UWB-HA4D-1.0: 超宽带雷达人体动作四维成像数据集

金添; 宋永坤; 戴永鹏; 胡锡坤; 宋勇平; 周小龙; 邱志峰

doi:10.12000/JR22008

UWB-HA4D-1.0: 超宽带雷达人体动作四维成像数据集

DOI: 10.12000/JR22008

国防科技大学电子科学学院长沙 410073

基金项目: 国家自然科学基金(61971430)

详细信息

作者简介:
金　添(1980–)，男，湖北人，国防科技大学教授、博士生导师。主要研究方向为新体制雷达系统、智能感知与处理。全国百篇优秀博士论文获得者，国际无线电科学联盟青年科学家奖，入选教育部新世纪优秀人才支持计划，中国电子学会优秀科技工作者。“信号处理与系统”国家精品课程和资源共享课主讲教师，信号处理系列课程国家级教学团队主要成员。出版专著4部、译著1部、教材1部，发表论文百余篇，授权国家发明专利10余项。获省部级科技进步一等奖1项、二等奖2项，电子学会自然科学二等奖1项。中国电子学会雷达分会委员、信号处理分会委员，《雷达学报》、《信号处理》、《雷达科学与技术》、《现代雷达》等期刊编委。多次担任APSAR国际会议、CIE国际雷达会议、IET国际雷达会议等TPC委员或分会主席

宋永坤(1993–)，男，河南人，国防科技大学信息与通信工程专业博士研究生。主要研究方向为超宽带雷达信号处理及深度学习

戴永鹏(1992–)，男，山东人，国防科技大学电子科学学院讲师，博士。主要研究方向为MIMO阵列雷达成像与图像增强

胡锡坤(1994–)，男，湖北人，国防科技大学信息与通信工程专业博士研究生。主要研究方向为遥感图像处理和深度学习

宋勇平(1989–)，男，四川人，国防科技大学电子科学学院助理研究员，博士。主要研究方向为穿墙探测、MIMO雷达成像、微弱目标检测

周小龙(1992–)，男，江西人。国防科技大学信息与通信工程专业博士研究生。主要研究方向为雷达信号处理、人体行为识别

邱志峰(1999–)，男，江西人，国防科技大学电子科学学院硕士研究生。主要研究方向为雷达信号处理与深度学习

通讯作者:
金添 tianjin@nudt.edu.cn

责任主编：李廉林 Corresponding Editor: LI Lianlin
中图分类号: TN957
计量
- 文章访问数: 4647
- HTML全文浏览量: 3278
- PDF下载量: 654
- 被引次数: 99
出版历程
- 收稿日期: 2022-01-09
- 修回日期: 2022-02-16
- 网络出版日期: 2022-02-24
- 刊出日期: 2022-02-28

UWB-HA4D-1.0: An Ultra-wideband Radar Human Activity 4D Imaging Dataset

College of Electronic Science and Technology, National University of Defense Technology, Changsha 410073, China

Funds: The National Natural Science Foundation of China (61971430)

More Information

Corresponding author: JIN Tian, tianjin@nudt.edu.cn

摘要

摘要: 雷达人体行为感知系统具有穿透探测能力，在安防、救援、医疗等领域具有广泛的应用前景。近年来，深度学习技术的出现促进了雷达传感器在人体行为感知领域的发展，同时对相关数据集的样本规模和丰富性提出了更高的要求。该文公开了一个超宽带雷达人体动作四维成像数据集，该数据集以超宽带多输入多输出雷达为探测传感器来获取了人体目标的距离-方位-高度-时间四维动作数据，共采集了11个人体目标的2757组动作数据，动作类型包含走路、挥手、打拳等10种常见动作，有穿透探测和不穿透探测的实验场景。该文详细介绍了数据集的系统参数、制作流程、数据分布等信息。同时，基于飞桨平台使用计算机视觉领域应用较多的深度学习算法对该数据集进行人体动作识别实验，实验对比结果可以作为参考，为学者使用该数据集提供技术支撑，方便在此基础上进一步探索研究。
- 超宽带雷达 /
- 四维成像数据集 /
- 人体动作识别 /
- 深度学习 /
- 飞桨平台
Abstract: A radar human behavior perception system has penetration detection ability, which gives it a wide application prospect in the fields of security, rescue, medical treatment, and so on. Although the development of deep learning technology has promoted radar sensor research in human behavior perception, it requires more prompted dataset availability. This paper provides a four-dimensional imaging dataset of human activity using ultra-wideband radar, UWB-HA4D, which uses three-dimensional ultra-wideband multiple-input multiple-output radar as the detection sensor to capture the range-azimuth-height-time four-dimensional activity data of a human target. The dataset contains the activity data of 2757 groups for 11 human targets, including 10 common activities, such as walking, waving, and boxing. It also contains penetration and nonpenetration detection experimental scenarios. The radar system parameters, data generation process, data distribution, and other information of the dataset are introduced in detail herein. Meanwhile, several deep learning algorithms that are based on the PaddlePaddle framework and are widely used in the computer version field are applied to this dataset for human activity recognition. The experimental comparison results can be used to provide references for scholars and facilitate further investigation and research on this basis.
- Ultra-wideband radar /
- Four-dimensional imaging dataset /
- Human activity recognition /
- Deep learning /
- PaddlePaddle framework

