CN117572379A - 一种基于cnn-cbam收缩二分类网络的雷达信号处理方法 - Google Patents

一种基于cnn-cbam收缩二分类网络的雷达信号处理方法 Download PDF

Info

Publication number
CN117572379A
CN117572379A CN202410063831.7A CN202410063831A CN117572379A CN 117572379 A CN117572379 A CN 117572379A CN 202410063831 A CN202410063831 A CN 202410063831A CN 117572379 A CN117572379 A CN 117572379A
Authority
CN
China
Prior art keywords
cbam
shrinkage
cnn
radar signal
module
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.)
Granted
Application number
CN202410063831.7A
Other languages
English (en)
Other versions
CN117572379B (zh
Inventor
梁培
张玉禄
贺云
杨远冀
李燕
吴文忠
陈蓉蓉
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.)
Xiamen Zhongwei Scientific Instrument Co ltd
Original Assignee
Xiamen Zhongwei Scientific Instrument 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 Xiamen Zhongwei Scientific Instrument Co ltd filed Critical Xiamen Zhongwei Scientific Instrument Co ltd
Priority to CN202410063831.7A priority Critical patent/CN117572379B/zh
Publication of CN117572379A publication Critical patent/CN117572379A/zh
Application granted granted Critical
Publication of CN117572379B publication Critical patent/CN117572379B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

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
    • 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
    • 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
    • G06F18/213—Feature extraction, e.g. by transforming the feature space; Summarisation; Mappings, e.g. subspace methods
    • 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
    • G06N3/0464—Convolutional networks [CNN, ConvNet]
    • 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
    • G06N3/048—Activation functions
    • 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
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F2218/00—Aspects of pattern recognition specially adapted for signal processing
    • G06F2218/08—Feature extraction
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F2218/00—Aspects of pattern recognition specially adapted for signal processing
    • G06F2218/12—Classification; Matching
    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
    • Y02A—TECHNOLOGIES FOR ADAPTATION TO CLIMATE CHANGE
    • Y02A90/00—Technologies having an indirect contribution to adaptation to climate change
    • Y02A90/10—Information and communication technologies [ICT] supporting adaptation to climate change, e.g. for weather forecasting or climate simulation

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Data Mining & Analysis (AREA)
  • General Physics & Mathematics (AREA)
  • Artificial Intelligence (AREA)
  • Evolutionary Computation (AREA)
  • General Engineering & Computer Science (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Biophysics (AREA)
  • Computational Linguistics (AREA)
  • Software Systems (AREA)
  • Mathematical Physics (AREA)
  • Computing Systems (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Molecular Biology (AREA)
  • Health & Medical Sciences (AREA)
  • Biomedical Technology (AREA)
  • General Health & Medical Sciences (AREA)
  • Remote Sensing (AREA)
  • Computer Networks & Wireless Communication (AREA)
  • Radar, Positioning & Navigation (AREA)
  • Evolutionary Biology (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CNN‑CBAM收缩二分类网络的雷达信号处理方法，包括以下步骤：S1，获取活体雷达信号数据，并为活体雷达信号数据分配对应的标签；S2，将活体雷达信号数据与标签组合形成数据集，并将数据集划分为训练集样本和测试集样本；S3，构建CNN‑CBAM收缩二分类网络模型；S4，将训练集样本输入CNN‑CBAM收缩二分类网络模型中进行训练，得到初始模型，并利用验证集样本对初始模型进行超参数调优，得到最佳模型；S5，将测试集样本输入最佳模型中，获得活体分类结果。本发明通过在自定义的数据集中使用CBAMLayer类，增强了特征选择，同时使用Shrink‑Attention残差块构建深度残差收缩网络，既提高了网络的泛化能力，也保证了雷达信号数据处理的效率和准确度。

