-
公开(公告)号：CN115436939B
公开(公告)日：2024-11-12
申请号：CN202210826682.6
申请日：2022-07-13
Applicant: 电子科技大学
Abstract: 本发明公开了一种用于多通道高分宽幅SAR的多级分辨快速成像方法，它是通过利用宽幅大场景区域中目标区域相对很小且分布稀疏以及目标相对于背景有高信噪比的特点，来解决现有方法在大幅宽成像中成像速度慢和成像质量低的问题。本发明采用去斜和子孔径成像得到低分辨回波数据以便快速成像，然后利用恒虚警方法提取目标，最后使用原始回波数据对目标进行高分辨成像，本发明与现有的快速成像方法相比，更加适用于实际情况中大场景未知观测目标时的高分宽幅SAR快速成像，具有成像质量高、运算效率高的优势，本发明可以应用于合成孔径雷达成像和地球遥感等领域。
-
公开(公告)号：CN115015929B
公开(公告)日：2024-08-09
申请号：CN202210600115.9
申请日：2022-05-27
Applicant: 电子科技大学
IPC: G01S13/90
Abstract: 本发明提供一种基于稀疏模型驱动的高效高精度InSAR相位滤波网络(SMD‑Net)，它是通过首先建立了干涉相位滤波的稀疏重构模型；然后通过将求解干涉相位滤波模型的展开迭代收缩阈值算法(ISTA)展开到一个块中，SMD‑Net被设计为一个基于迭代的卷积神经网络(CNN)架构。在每个块中，通过建立一个具有局部块和全局上下文(GC)块的CNN模块来自适应学习稀疏变换域。SMD‑Net建模了干涉相位滤波过程。而不是像大多数网络那样完全依赖于数据拟合，其网络结构简单。与传统的干涉相位滤波方法相比较，本发明得到更高的干涉相位的精度和计算效率明显。
-
公开(公告)号：CN113484862B
公开(公告)日：2023-10-17
申请号：CN202110889943.4
申请日：2021-08-04
Applicant: 电子科技大学
IPC: G01S13/90
Abstract: 本发明公开了一种自适应的高分宽幅SAR清晰重构成像方法，它通过使用将SAR平台非线性运动完全补偿的IDR方法生成用于重构的子图像，然后基于重构图像质量的原则建立优化模型，估计清晰成像的重构系数。用图像熵作为图像质量评判标准，清晰的图像有低的图像熵；用共轭梯度法解决优化问题，即通过迭代使重构图像的图像熵最小化。最后通过估计的重构系数对子图像进行加权，以获得清晰的重构图像。本发明既保留了IDR算法可以精确补偿SAR平台的非线性运动的优势，又优化了IDR算法中的子图像加权求和中的权重，本发明可以应用于合成孔径雷达成像，尤其是HRWS SAR成像和地球遥感等领域。
-
公开(公告)号：CN116360732A
公开(公告)日：2023-06-30
申请号：CN202310354946.7
申请日：2023-04-04
Applicant: 电子科技大学
IPC: G06F7/58 , G06F18/24 , G06F18/214 , G06N3/08 , G06N3/0464
Abstract: 本发明公开了一种用于随机数发生器安全性检测的预测方法、装置及介质；预测方法包括如下步骤：构建数据集；数据集预处理；构建编码网络对预处理后的数据进行计算得到含有索引信息的数组；构建解码网络对编码网络输出的数组数据进行计算得到权重信息；采用分类卷积神经网络对编\解码网络结构的输出融合计算得到预测数据；构建预测器，利用训练集对预测器进行训练；采用测试集对预测进行测试，对预测器进行安全性检测完成预测。本发明利用变点检测算法进行数据预处理，并联合注意力机制的编/解码网络与分类卷积神经网络进行随机数的预测以实现对随机数发生器的安全性分析和检测，具有检测准确率高，计算效率高、鲁棒性强等优点。
-
公开(公告)号：CN114022779B
公开(公告)日：2023-05-26
申请号：CN202111238184.1
申请日：2021-10-25
Applicant: 电子科技大学
IPC: G06V20/13 , G06N3/0464 , G06N3/08
Abstract: 本发明公开了一种基于比例尺网络的SAR船只检测方法，该方法主要包括准备数据集、构建比例尺网络、建立船只检测模型、测试船只检测模型和评估船只检测模型五个部分。该方法基于原始的ResNet‑101，引入了群卷积模块，构建了比例尺网络，从而优化网络结构以提高准确性。采用群卷积模块构建SAR船只检测模型，该模型可以提供单层网络中更丰富的多尺度信息，使得本发明中的船只检测模型具有更优越的多尺度船舶检测性能。在公知的SAR船只数据集即SSDD数据集上的仿真结果表明，与现有技术ResNet‑101方法相比，本发明可将SAR船只检测精度提高约5％。
-
Patent Agency Ranking