HTML全文

图 1 三维超宽带MIMO雷达系统

Figure 1. Three-dimensional UWB MIMO radar system

下载: 全尺寸图片幻灯片

图 2 二维MIMO阵列

Figure 2. Two-dimensional MIMO array

下载: 全尺寸图片幻灯片

图 3 数据采集与处理流程

Figure 3. Data collection and processing flow

下载: 全尺寸图片幻灯片

图 4 数据集采集场景

Figure 4. Dataset collection scenes

下载: 全尺寸图片幻灯片

图 5 动作类型

Figure 5. Activity types

下载: 全尺寸图片幻灯片

图 6 三维雷达图像投影

Figure 6. Projection of three-dimensional images

下载: 全尺寸图片幻灯片

图 7 TSN结构图

Figure 7. TSN structure

下载: 全尺寸图片幻灯片

图 8 TSM网络核心结构

Figure 8. The core structure of TSM network

下载: 全尺寸图片幻灯片

图 9 Res3D网络结构图

Figure 9. Res3D network structure

下载: 全尺寸图片幻灯片

图 10 SFN结构图

Figure 10. SFN structure

下载: 全尺寸图片幻灯片

图 11 TSM网络测试结果

Figure 11. TSM network test results

下载: 全尺寸图片幻灯片

1 超宽带雷达人体动作四维成像数据集1.0发布网页

1. Release webpage of ultra-wideband radar human activity 4D imaging dataset

下载: 全尺寸图片幻灯片

表 1 雷达系统参数

Table 1. Radar system parameters

参数	指标
工作频段	1.78～2.78 GHz
信号带宽	1 GHz
信号体制	步进频信号
信号步进带宽	4 MHz
脉冲重复频率	10 Hz
天线阵元数	10发10收(MIMO)
信号发射功率	20 dBm (100 mW)
系统尺寸	60 cm×88 cm
可穿透介质	幕布、木板、塑料、泡沫、砖墙等

下载: 导出CSV

表 2 数据集采集场景信息

Table 2. Dataset collection scene information

场景编号	遮挡情况	训练集	测试集
S1	无遮挡	√	√
S2	3 cm塑料板遮挡	×	√
S3	27 cm砖墙遮挡	×	√
注：√表示有，×表示无。

下载: 导出CSV

表 3 不同动作的数据量(组)

Table 3. The amount of data for different actions (groups)

标号	动作	S1场景训练	S1场景测试	S2场景测试	S3场景测试	总数
1	开双臂	149	40	40	40	269
2	打拳	155	40	40	40	275
3	静坐	156	40	40	40	276
4	踢腿	158	40	40	40	278
5	坐下	155	40	40	40	275
6	站立	156	40	40	40	276
7	向前走	157	40	40	40	277
8	向左走	156	40	40	40	276
9	向右走	158	40	40	40	278
10	挥手	157	40	40	40	277

下载: 导出CSV

表 4 人体目标信息

Table 4. Human target information

目标编号	身高(cm)	体重(kg)	S1场景	S2场景	S3场景
H1	175	70	√	×	×
H2	172	72	√	×	×
H3	178	68	√	×	×
H4	182	85	√	×	×
H5	170	75	√	×	×
H6	179	74	√	√	√
H7	165	60	√	×	×
H8	169	65	√	√	√
H9	162	53	√	×	×
H10	186	80	√	×	×
H11	171	67	√	×	×