Description

一种基于CNN-CBAM收缩二分类网络的雷达信号处理方法
技术领域
本发明涉及雷达信号处理技术领域，更具体的说是涉及一种基于CNN-CBAM收缩二分类网络的雷达信号处理方法。
背景技术
雷达信号处理是一项关键技术，广泛用于军事、航空航天、气象和地质勘探等领域。在雷达信号处理领域，深度学习已经得到广泛应用，用于改进雷达信号的目标检测、跟踪、特征提取和分类等任务。随着技术的不断进步，现代雷达信号处理领域也引入了更多先进的技术，用于实现活体检测、生物特征识别等新兴应用。
目前，传统的活体检测领域的雷达信号分类算法如支持向量机（SVM）和最近邻算法（K-NN），在该领域中SVM通过使用核函数可以有效地处理复杂的非线性关系，这对于某些类型的活体雷达信号数据可能非常重要，然而SVM对特征的质量和选择相当敏感，需要精心设计和选择合适的特征；k-NN是一种非参数化的方法，它不对数据的分布做出任何假设，因此也适用于各种不同类型的活体雷达信号，然而其性能高度依赖于距离度量的选择，选择不合适的距离度量可能导致性能下降。
因此，如何提供一种CNN-CBAM收缩二分类网络来对活体生物雷达信号进行处理的方法是本领域技术人员亟需解决的问题。
发明内容
有鉴于此，本发明提供了一种基于CNN-CBAM收缩二分类网络的雷达信号处理方法，解决了复杂背景条件下活体雷达信号处理泛化能力弱、效率低等问题。
为了实现上述目的，本发明采用如下技术方案：
一种基于CNN-CBAM收缩二分类网络的雷达信号处理方法，包括以下步骤：
S1，获取活体雷达信号数据，并为所述活体雷达信号数据分配对应的标签；
S2，将所述活体雷达信号数据与所述标签组合形成数据集，并将所述数据集划分为训练集样本、测试集样本和验证集样本；
S3，构建CNN-CBAM收缩二分类网络模型；
S4，将所述训练集样本输入所述CNN-CBAM收缩二分类网络模型中进行训练，得到初始模型，并利用所述验证集样本对所述初始模型进行超参数调优，获得最佳模型；
S5，将所述测试集样本输入所述最佳模型中，获得活体分类结果。
进一步的，所述步骤S3中构建的CNN-CBAM收缩二分类网络模型包括自定义数据集模块、注意力机制模块、深度残差收缩网络、批归一池化模块和二分类模型。
进一步的，所述注意力机制模块由卷积神经网络结合通道注意力机制和空间注意力机制构成，包括2个全局最大池化层、2个全局平均池化层、1个1D卷积层、1个Sigmoid 激活函数层、通道注意力机制模块和空间注意力机制模块。
进一步的，参见附图3所示，所述深度残差收缩网络由Shrink-Attention残差块结合频谱注意力机制和收缩机制构成，包括幅相分离模块、频谱注意力机制模块和收缩机制模块。
进一步的，所述幅相分离模块包括幅值提取模块和相位提取模块；
所述幅值提取模块包括2个卷积层、4个实例归一化层和2个ReLU激活函数；
所述相位提取模块与所述幅值提取模块结构组成相同。
进一步的，所述批归一池化模块包括卷积块、池化层和实例归一化层；
所述卷积块包括2个卷积层、1个实例归一化层、1个实例归一化和1个ReLU激活函数。
进一步的，所述二分类模型包括第一卷积块、第二卷积块、CBAM模块和第三卷积块。
进一步的，所述第一卷积块包括两个卷积层、一个实例归一化层、一个惰性卷积层以及一个SiLU激活函数；
所述第二卷积块包括两个惰性卷积层、一个ReLU激活函数层以及一个实例归一化层；
所述CBAM模块包括两个BasicBlock残差块和一个CBAM层；
所述第三卷积块包括两个惰性卷积层、两个惰性实例归一化层、一个最大池化层、一个惰性的1D卷积层以及一个SiLU激活函数层。
经由上述的技术方案可知，与现有技术相比，本发明公开提供了一种基于CNN-CBAM收缩二分类网络的雷达信号处理方法，在自定义的数据集中，通过使用CBAMLayer实现了通道注意力与空间注意力的组合，增强了特征选择，同时使用ResBlock-S-A(Shrink-Attention残差块)来构建深度残差收缩网络，既提高了网络的泛化能力，也保证了雷达信号数据处理的效率和准确度。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案，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发明的实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据提供的附图获得其他的附图。