公开(公告)号：CN113902975B
公开(公告)日：2023-05-05
申请号：CN202111170725.1
申请日：2021-10-08
Applicant: 电子科技大学
IPC: G06V20/10 , G06V10/25 , G06V10/774 , G06V10/764 , G06V10/82 , G06N3/0464 , G06N3/048 , G06N3/088
Abstract: 本发明公开了一种用于SAR舰船检测的场景感知数据增强方法，本发明首先基于经典卷积神经网络VGG‑11进行改进，使得更适用于SAR图像，然后用该网络对训练集中的图像进行分类：分为靠岸训练样本和离岸训练样本；再利用场景扩增，得到数量平衡的靠岸训练样本和离岸训练样本；经典检测网络使用处理过后的数据集进行训练，执行检测任务并评估检测结果；采用本发明方法的Faster R‑CNN船只检测网络的总体检测精度比现有技术的FasterR‑CNN船只检测网络的总体检测精度提高了1.95％，对靠岸船只的检测精度提高了6.61％，实现了SAR图像靠岸船只的检测精度的提高。
-
公开(公告)号：CN115423694A
公开(公告)日：2022-12-02
申请号：CN202210827994.9
申请日：2022-07-13
Applicant: 电子科技大学
Abstract: 本发明公开了一种基于二维空变反卷积的近场SAR图像增强方法，它是通过计算粗略响应矩阵，然后基于该矩阵构建粗略卷积退化方程，进而采用最小绝对值收敛和选择算子求解退化方程，实现反卷积，获得近场SAR图像的粗略增强图。采用K‑均值聚类算法提取出目标不同子类散射点对应的子粗略增强图像，并分别计算相对应的精细响应矩阵，构建相对应的精细空变卷积退化方程，求解退化方程，实现空变反卷积，获得对应的精细增强图像。最终，通过精细增强图像叠加，获得整体SAR图像增强结果。该方法较其它SAR图像增强方法，在近场成像时，能够在旁瓣抑制和杂波噪声抑制、目标幅度估计保留方面上有提升。
-
公开(公告)号：CN115272842A
公开(公告)日：2022-11-01
申请号：CN202210472909.1
申请日：2022-04-29
Applicant: 电子科技大学
Abstract: 本发明公开了一种基于全局语义边界注意网络的SAR船只实例分割方法，用来解决现有技术中目标框定位能力有限的问题。本发明基于深度学习理论，主要包括全局上下文信息建模模块和边界注意预测模块两部分。全局上下文信息建模模块通过多次增强特征的语义信息，建立长距离依赖关系，从而有效地减少背景干扰。边界注意预测模块通过两次预测目标的边界信息，从而提高目标框的定位能力。本发明提供的方法平均精度AP优于现有其他基于深度学习的SAR船只实例分割方法。本发明能够克服现有技术存在的目标框定位能力有限的问题，提高SAR图像中船只的实例分割精度。
-
公开(公告)号：CN111967292B
公开(公告)日：2022-05-17
申请号：CN202010446269.8
申请日：2020-05-25
Applicant: 电子科技大学
Abstract: 本发明公开了一种轻量级的SAR图像船只检测方法，它是基于深度学习理论的检测模型。该方法是使用轻量级深度分离卷积神经网络、采用更少的卷积层和设置更窄的卷积通道建立的，其网络结构主要由骨干网络、特征融合模块、特征增强模块和尺度共享特征金字塔模块组成。骨干网络实现船只特征的提取，特征融合模块进行深层特征和浅层特征的融合，特征增强模块完成船只特征的增强，尺度共享特征金字塔模块保证多尺度特征的充分共享。该方法实现了97.07％mAP精度和233FPS速度，且该方法的模型尺寸仅为0.82MB，达到了轻量级的要求。
-
公开(公告)号：CN114265062A
公开(公告)日：2022-04-01
申请号：CN202111338161.8
申请日：2021-11-11
Applicant: 电子科技大学
IPC: G01S13/90
Abstract: 本发明提供了一种基于相位梯度估计网络的InSAR相位解缠方法，它是通过先将相位梯度估计转化为一个回归问题，设计基于编码器‑解码器体系结构的InSAR相位梯度估计网络(PGENet)；PGENet从大量带有地形特征和不同噪声水平的缠绕相位图像中，提取相位的全局深层特征并识别相邻像素之间的相位梯度，利用最小二乘方法得到相位解缠结果。PGENet估计的相位梯度代替传统LS解缠方法中的PGE‑PCA，和传统的LS方法相比较，本发明采用PGENet估计的相位梯度的精度明显高于PGE‑PCA估计的相位梯度，且具有更强的鲁棒性。
-
-
-
-
-
-
-
-
-
Search Results
150
records
(took 0.093 seconds)