下载: 导出CSV

表 5 人体动作标号

Table 5. Human activity labels

动作编号	动作类型	真值标号	动作编号	动作类型	真值标号
A1	开双臂	0	A6	站立	5
A2	打拳	1	A7	向前走	6
A3	静坐	2	A8	向左走	7
A4	踢腿	3	A9	向右走	8
A5	坐下	4	A10	挥手	9

下载: 导出CSV

表 6 实验结果对比表

Table 6. Experimental results comparison table

识别方法	网络框架	S1识别精度	S2识别精度	S3识别精度
2D CNN	TSN	85.75%	83.5%	60.75%
2D CNN	TSM	91.50%	88.0%	73.75%
3D CNN	SFN	88.00%	80.5%	70.25%
3D CNN	Res3D	92.25%	90.0%	77.00%

下载: 导出CSV

表 7 Res3D网络在不同场景下的动作识别精度(%)

Table 7. Human activity recognition accuracy of Res3D networks in different scenes (%)

探测场景	张开双臂	打拳	静坐	踢腿	坐下	站立	向前走	向左走	向右走	挥手	平均
S1场景	90	90.0	97.5	82.5	100	85.0	97.5	100	100	80	92.25
S2场景	85	92.5	100.0	85.0	100	82.5	85.0	100	100	70	90.00
S3场景	90	82.5	100.0	42.5	100	65.0	50.0	70	100	70	77.00

下载: 导出CSV

参考文献(41)