图1为本发明提供的基于CNN-CBAM收缩二分类网络的雷达信号处理方法流程示意图。
图2为本发明提供的CNN-CBAM收缩二分类网络的结构组成示意图。
图3为本发明提供的深度残差收缩网络结构组成示意图。
图4为本发明提供的二分类模型中第一卷积块的结构组成示意图。
图5为本发明提供的二分类模型中第二卷积块的结构组成示意图。
图6为本发明提供的二分类模型中第三卷积块的结构组成示意图。
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。
本发明实施例公开了一种基于CNN-CBAM收缩二分类网络的雷达信号处理方法，参见附图1所示，包括以下步骤：
S1，获取活体雷达信号数据，并为活体雷达信号数据分配对应的标签。
具体的，本实施例利用毫米波雷达采集不同背景环境条件下的活体雷达信号数据，包括空气状态下活体、固体容器中活体、液体容器中活体及固液干扰下的不同种类的活体数据，将采集到的数据储存为csv文件类型。csv文件具体内容为：行代表时间轴，列代表位置变化，可从每行每列读出幅度和相位。
S2，对采集到的活体雷达信号数据添加标签，生成自定义数据集，并将数据集划分为训练集、验证集和测试集。
S3，构建CNN-CBAM收缩二分类网络模型，参见附图2所示，包括自定义数据集模块、注意力机制模块、深度残差收缩网络、批归一池化模块和二分类模型。
具体的，自定义数据集模块（CustomDataset）的作用是将存储在csv文件中的毫米波雷达的回波输入信号的数据和标签组合成一个数据集，以便于后续的训练和测试。在这个模块中，首先利用init()方法初始化活体雷达信号数据和对应的标签，再利用len()方法返回数据集的长度，最后利用getitem()方法返回指定索引的活体雷达信号数据和标签，通过上述操作，能将真实获取到的数据集与PyTorch机器学习库中的数据加载器（如Dataloader）结合使用，从而更方便地进行模型训练和测试。
注意力机制模块由卷积神经网络（CNN）结合通道注意力机制（ChannelAttention）和空间注意力机制（Spatial Attention）构成，能够增强网络对重要通道和空间区域的关注，有效提高模型性能。在这个模块中，首先实现通过全局全局最大池化（MaxPool）和全局平均池化（AvgPool）获取输入特征图在通道维度上的最大值和平均值；随后通过 Sigmoid 激活函数将最大值和平均值的加权和用于生成通道注意力的权重，实现Channel Attention的部署；随后通过在通道维度上拼接MaxPool和AvgPool的结果从而形成一个包含多重信息的新特征图；最后通过一个1D卷积层和Sigmoid激活函数，获取空间注意力的权重，用于捕捉输入特征图中的重要空间信息，以此增强对重要空间区域的关注。这一操作能较高程度的适应雷达回波信号的空间特性。
深度残差收缩网络由Shrink-Attention残差块结合频谱注意力机制和收缩机制构成，通过x.chunk将输入张量按照通道数分为幅度（x_amp）和相位（x_phase），基于这种复数形式的输入数据加入频谱注意力机制（Freq_Att）和收缩机制（Shrink），提高对活体雷达信号的不同频率和时序特性的建模能力。参见附图3所示，在这个模块中，首先将输入张量按通道分为幅度和相位，充分利用输入数据的复数形式，使模型能够更好地理解幅度和相位的关系；在此基础上分别对幅度和相位进行独立的卷积和批归一化(BatchNormalization，BN)操作，有助于模型更好地捕捉幅度和相位的不同特性；随后引入频谱注意力机制，通过学习输入特征图在频谱维度上的权重，使网络能够动态地关注输入信号的不同频率范围内的特征；再添加时域特征提取，通过一维卷积操作，有助于模型更好地捕捉输入信号在时间维度上的变化模式；最后引入收缩机制（Shrink），通过设置阈值shrinkage_threshold，实现了一种收缩机制，根据输出特征图的平均值判断是否对残差连接进行缩放，使模型能够动态地调整网络结构，适应不同输入分布和特性，提高模型的鲁棒性。
