息。本发明不依靠目标图像信息进行识别，而是基于强度相干成像的系统架构，利用生成式对抗网络输入随机噪声的特点，设计了通过接收强度相干成像中光源和目标作用后的回波信号进行目标识别的方法，能大幅缩短数据采集和处理的时间。本发明识别方法基于强度相干成像系统架构，只需要探测目标与光源作用后的强度分布，有效降低了设备复杂度。
Description
技术领域
本发明属于目标识别领域，涉及一种基于生成式对抗网络的强度相干识别方法及设备。
背景技术
目标识别技术是国民经济和军事战争领域的一项重要任务，受到了越来越多的关注。但由于识别条件、周围环境和目标姿态的多样性，使目标识别任务具有很强的挑战性。当前，基于目标图像信息的识别技术，提出了多种成像方法，但对场景复杂、形态多样且能见度低的目标的建模能力有限，导致获取图像质量低，耗时长，这些都制约了目标识别技术的实用化进程和应用场景。
强度相干成像方法(intensity interferometry imaging)从强度干涉仪发展而来，1965年，Hanbury Brown和Twiss以高压汞灯为光源完成了强度干涉仪原理性的实验，证明了热光场的强度涨落是关联的，很好的符合了理论研究的结论。强度相干成像方法的提出有效降低了设备复杂程度，无需获得光场的干涉条纹，减少了光路的设计工作量。并且，其对大气湍流扰动和光学系统相差等缺陷影响不明显，具有抗湍流扰动的特性。
如何将强度相干成像方法结合运用于目标识别技术是值得研究的课题。
发明内容
本发明的目的在于针对上述现有技术中的问题，提供一种基于生成式对抗网络的强度相干识别方法及设备，利用深度学习方法中的生成式对抗网络架构，及强度相干成像机理，突破传统依靠目标图像信息进行识别的方法，缩短数据采集及处理时间，实现快速识别目标。
为了实现上述目的，本发明有如下的技术方案：
一种基于生成式对抗网络的强度相干识别方法，包括以下步骤：
获取包含对象类别信息的散斑图样作为样本训练生成式对抗网络模型，获得条件生成式对抗网络模型；
获取包含待识别目标类别信息的散斑图样；
将包含待识别目标类别信息的散斑图样输入条件生成式对抗网络模型，获得待识别目标类别信息。
作为本发明识别方法的一种优选方案，所述获取包含对象类别信息的散斑图样的步骤中，将随机散斑加载在对象上，使不同对象对应不同散斑图样，将包含对象类别信息的散斑图样作为训练生成式对抗网络模型的样本。
作为本发明识别方法的一种优选方案，所述获取包含待识别目标类别信息的散斑图样的步骤中，将随机散斑加载在待识别目标上进行获取。
作为本发明识别方法的一种优选方案，所述的条件生成式对抗网络模型由生成器与判别器构成，将随机散斑加载在待识别目标上探测回波信号，条件生成式对抗网络模型训练过程中每一个回波信号都有对应目标的类别标签c，类别标签c和正态分布的随机数z同时作为生成器的输入，输出为带标签的生成样本Xfake＝G(c,z)；判别器的输入为包含待识别目标类别信息的散斑图样及其对应的类别标签c～PC和带标签的生成样本Xfake，输出为生成样本的真假概率分布Xture＝D(c,x)和生成样本对应的类别标签。
作为本发明识别方法的一种优选方案，所述判别器的目标函数包括两个部分：包含待识别目标类别信息的散斑图样的对数似然LS及其对应类别标签的对数似然LC；
两个部分的分布可以表示为如下表达式：
Ls＝E[logP(S＝real|Xreal)]+E[logP(S＝fake|Xfake)]
Lc＝E[logP(C＝c|Xreal)]+[ElogP(C＝c|Xfake)]
训练时，生成器和判别器互相博弈，判别器通过迭代训练使得LS+LC取得最大值，而生成器通过迭代训练使得LS-LC取得最大值，最终使网络达到纳什均衡状态。
作为本发明识别方法的一种优选方案，所述的条件生成式对抗网络模型使用Adam算法进行训练，使用识别准确率Accuracy评估条件生成式对抗网络模型对待识别目标类别信息的识别性能。
本发明实施例还提出一种基于生成式对抗网络的强度相干识别系统，包括：
生成式对抗网络模型训练模块，用于获取包含对象类别信息的散斑图样作为样本训练生成式对抗网络模型，获得条件生成式对抗网络模型；
目标散斑图样获取模块，用于获取包含待识别目标类别信息的散斑图样；
目标类别信息识别模块，用于将包含待识别目标类别信息的散斑图样输入条件生成式对抗网络模型，获得待识别目标类别信息。
本发明实施例还提出一种终端设备，包括存储器、处理器以及存储在所述存储器中并可在所述处理器上运行的计算机程序，所述的处理器执行所述的计算机程序时实现所述基于生成式对抗网络的强度相干识别方法的步骤。
本发明实施例还提出一种计算机可读存储介质，所述计算机可读存储介质存储有计算机程序，所述的计算机程序被处理器执行时实现所述基于生成式对抗网络的强度相干识别方法的步骤。
相较于现有技术，本发明至少具有如下的有益效果：
(1)不依靠目标图像信息进行识别，而是基于强度相干成像的系统架构，利用生成式对抗网络输入随机噪声的特点，设计了通过接收强度相干成像中光源和目标作用后的回波信号进行目标识别的方法；