[1]	KUMAR P. Human activity recognition with deep learning: Overview, challenges & possibilities[J]. CCF Transactions on Pervasive Computing and Interaction, 2021, 339(3): 1–29. doi: 10.20944/preprints202102.0349.v1.
[2]	黄晴晴, 周风余, 刘美珍. 基于视频的人体动作识别算法综述[J]. 计算机应用研究, 2020, 37(11): 3213–3219. doi: 10.19734/j.issn.1001-3695.2019.08.0253 HUANG Qingqing, ZHOU Fengyu, and LIU Meizhen. Survey of human action recognition algorithms based on video[J]. Application Research of Computers, 2020, 37(11): 3213–3219. doi: 10.19734/j.issn.1001-3695.2019.08.0253
[3]	钱慧芳, 易剑平, 付云虎. 基于深度学习的人体动作识别综述[J]. 计算机科学与探索, 2021, 15(3): 438–455. doi: 10.3778/j.issn.1673-9418.2009095 QIAN Huifang, YI Jianping, and FU Yunhu. Review of human action recognition based on deep learning[J]. Journal of Frontiers of Computer Science &Technology, 2021, 15(3): 438–455. doi: 10.3778/j.issn.1673-9418.2009095
[4]	SCHULDT C, LAPTEV I, and CAPUTO B. Recognizing human actions: A local SVM approach[C]. 2004 IEEE International Conference on Pattern Recognition, Cambridge, UK, 2004: 32–36.
[5]	SOOMRO K, ZAMIR A R, and SHAH M. UCF101: A dataset of 101 human actions classes from videos in the wild[EB/OL]. https://arxiv.org/abs/1212.0402, 2012.
[6]	KUEHNE H, JHUANG H, GARROTE E, et al. HMDB: A large video database for human motion recognition[C]. 2011 IEEE International Conference on Computer Vision, Barcelona, Spain, 2011: 2556–2563.
[7]	KAY W, CARREIRA J, SIMONYAN K, et al. The kinetics human action video dataset[EB/OL]. https://arxiv.org/abs/1705.06950, 2017.
[8]	SHAHROUDY A, LIU Jun, NG T T, et al. NTU RGB+D: A large scale dataset for 3D human activity analysis[C]. 2016 IEEE Conference on Computer Vision and Pattern Recognition, Las Vegas, USA, 2016: 1010–1019.
[9]	杜浩. 基于深度学习的超宽带雷达人体行为辨识研究[D]. [博士论文], 国防科技大学, 2020: 1–5. DU Hao. Research on deep learning-based human behavior recognition in ultra-wideband radar[D]. [Ph. D. dissertation], National University of Defense Technology, 2020: 1–5.
[10]	PAULI M, GOTTEL B, SCHERR S, et al. Miniaturized millimeter-wave radar sensor for high-accuracy applications[J]. IEEE Transactions on Microwave Theory and Techniques, 2017, 65(5): 1707–1715. doi: 10.1109/TMTT.2017.2677910
[11]	刘熠辰, 徐丰. 基于雷达技术的手势识别[J]. 中国电子科学研究院学报, 2016, 11(6): 609–613. doi: 10.3969/j.issn.1673-5692.2016.06.009 LIU Yichen and XU Feng. Gesture recognition based on radar technology[J]. Journal of China Academy of Electronics and Information Technology, 2016, 11(6): 609–613. doi: 10.3969/j.issn.1673-5692.2016.06.009
[12]	DING Chuanwei, ZHANG Li, GU Chen, et al. Non-contact human motion recognition based on UWB radar[J]. IEEE Journal on Emerging and Selected Topics in Circuits and Systems, 2018, 8(2): 306–315. doi: 10.1109/JETCAS.2018.2797313
[13]	KIM Y and MOON T. Human detection and activity classification based on micro-Doppler signatures using deep convolutional neural networks[J]. IEEE Geoscience and Remote Sensing Letters, 2016, 13(1): 8–12. doi: 10.1109/LGRS.2015.2491329
[14]	CRALEY J, MURRAY T S, MENDAT D R, et al. Action recognition using micro-Doppler signatures and a recurrent neural network[C]. 2017 51st Annual Conference on Information Sciences and Systems, Baltimore, USA, 2017: 1–5.
[15]	WANG Mingyang, ZHANG Y D, and CUI Guolong. Human motion recognition exploiting radar with stacked recurrent neural network[J]. Digital Signal Processing, 2019, 87: 125–131. doi: 10.1016/j.dsp.2019.01.013
[16]	LI Xinyu, HE Yuan, FIORANELLI F, et al. Semisupervised human activity recognition with radar micro-Doppler signatures[J]. IEEE Transactions on Geoscience and Remote Sensing, 2022, 60: 5103112. doi: 10.1109/TGRS.2021.3090106
[17]	DU Hao, JIN Tian, SONG Yongping, et al. A three-dimensional deep learning framework for human behavior analysis using range-Doppler time points[J]. IEEE Geoscience and Remote Sensing Letters, 2020, 17(4): 611–615. doi: 10.1109/LGRS.2019.2930636
[18]	李廉林, 崔铁军. 智能电磁感知的若干进展[J]. 雷达学报, 2021, 10(2): 183–190. doi: 10.12000/JR21049 LI Lianlin and CUI Tiejun. Recent progress in intelligent electromagnetic sensing[J]. Journal of Radars, 2021, 10(2): 183–190. doi: 10.12000/JR21049
[19]	LI Lianlin, SHUANG Ya, MA Qian, et al. Intelligent metasurface imager and recognizer[J]. Light:Science & Applications, 2019, 8(1): 97. doi: 10.1038/s41377-019-0209-z
[20]	FIORANELLI F, SHAH S A, LI Haobo, et al. Radar sensing for healthcare[J]. Electronics Letters, 2019, 55(19): 1022–1024. doi: 10.1049/el.2019.2378