批归一池化模块通过结合实例归一化层和自定义的卷积块与池化层，增强了非线性变换和特征学习的深度。其中，自定义的卷积块包含两个卷积层和一个实例归一化层，卷积层之后都使用了归一化激活函数（Instance Normalization）和 ReLU 激活函数。
二分类模型（BinaryClassifier）通过综合运用惰性模块（Lazy Modules）、实例归一化激活函数和SiLU（Sigmoid-weighted Linear Unit）激活函数等技术，能有效提高模型的效率和学习能力。
具体的，二分类模型包括第一卷积块、第二卷积块、CBAM模块和第三卷积块。其中，参见附图4所示，第一卷积块Conv1中包含两个2D卷积层、一个实例归一化层、一个惰性的2D卷积层以及一个SiLU激活函数；参见附图5所示，第二卷积块Conv2中包含两个惰性的1D卷积层、一个ReLU激活函数以及一个实例归一化层；CBAM模块中包含两个BasicBlock残差块（ResNet_basic_block）和一个CBAM层（CBAMLayer）；参见附图6所示，第三卷积块Conv3中包含一个惰性的1D卷积层、一个惰性的实例归一化层、一个1D最大池化层、一个惰性的1D卷积层、一个惰性的实例归一化层以及一个SiLU激活函数，BinaryClassifier综合模块的应用可以提高网络的性能，加速训练，并增强网络的鲁棒性和可靠性。
S4，设置训练参数，将训练集样本输入CNN-CBAM收缩二分类网络模型中进行训练，得到初始模型，并利用验证集样本对初始模型进行超参数调优，获得最佳模型。
S5，将测试集样本输入最佳模型中，获得活体分类结果。
具体的，在训练模型时进行了命令行参数解析，使用argparse库解析命令行参数，包括批次大小、训练轮次、学习率以及是否使用GPU等；再设置数据加载、转换以及合并等数据前置处理操作；随后将前置处理好的数据划分为训练集样本、测试集样本和验证集样本；添加损失函数和优化器，即定义交叉熵损失函数和Adam优化器，设置好训练轮次后开始训练。
其中使用交叉熵损失（Cross-Entropy Loss）衡量两个概率分布之间的差异，其原理如下：假设有两个概率分布，一个是真实的分布 P，另一个是模型预测的分布Q。这两个分布通常用于表示样本属于不同类别的概率，则交叉熵损失的公式如下：
H(P, Q) = -
式中，i为类别的索引，P(i)为真实概率分布中类别i的概率，Q(i)为模型预测概率分布中类别i的概率。
在训练过程中，我们的目标是最小化交叉熵：即最小化真实分布和预测分布之间的交叉熵。当模型的预测接近真实概率分布时，交叉熵趋近于零。这一要求通常配合梯度下降等优化算法使用，通过不断地在训练过程中逐渐调整模型的参数以减小交叉熵，使其预测更接近真实分布，从而提高分类性能。
另一实施例中，可以通过增加额外的网络层来进一步提高网络的鲁棒性和泛化能力，例如，可以在第一卷积块中增加随机失活层（Dropout）、池化层（Pooling layer）等。
另一实施例中，可以通过替换或减少一些网络层简化网络结构和提高网络训练速度，例如，可以将深度残差收缩网络中的Batch Normalization层替换成Instance Norm层、去掉部分Relu激活函数层或者将Relu激活函数替换为功能类似的其他激活函数如LeakyRelu、PRelu等。
另一实施例中，可以根据物理层面雷达信号处理模型更改不同的注意力机制或结合MTI方法等优化网络，提高网络的泛化能力。
本说明书中各个实施例采用递进的方式描述，每个实施例重点说明的都是与其他实施例的不同之处，各个实施例之间相同相似部分互相参见即可。对于实施例公开的装置而言，由于其与实施例公开的方法相对应，所以描述的比较简单，相关之处参见方法部分说明即可。
对所公开的实施例的上述说明，使本领域专业技术人员能够实现或使用本发明。对这些实施例的多种修改对本领域的专业技术人员来说将是显而易见的，本文中所定义的一般原理可以在不脱离本发明的精神或范围的情况下，在其它实施例中实现。因此，本发明将不会被限制于本文所示的这些实施例，而是要符合与本文所公开的原理和新颖特点相一致的最宽的范围。