(2)大幅缩短数据采集和处理的时间，在训练完成后，依靠目标的回波信号进行识别，因此不需要大量的数据进行图像恢复，也不需要对图像进行优化和分析处理；
(3)光路设计简化，本发明识别方法基于强度相干成像系统架构，只需要探测目标与光源作用后的强度分布，有效降低了设备复杂度。
附图说明
为了更清楚地说明本申请实施例中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本申请的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动性的前提下，还可以根据这些附图获得其他的附图。
图1本发明基于生成式对抗网络的强度相干识别方法原理示意图；
图2本发明实施例基于生成式对抗网络的强度相干识别方法流程图。
具体实施方式
以下描述中，为了说明而不是为了限定，提出了诸如特定系统结构、技术之类的具体细节，以便透彻理解本申请实施例。然而，本领域的技术人员应当清楚，在没有这些具体细节的其它实施例中也可以实现本申请。在其它情况中，省略对众所周知的系统、装置、电路以及方法的详细说明，以免不必要的细节妨碍本申请的描述。
另外，在本申请说明书和所附权利要求书的描述中，术语“第一”、“第二”、“第三”等仅用于区分描述，而不能理解为指示或暗示相对重要性。
本发明利用深度学习方法中的生成式对抗网络架构以及强度相干成像机理，提供一种基于生成式对抗网络的强度相干识别方法，请参阅图1和图2，本发明方法主要包括以下步骤：
步骤1：获取包含对象类别信息的散斑图样作为样本训练生成式对抗网络模型，获得条件生成式对抗网络模型；
步骤2：获取包含待识别目标类别信息的散斑图样；
步骤3：将包含待识别目标类别信息的散斑图样输入条件生成式对抗网络模型，获得待识别目标类别信息。
在一种实施方式中，步骤S1在获取包含对象类别信息的散斑图样的步骤中，将随机散斑加载在对象上，使不同对象对应不同散斑图样，将包含对象类别信息的散斑图样作为训练生成式对抗网络模型的样本。
更进一步的，所述获取包含待识别目标类别信息的散斑图样的步骤中，通过将随机散斑加载在待识别目标上进行获取。
在一种实施方式中，所述的条件生成式对抗网络模型由生成器与判别器构成，将随机散斑加载在待识别目标上探测回波信号，条件生成式对抗网络模型训练过程中每一个回波信号都有对应目标的类别标签c，类别标签c和正态分布的随机数z同时作为生成器的输入，输出为带标签的生成样本Xfake＝G(c,z)；判别器的输入为包含待识别目标类别信息的散斑图样及其对应的类别标签c～PC和带标签的生成样本Xfake，输出为生成样本的真假概率分布Xture＝D(c,x)和生成样本对应的类别标签。
更进一步的，所述判别器的目标函数包括两个部分：包含待识别目标类别信息的散斑图样的对数似然LS及其对应类别标签的对数似然LC；
所述两个部分的分布可以表示为如下表达式：
Ls＝E[logP(S＝real|Xreal)]+E[logP(S＝fake|Xfake)]
Lc＝E[logP(C＝c|Xreal)]+[ElogP(C＝c|Xfake)]
训练时，生成器和判别器互相博弈，判别器通过迭代训练使得LS+LC取得最大值，而生成器通过迭代训练使得LS-LC取得最大值，最终使网络达到纳什均衡状态。
步骤S1所述的条件生成式对抗网络模型使用Adam算法进行训练，使用识别准确率Accuracy评估条件生成式对抗网络模型对待识别目标类别信息的识别性能。
进一步，使用测试集文件对获得的条件生成式对抗网络模型进行测试验证，所获得的条件生成式对抗网络模型满足设定次数类别信息的识别准确率Accuracy均达到标准值的条件。
本发明基于生成式对抗网络的强度相干识别方法，生成式对抗网络可用于目标识别任务，该模型通过学习样本的数据分布，能产生大量与真实样本分布相似的生成样本，但无法控制生成样本中目标的位置、角度和尺寸等特征。为了解决这个问题，对网络的输入引入约束条件，使得模型可以生成指定约束条件的仿真样本，从而指导数据生成。
条件生成式对抗网络模型由生成器G与判别器D构成。生成器用于产生与真实样本分布相似且对应条件的生成样本G(z)，判别器用于区分生成样本G(z)和真实样本x。
其损失函数为：
在强度相干识别中，随机散斑与同类型目标作用后探测到的回波信号可以有效表征该类目标的信息。因此，每类带有目标信息的散斑所对应的类别可以作为条件生成式对抗网络模型输入的条件，以控制条件生成式对抗网络生成指定内容的样本。
条件生成式对抗网络在训练过程中，每一个回波信号都有其对应目标的类别标签c，类别标签c和正态分布的随机数z同时作为生成器的输入，其输出为Xfake＝G(c,z)。判别器的输入为带有目标信息的散斑及其对应的类别标签c～PC和生成器生成的带标签的生成样本Xfake，其输出为生成样本的真假概率分布Xture＝D(c,x)和生成样本对应的类别标签。
判别器的目标函数包括两个部分：带有目标信息的散斑的对数似然LS和其对应类别标签的对数似然LC，分布可以表示为：
Ls＝E[logP(S＝real|Xreal)]+E[logP(S＝fake|Xfake)]
Lc＝E[logP(C＝c|Xreal)]+[ElogP(C＝c|Xfake)]