[21]	MENG Zhen, FU Song, YAN Jie, et al. Gait recognition for co-existing multiple people using millimeter wave sensing[C]. The AAAI Conference on Artificial Intelligence, New York, USA, 2020: 849–856.
[22]	ZHU Zhengliang, YANG Degui, ZHANG Junchao, et al. Dataset of human motion status using IR-UWB through-wall radar[J]. Journal of Systems Engineering and Electronics, 2021, 32(5): 1083–1096. doi: 10.23919/JSEE.2021.000093
[23]	SONG Yongkun, JIN Tian, DAI Yongpeng, et al. Through-wall human pose reconstruction via UWB MIMO radar and 3D CNN[J]. Remote Sensing, 2021, 13(2): 241. doi: 10.3390/rs13020241
[24]	AMIN M G, 朱国富, 陆必应, 金添, 等译. 穿墙雷达成像[M]. 北京: 电子工业出版社, 2014: 22–25. AMIN M G, ZHU Guofu, LU Biying, JIN Tian, et al. translation. Through-The-Wall Radar Imaging[M]. Beijing, China: Publishing House of Electronic Industry, 2014: 22–25.
[25]	詹姆斯 D. 泰勒, 胡春明, 王建明, 孙俊, 等译. 超宽带雷达应用与设计[M]. 北京: 电子工业出版社, 2017: 54–55. TAYLOR J D, HU Chunming, WANG Jianming, SUN Jun, et al. translation. Ultrawideband Radar: Applications and Design[M]. Beijing, China: Publishing House of Electronic Industry, 2017: 54–55.
[26]	孙鑫. 超宽带穿墙雷达成像方法与技术研究[D]. [博士论文], 国防科学技术大学, 2015: 16–17. SUN Xin. Research on method and technique of ultra-wideband through-the-wall radar imaging[D]. [Ph. D. dissertation], National University of Defense Technology, 2015: 16–17.
[27]	金添, 宋勇平. 穿墙雷达人体目标探测技术综述[J]. 电波科学学报, 2020, 35(4): 486–495. doi: 10.13443/j.cjors.2020040804 JIN Tian and SONG Yongping. Review on human target detection using through-wall radar[J]. Chinese Journal of Radio Science, 2020, 35(4): 486–495. doi: 10.13443/j.cjors.2020040804
[28]	ASH M, RITCHIE M, and CHETTY K. On the application of digital moving target indication techniques to short-range FMCW radar data[J]. IEEE Sensors Journal, 2018, 18(10): 4167–4175. doi: 10.1109/JSEN.2018.2823588
[29]	SONG Yongping, LOU Jun, and TIAN Jin. A novel II-CFAR detector for ROI extraction in SAR image[C]. 2013 IEEE International Conference on Signal Processing, Communication and Computing, Kunming, China, 2013: 1–4.
[30]	NORTON-WAYNE L. Image reconstruction from projections[J]. Optica Acta:International Journal of Optics, 1980, 27(3): 281–282. doi: 10.1080/713820221
[31]	MCCORKLE J W. Focusing of synthetic aperture ultra wideband data[C]. 1991 IEEE International Conference on Systems Engineering, Dayton, USA, 1991: 1–5.
[32]	BOBICK A F and DAVIS J W. The recognition of human movement using temporal templates[J]. IEEE Transactions on Pattern Analysis and Machine Intelligence, 2001, 23(3): 257–267. doi: 10.1109/34.910878
[33]	DAS DAWN D and SHAIKH S H. A comprehensive survey of human action recognition with spatio-temporal interest point (STIP) detector[J]. The Visual Computer, 2016, 32(3): 289–306. doi: 10.1007/s00371-015-1066-2
[34]	WANG Heng, KLÄSER A, SCHMID C, et al. Dense trajectories and motion boundary descriptors for action recognition[J]. International Journal of Computer Vision, 2013, 103(1): 60–79. doi: 10.1007/s11263-012-0594-8
[35]	SIMONYAN K and ZISSERMAN A. Two-stream convolutional networks for action recognition in videos[C]. The 27th International Conference on Neural Information Processing Systems, Montreal, Canada, 2014: 568–576.
[36]	WANG Limin, XIONG Yuanjun, WANG Zhe, et al. Temporal segment networks: Towards good practices for deep action recognition[C]. 2016 14th European Conference on Computer Vision, Amsterdam, The Netherlands, 2016: 20–36.
[37]	LIN Ji, GAN Chuang, and HAN Song. TSM: Temporal shift module for efficient video understanding[C]. 2019 IEEE/CVF IEEE International Conference on Computer Vision, Seoul, Korea, 2019: 7083–7093.
[38]	JI Shuiwang, XU Wei, YANG Ming, et al. 3D convolutional neural networks for human action recognition[J]. IEEE Transactions on Pattern Analysis and Machine Intelligence, 2013, 35(1): 221–231. doi: 10.1109/TPAMI.2012.59
[39]	TRAN D, BOURDEV L, FERGUS R, et al. Learning spatiotemporal features with 3D convolutional networks[C]. 2015 IEEE International Conference on Computer Vision, Santiago, Chile, 2015: 4489–4497.
[40]	TRAN D, RAY J, SHOU Zheng, et al. ConvNet architecture search for spatiotemporal feature learning[EB/OL]. https://arxiv.org/abs/1708.05038, 2017.
[41]	FEICHTENHOFER C, FAN Haoqi, MALIK J, et al. SlowFast networks for video recognition[C]. 2019 IEEE/CVF International Conference on Computer Vision, Seoul, Korea, 2019: 6202–6210.