Claims (8)

1.一种基于CNN-CBAM收缩二分类网络的雷达信号处理方法，其特征在于，包括以下步骤：
S1，获取活体雷达信号数据，并为所述活体雷达信号数据分配对应的标签；
S2，将所述活体雷达信号数据与所述标签组合形成数据集，并将所述数据集划分为训练集样本、测试集样本和验证集样本；
S3，构建CNN-CBAM收缩二分类网络模型；
S4，设置训练参数，将所述训练集样本输入所述CNN-CBAM收缩二分类网络模型中进行训练，得到初始模型，并利用所述验证集样本对所述初始模型进行超参数调优，得到最佳模型；
S5，将所述测试集样本输入所述最佳模型中，获得活体分类结果。
2.根据权利要求1所述的一种CNN-CBAM收缩二分类网络的雷达信号处理方法，其特征在于，所述步骤S3中构建的CNN-CBAM收缩二分类网络模型包括自定义数据集模块、注意力机制模块、深度残差收缩网络、批归一池化模块和二分类模型。
3.根据权利要求2所述的一种CNN-CBAM收缩二分类网络的雷达信号处理方法，其特征在于，所述注意力机制模块由卷积神经网络结合通道注意力机制和空间注意力机制构成，包括2个全局最大池化层、2个全局平均池化层、1个卷积层和2个Sigmoid 激活函数。
4.根据权利要求2所述的一种CNN-CBAM收缩二分类网络的雷达信号处理方法，其特征在于，所述深度残差收缩网络由Shrink-Attention残差块结合频谱注意力机制和收缩机制构成，包括幅相分离模块、频谱注意力机制模块和收缩机制模块。
5.根据权利要求4所述的一种CNN-CBAM收缩二分类网络的雷达信号处理方法，其特征在于，所述幅相分离模块包括幅值提取模块和相位提取模块；
所述幅值提取模块包括2个卷积层、2个实例归一化层和2个ReLU激活函数；
所述相位提取模块与所述幅值提取模块结构组成相同。
6.根据权利要求2所述的一种CNN-CBAM收缩二分类网络的雷达信号处理方法，其特征在于，所述批归一池化模块包括卷积块、池化层和实例归一化层；
所述卷积块包括2个卷积层、1个实例归一化层、1个实例归一化和1个ReLU激活函数。
7.根据权利要求2所述的一种CNN-CBAM收缩二分类网络的雷达信号处理方法，其特征在于，所述二分类模型包括第一卷积块、第二卷积块、CBAM模块和第三卷积块。
8.根据权利要求7所述的一种CNN-CBAM收缩二分类网络的雷达信号处理方法，其特征在于，所述第一卷积块包括两个卷积层、一个实例归一化层、一个惰性卷积层以及一个SiLU激活函数；
所述第二卷积块包括两个惰性卷积层、一个ReLU激活函数层以及一个实例归一化层；
所述CBAM模块包括两个BasicBlock残差块和一个CBAM层；
所述第三卷积块包括两个惰性卷积层、两个惰性实例归一化层、一个最大池化层、一个惰性的1D卷积层以及一个SiLU激活函数层。
CN202410063831.7A 2024-01-17 2024-01-17 一种基于cnn-cbam收缩二分类网络的雷达信号处理方法 Active CN117572379B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202410063831.7A CN117572379B (zh) 2024-01-17 2024-01-17 一种基于cnn-cbam收缩二分类网络的雷达信号处理方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202410063831.7A CN117572379B (zh) 2024-01-17 2024-01-17 一种基于cnn-cbam收缩二分类网络的雷达信号处理方法