训练时，生成器和判别器互相博弈，判别器通过迭代训练使得LS+LC取得最大值，而生成器通过迭代训练使得LS-LC取得最大值，最终使网络达到纳什均衡状态。通过引入包含目标信息的散斑所对应的类别标签作为条件变量，改善原始生成对抗网络训练过程中自由不可控的缺点，最终可以利用类别标签控制生成器生成对应类别的散斑。判别器也在对抗过程中不断学习真实样本数据特征分布，判断输入样本的真伪及其对应类别。
以下通过实际案例对本发明提出的识别方法加以验证。
实验条件：利用随机散斑与数字“2”和字母“G”这2类目标作用。经过多次采样后，得到包含目标信息的散斑图样，并分为训练集与测试集两部分，搭建三部分模型：生成模型、判别模型和生成器与判别器对抗训练模型，利用本发明提出的方法进行训练。
训练中使用Adam算法对条件生成对抗网络进行训练，循环训练5000个周期，训练结束之后保存模型。同时，使用识别准确率Accuracy评估模型对目标的识别性能，该值越大表示识别性能越好。
测试时载入训练好的网络模型，读取测试集文件中的散斑图样，执行判别器，判断测试图片的类别达到识别的目的。单个目标十次识别率为100％。
本发明另一实施例还提出一种基于生成式对抗网络的强度相干识别系统，包括：
生成式对抗网络模型训练模块，用于获取包含对象类别信息的散斑图样作为样本训练生成式对抗网络模型，获得条件生成式对抗网络模型；
目标散斑图样获取模块，用于获取包含待识别目标类别信息的散斑图样；
目标类别信息识别模块，用于将包含待识别目标类别信息的散斑图样输入条件生成式对抗网络模型，获得待识别目标类别信息。
本发明另一实施例还提出一种终端设备，包括存储器、处理器以及存储在所述存储器中并可在所述处理器上运行的计算机程序，所述的处理器执行所述的计算机程序时实现所述基于生成式对抗网络的强度相干识别方法的步骤。
本发明另一实施例还提出一种计算机可读存储介质，所述计算机可读存储介质存储有计算机程序，所述的计算机程序被处理器执行时实现所述基于生成式对抗网络的强度相干识别方法的步骤。
示例性的，所述的计算机程序可以被分割成一个或多个模块/单元，所述一个或者多个模块/单元被存储在计算机可读存储介质中，并由所述处理器执行，以完成本发明所述基于生成式对抗网络的强度相干识别方法的步骤。所述一个或多个模块/单元可以是能够完成特定功能的一系列计算机可读指令段，该指令段用于描述所述计算机程序在服务器中的执行过程。
所述服务器可以是智能手机、笔记本、掌上电脑及云端服务器等计算设备。所述服务器可包括，但不仅限于，处理器、存储器。本领域技术人员可以理解，所述服务器还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，例如所述服务器还可以包括输入输出设备、网络接入设备、总线等。
所述处理器可以是中央处理单元(CentraL Processing Unit，CPU)，还可以是其他通用处理器、数字信号处理器(DigitaL SignaL Processor，DSP)、专用集成电路(AppLication Specific Integrated Circuit，ASIC)、现成可编程门阵列(FieLd-ProgrammabLe Gate Array，FPGA)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件等。通用处理器可以是微处理器或者该处理器也可以是任何常规的处理器等。
所述存储器可以是所述服务器的内部存储单元，例如服务器的硬盘或内存。所述存储器也可以是所述服务器的外部存储设备，例如所述服务器上配备的插接式硬盘，智能存储卡(Smart Media Card,SMC)，安全数字(Secure DigitaL,SD)卡，闪存卡(FLash Card)等。进一步地，所述存储器还可以既包括所述服务器的内部存储单元也包括外部存储设备。所述存储器用于存储所述计算机可读指令以及所述服务器所需的其他程序和数据。所述存储器还可以用于暂时地存储已经输出或者将要输出的数据。
需要说明的是，上述装置/单元之间的信息交互、执行过程等内容，由于与方法实施例基于同一构思，其具体功能及带来的技术效果，具体可参见方法实施例部分，此处不再赘述。
所属领域的技术人员可以清楚地了解到，为了描述的方便和简洁，仅以上述各功能单元、模块的划分进行举例说明，实际应用中，可以根据需要而将上述功能分配由不同的功能单元、模块完成，即将所述装置的内部结构划分成不同的功能单元或模块，以完成以上描述的全部或者部分功能。实施例中的各功能单元、模块可以集成在一个处理单元中，也可以是各个单元单独物理存在，也可以两个或两个以上单元集成在一个单元中，上述集成的单元既可以采用硬件的形式实现，也可以采用软件功能单元的形式实现。另外，各功能单元、模块的具体名称也只是为了便于相互区分，并不用于限制本申请的保护范围。上述系统中单元、模块的具体工作过程，可以参考前述方法实施例中的对应过程，在此不再赘述。