Publications (2)

Publication Number Publication Date
CN117572379A true CN117572379A (zh) 2024-02-20
CN117572379B CN117572379B (zh) 2024-04-12

Family

ID=89886677

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202410063831.7A Active CN117572379B (zh) 2024-01-17 2024-01-17 一种基于cnn-cbam收缩二分类网络的雷达信号处理方法

Country Status (1)

Country Link
CN (1) CN117572379B (zh)

Citations (12)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109407067A (zh) * 2018-10-13 2019-03-01 中国人民解放军海军航空大学 基于时频图卷积神经网络的雷达动目标检测与分类一体化方法
CN113126050A (zh) * 2021-03-05 2021-07-16 沃尔夫曼消防装备有限公司 一种基于神经网络的生命探测方法
CN114564982A (zh) * 2022-01-19 2022-05-31 中国电子科技集团公司第十研究所 雷达信号调制类型的自动识别方法
CN114646649A (zh) * 2022-03-28 2022-06-21 浙江大学 一种基于毫米波雷达的粮库粮食在线水分监测方法
KR20220091713A (ko) * 2020-12-24 2022-07-01 포항공과대학교 산학협력단 도메인 적응을 이용한 레이다 기반 탐지 시스템 및 그 방법
CN114814775A (zh) * 2022-05-24 2022-07-29 哈尔滨工业大学 基于ResNet网络的雷达跌倒检测方法及设备
US20220246244A1 (en) * 2019-06-07 2022-08-04 Leica Microsystems Cms Gmbh A system and method for training machine-learning algorithms for processing biology-related data, a microscope and a trained machine learning algorithm
CN115204211A (zh) * 2022-05-24 2022-10-18 中国地质大学（武汉） 基于深度残差收缩注意力网络的认知侦察识别方法及装置
CN115546908A (zh) * 2022-09-28 2022-12-30 支付宝(杭州)信息技术有限公司 一种活体检测方法、装置及设备
WO2023063874A1 (en) * 2021-10-14 2023-04-20 Exo Imaging, Inc. Method and system for image processing based on convolutional neural network
CN116008982A (zh) * 2022-12-14 2023-04-25 西安电子科技大学 基于跨尺度特征聚合网络的雷达目标辨识方法
US20230334911A1 (en) * 2022-04-13 2023-10-19 Nec Corporation Face liveness detection

Patent Citations (12)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109407067A (zh) * 2018-10-13 2019-03-01 中国人民解放军海军航空大学 基于时频图卷积神经网络的雷达动目标检测与分类一体化方法
US20220246244A1 (en) * 2019-06-07 2022-08-04 Leica Microsystems Cms Gmbh A system and method for training machine-learning algorithms for processing biology-related data, a microscope and a trained machine learning algorithm
KR20220091713A (ko) * 2020-12-24 2022-07-01 포항공과대학교 산학협력단 도메인 적응을 이용한 레이다 기반 탐지 시스템 및 그 방법
CN113126050A (zh) * 2021-03-05 2021-07-16 沃尔夫曼消防装备有限公司 一种基于神经网络的生命探测方法
WO2023063874A1 (en) * 2021-10-14 2023-04-20 Exo Imaging, Inc. Method and system for image processing based on convolutional neural network
CN114564982A (zh) * 2022-01-19 2022-05-31 中国电子科技集团公司第十研究所 雷达信号调制类型的自动识别方法
CN114646649A (zh) * 2022-03-28 2022-06-21 浙江大学 一种基于毫米波雷达的粮库粮食在线水分监测方法
US20230334911A1 (en) * 2022-04-13 2023-10-19 Nec Corporation Face liveness detection
CN114814775A (zh) * 2022-05-24 2022-07-29 哈尔滨工业大学 基于ResNet网络的雷达跌倒检测方法及设备
CN115204211A (zh) * 2022-05-24 2022-10-18 中国地质大学（武汉） 基于深度残差收缩注意力网络的认知侦察识别方法及装置
CN115546908A (zh) * 2022-09-28 2022-12-30 支付宝(杭州)信息技术有限公司 一种活体检测方法、装置及设备
CN116008982A (zh) * 2022-12-14 2023-04-25 西安电子科技大学 基于跨尺度特征聚合网络的雷达目标辨识方法

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
ARSYAD R. DARLIS 等: "Autonomous Human and Animal Classification Using Synthetic 2D Tensor Data Based on Dual-Receiver mmWave Radar System", IEEE ACCESS, no. 11, 27 July 2023 (2023-07-27), pages 80284 *
王生霄;侯兴松;黑夏萌;: "嵌入CBAM结构的改进YOLOV3超宽带雷达生命信号检测算法", 国外电子测量技术, no. 03, 15 March 2020 (2020-03-15), pages 9 - 14 *

Also Published As

Publication number Publication date
CN117572379B (zh) 2024-04-12

Similar Documents

Publication Publication Date Title
Karagiorgi et al. Machine learning in the search for new fundamental physics
Akhtar et al. Interpretation of intelligence in CNN-pooling processes: a methodological survey
Kong et al. YOLOv3-DPFIN: A dual-path feature fusion neural network for robust real-time sonar target detection
Ai et al. SAR target classification using the multikernel-size feature fusion-based convolutional neural network
Tang et al. Deepchart: Combining deep convolutional networks and deep belief networks in chart classification
Lu et al. 3-D channel and spatial attention based multiscale spatial–spectral residual network for hyperspectral image classification
Keriven et al. NEWMA: a new method for scalable model-free online change-point detection
Saponara et al. Impact of image resizing on deep learning detectors for training time and model performance
Mohindru et al. Different hybrid machine intelligence techniques for handling IoT‐based imbalanced data
Yang et al. Algorithm/hardware codesign for real-time on-satellite CNN-based ship detection in SAR imagery
Menaga et al. Deep learning: a recent computing platform for multimedia information retrieval
Kumari et al. Comparative Study on Handwritten Digit Recognition Classifier Using CNN and Machine Learning Algorithms
Morán et al. Reservoir computing hardware with cellular automata
Rao et al. Usage of Saliency Prior Maps for Detection of Salient Object Features
CN117572379B (zh) 一种基于cnn-cbam收缩二分类网络的雷达信号处理方法
Zhao et al. Aggregated residual dilation-based feature pyramid network for object detection
Yan et al. Ship detection of coast defense radar in real marine environment based on fast YOLO V4
Arshad Object Detection in Last Decade-A Survey
Manzo et al. FastGCN+ ARSRGemb: a novel framework for object recognition
Agarwal Object detection in refrigerators using Tensorflow
Choudhuri et al. MNIST Image Classification Using Convolutional Neural Networks
CN110287773A (zh) 基于自主学习的交通枢纽安检图像识别方法
Molina et al. A preliminary study on deep transfer learning applied to image classification for small datasets
Khare et al. Integration of complex wavelet transform and Zernike moment for multi‐class classification
Maharani et al. Deep features fusion for KCF-based moving object tracking

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