所述集成的单元如果以软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读取存储介质中。基于这样的理解，本申请实现上述实施例方法中的全部或部分流程，可以通过计算机程序来指令相关的硬件来完成，所述的计算机程序可存储于一计算机可读存储介质中，该计算机程序在被处理器执行时，可实现上述各个方法实施例的步骤。其中，所述计算机程序包括计算机程序代码，所述计算机程序代码可以为源代码形式、对象代码形式、可执行文件或某些中间形式等。所述计算机可读介质至少可以包括：能够将计算机程序代码携带到拍照装置/终端设备的任何实体或装置、记录介质、计算机存储器、只读存储器(ROM，Read-Only Memory)、随机存取存储器(RAM，RandomAccess Memory)、电载波信号、电信信号以及软件分发介质。例如U盘、移动硬盘、磁碟或者光盘等。
在上述实施例中，对各个实施例的描述都各有侧重，某个实施例中没有详述或记载的部分，可以参见其它实施例的相关描述。
以上所述实施例仅用以说明本申请的技术方案，而非对其限制；尽管参照前述实施例对本申请进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本申请各实施例技术方案的精神和范围，均应包含在本申请的保护范围之内。
Claims (4)
1.一种基于生成式对抗网络的强度相干识别方法，其特征在于，包括以下步骤：
获取包含对象类别信息的散斑图样作为样本训练生成式对抗网络模型，获得条件生成式对抗网络模型；
获取包含待识别目标类别信息的散斑图样；
将包含待识别目标类别信息的散斑图样输入条件生成式对抗网络模型，获得待识别目标类别信息；
所述获取包含对象类别信息的散斑图样的步骤中，将随机散斑加载在对象上，使不同对象对应不同散斑图样，将包含对象类别信息的散斑图样作为训练生成式对抗网络模型的样本；
所述获取包含待识别目标类别信息的散斑图样的步骤中，将随机散斑加载在待识别目标上进行获取；
所述的条件生成式对抗网络模型由生成器与判别器构成，将随机散斑加载在待识别目标上探测回波信号，条件生成式对抗网络模型训练过程中每一个回波信号都有对应目标的类别标签c，类别标签c和正态分布的随机数z同时作为生成器的输入，输出为带标签的生成样本Xfake＝G(c,z)；判别器的输入为包含待识别目标类别信息的散斑图样及其对应的类别标签c～PC和带标签的生成样本Xfake，输出为生成样本的真假概率分布Xture＝D(c,x)和生成样本对应的类别标签；
所述判别器的目标函数包括两个部分：包含待识别目标类别信息的散斑图样的对数似然LS及其对应类别标签的对数似然LC；所述两个部分的分布可以表示为如下表达式：
Ls＝E[log P(S＝real|Xreal)]+E[log P(S＝fake|Xfake)]
Lc＝E[log P(C＝c|Xreal)]+[E log P(C＝c|Xfake)]
训练时，生成器和判别器互相博弈，判别器通过迭代训练使得LS+LC取得最大值，而生成器通过迭代训练使得LS-LC取得最大值，最终使网络达到纳什均衡状态；
所述的条件生成式对抗网络模型使用Adam算法进行训练，使用识别准确率Accuracy评估条件生成式对抗网络模型对待识别目标类别信息的识别性能。
2.一种基于生成式对抗网络的强度相干识别系统，其特征在于，包括：
生成式对抗网络模型训练模块，用于获取包含对象类别信息的散斑图样作为样本训练生成式对抗网络模型，获得条件生成式对抗网络模型；
目标散斑图样获取模块，用于获取包含待识别目标类别信息的散斑图样；
目标类别信息识别模块，用于将包含待识别目标类别信息的散斑图样输入条件生成式对抗网络模型，获得待识别目标类别信息；
所述获取包含对象类别信息的散斑图样的步骤中，将随机散斑加载在对象上，使不同对象对应不同散斑图样，将包含对象类别信息的散斑图样作为训练生成式对抗网络模型的样本；
所述获取包含待识别目标类别信息的散斑图样的步骤中，将随机散斑加载在待识别目标上进行获取；
所述的条件生成式对抗网络模型由生成器与判别器构成，将随机散斑加载在待识别目标上探测回波信号，条件生成式对抗网络模型训练过程中每一个回波信号都有对应目标的类别标签c，类别标签c和正态分布的随机数z同时作为生成器的输入，输出为带标签的生成样本Xfake＝G(c,z)；判别器的输入为包含待识别目标类别信息的散斑图样及其对应的类别标签c～PC和带标签的生成样本Xfake，输出为生成样本的真假概率分布Xture＝D(c,x)和生成样本对应的类别标签；
所述判别器的目标函数包括两个部分：包含待识别目标类别信息的散斑图样的对数似然LS及其对应类别标签的对数似然LC；所述两个部分的分布可以表示为如下表达式：
Ls＝E[log P(S＝real|Xreal)]+E[log P(S＝fake|Xfake)]
Lc＝E[log P(C＝c|Xreal)]+[E log P(C＝c|Xfake)]
训练时，生成器和判别器互相博弈，判别器通过迭代训练使得LS+LC取得最大值，而生成器通过迭代训练使得LS-LC取得最大值，最终使网络达到纳什均衡状态；
所述的条件生成式对抗网络模型使用Adam算法进行训练，使用识别准确率Accuracy评估条件生成式对抗网络模型对待识别目标类别信息的识别性能。
3.一种终端设备，包括存储器、处理器以及存储在所述存储器中并可在所述处理器上运行的计算机程序，其特征在于：所述的处理器执行所述的计算机程序时实现如权利要求1所述基于生成式对抗网络的强度相干识别方法的步骤。
4.一种计算机可读存储介质，所述计算机可读存储介质存储有计算机程序，其特征在于：所述的计算机程序被处理器执行时实现如权利要求1所述基于生成式对抗网络的强度相干识别方法的步骤。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202111661474.7A CN114359667B (zh) | 2021-12-30 | 2021-12-30 | 一种基于生成式对抗网络的强度相干识别方法及设备 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202111661474.7A CN114359667B (zh) | 2021-12-30 | 2021-12-30 | 一种基于生成式对抗网络的强度相干识别方法及设备 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN114359667A CN114359667A (zh) | 2022-04-15 |
| CN114359667B true CN114359667B (zh) | 2024-01-30 |
Family
ID=81105482
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202111661474.7A Active CN114359667B (zh) | 2021-12-30 | 2021-12-30 | 一种基于生成式对抗网络的强度相干识别方法及设备 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN114359667B (zh) |
Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN109871902A (zh) * | 2019-03-08 | 2019-06-11 | 哈尔滨工程大学 | 一种基于超分辨率对抗生成级联网络的sar小样本识别方法 |
| CN111027439A (zh) * | 2019-12-03 | 2020-04-17 | 西北工业大学 | 基于辅助分类生成对抗网络的sar目标识别方法 |
| CN113269243A (zh) * | 2021-05-18 | 2021-08-17 | 西安交通大学 | 一种基于生成式对抗网络的关联识别方法及设备 |
| WO2021254499A1 (zh) * | 2020-06-19 | 2021-12-23 | 北京灵汐科技有限公司 | 编辑模型生成、人脸图像编辑方法、装置、设备及介质 |
Family Cites Families (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| WO2021232195A1 (en) * | 2020-05-18 | 2021-11-25 | Shanghai United Imaging Healthcare Co., Ltd. | Systems and methods for image optimization |
-
2021
- 2021-12-30 CN CN202111661474.7A patent/CN114359667B/zh active Active
Patent Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN109871902A (zh) * | 2019-03-08 | 2019-06-11 | 哈尔滨工程大学 | 一种基于超分辨率对抗生成级联网络的sar小样本识别方法 |
| CN111027439A (zh) * | 2019-12-03 | 2020-04-17 | 西北工业大学 | 基于辅助分类生成对抗网络的sar目标识别方法 |
| WO2021254499A1 (zh) * | 2020-06-19 | 2021-12-23 | 北京灵汐科技有限公司 | 编辑模型生成、人脸图像编辑方法、装置、设备及介质 |
| CN113269243A (zh) * | 2021-05-18 | 2021-08-17 | 西安交通大学 | 一种基于生成式对抗网络的关联识别方法及设备 |
Non-Patent Citations (1)
| Title |
|---|
| 易珂 ; .基于深度网络ACGAN的图像识别.电子技术与软件工程.2018,(第18期),全文. * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN114359667A (zh) | 2022-04-15 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Wu et al. | Automatic fabric defect detection using a wide-and-light network | |
| US20210004587A1 (en) | Image detection method, apparatus, device and storage medium | |
| US20230021661A1 (en) | Forgery detection of face image | |
| US9811760B2 (en) | Online per-feature descriptor customization | |
| Sang et al. | Single-shot neural relighting and svbrdf estimation | |
| CN109583364A (zh) | 图像识别方法及设备 | |
| Fan et al. | Visdrone-mot2020: The vision meets drone multiple object tracking challenge results | |
| Qin et al. | Visual saliency maps can apply to facial expression recognition | |
| Ji et al. | Real-time embedded object detection and tracking system in Zynq SoC | |
| CN112597909A (zh) | 一种用于人脸图片质量评价的方法与设备 | |
| CN111079893B (zh) | 用于干涉条纹图滤波的生成器网络的获取方法和装置 | |
| CN110210279A (zh) | 目标检测方法、装置及计算机可读存储介质 | |
| CN114359667B (zh) | 一种基于生成式对抗网络的强度相干识别方法及设备 | |
| van Werkhoven et al. | A Jungle Computing approach to common image source identification in large collections of images | |
| CN104915641A (zh) | 基于android平台获取人脸图像光源方位的方法 | |
| CN110428027A (zh) | 基于lcd防伪标签的识别验伪方法、装置、设备及介质 | |
| CN113033305B (zh) | 活体检测方法、装置、终端设备和存储介质 | |
| Ledesma et al. | Enabling automated herbarium sheet image post‐processing using neural network models for color reference chart detection | |
| Cheng et al. | DTFA-Net: dynamic and texture features fusion attention network for face antispoofing | |
| Chen et al. | Perspective preserving style transfer for interior portraits | |
| Wang et al. | D 3: A Novel Face Forgery Detector Based on Dual-Stream and Dual-Utilization Methods | |
| Sankar et al. | Model-based active learning to detect an isometric deformable object in the wild with a deep architecture | |
| US20230298326A1 (en) | Image augmentation method, electronic device and readable storage medium | |
| CN113743194B (zh) | 人脸静默活体检测方法、装置、电子设备及存储介质 | |
| Melad | Detecting and blurring potentially sensitive personal information containers in images using faster r-cnn object detection model with tensorflow and opencv |
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 | ||
| GR01 | Patent grant | ||
| GR01 | Patent grant |