施引文献

期刊类型引用(88)

1.	肜瑶，张洋洋. 重构目标和多层次BVMD特征融合的SAR图像目标识别方法. 探测与控制学报. 2025(01): 94-101 . 百度学术
2.	杨慧娉，赖小龙，刘丹. 一种基于区域特征的SAR图像目标识别方法. 电光与控制. 2025(03): 76-81 . 百度学术
3.	吕虎. 基于属性散射中心目标重构加权决策融合的SAR目标识别方法. 电光与控制. 2024(02): 112-117+124 . 百度学术
4.	李振汕，丁柏圆. 联合核稀疏表示和增强字典的SAR目标识别方法. 电光与控制. 2024(08): 44-49 . 百度学术
5.	罗曼，李新. 改进卷积神经网络的SAR图像识别方法. 空天预警研究学报. 2024(03): 162-166+172 . 百度学术
6.	赵琰，赵凌君，张思乾，计科峰，匡纲要. 自监督解耦动态分类器的小样本类增量SAR图像目标识别. 电子与信息学报. 2024(10): 3936-3948 . 百度学术
7.	何洁，李文娟，陈欣. NCIE在多特征选择及SAR目标识别中的应用. 太赫兹科学与电子信息学报. 2023(02): 183-188 . 百度学术
8.	王源源. 联合变分模态分解和卷积神经网络的SAR图像目标分类方法. 电光与控制. 2023(06): 41-46 . 百度学术
9.	陈婕，潘洁，杨小英. 结合非采样剪切波和MCCA的SAR目标识别方法. 探测与控制学报. 2023(03): 89-94 . 百度学术
10.	李鹏，冯存前，胡晓伟. 一种改进的可解释SAR图像识别网络. 空军工程大学学报. 2023(04): 49-55 . 百度学术
11.	王源源. 基于改进稀疏表示的SAR图像目标识别方法. 电光与控制. 2023(09): 42-46 . 百度学术
12.	许延龙，潘昊，丁柏圆. 基于深度信念网络的属性散射中心匹配及在SAR图像目标识别中的应用. 液晶与显示. 2023(11): 1511-1520 . 百度学术
13.	李昆，赵鹏，张帝，尹广举. 基于结构相似性的多模态筛选及在SAR目标识别中的应用研究. 中国电子科学研究院学报. 2023(11): 996-1002+1028 . 百度学术
14.	陆建华. 融合CNN和SRC决策的SAR图像目标识别方法. 红外与激光工程. 2022(03): 520-526 . 百度学术
15.	游丽. 基于块稀疏贝叶斯学习的SAR图像目标方位角估计方法. 红外与激光工程. 2022(04): 399-404 . 百度学术
16.	赵高丽，宋军平. 联合多特征的MSTAR数据集SAR目标识别方法. 武汉大学学报(工学版). 2022(07): 732-739 . 百度学术
17.	周志洪，陈秀真，马进，夏正敏. 烟花算法在SAR图像属性散射中心参数估计中的应用. 红外与激光工程. 2022(08): 481-487 . 百度学术
18.	李正伟，黄孝斌，胡尧. 基于二维随机投影特征典型相关分析融合的SAR ATR方法. 红外与激光工程. 2022(10): 366-373 . 百度学术
19.	王源源，王小芳. 结合多特征联合表征和自适应加权的SAR图像目标识别方法. 电光与控制. 2022(11): 97-101+117 . 百度学术
20.	莫海宁，钟友坤. 基于BVMD特征决策融合的SAR目标识别方法. 电子信息对抗技术. 2022(05): 40-44+50 . 百度学术
21.	邢孟道，谢意远，高悦欣，张金松，刘嘉铭，吴之鑫. 电磁散射特征提取与成像识别算法综述. 雷达学报. 2022(06): 921-942 . 本站查看
22.	来雨. 基于属性散射中心的SAR图像重构及在目标识别中的应用. 火力与指挥控制. 2021(02): 46-52 . 百度学术
23.	刘飞，高红艳，卫泽刚，刘亚军，钱郁. 基于Res-Net深度特征的SAR图像目标识别方法. 液晶与显示. 2021(04): 624-631 . 百度学术
24.	伍友龙. 多元经验模态分解及在SAR图像目标识别中的应用. 红外与激光工程. 2021(04): 251-257 . 百度学术
25.	陈丛. 基于狼群算法的SAR图像属性散射中心参数估计. 红外与激光工程. 2021(04): 258-264 . 百度学术
26.	辛海燕，童有为. 结合多源特征与高斯过程模型的SAR图像目标识别. 电讯技术. 2021(04): 454-460 . 百度学术
27.	毛舒宇，岳凤英. 二维变分模态分解在SAR图像特征提取及目标识别中的应用. 电光与控制. 2021(03): 98-101+106 . 百度学术
28.	唐吉深，覃少华. 稀疏表示系数下局部最优重构的SAR图像目标识别算法. 探测与控制学报. 2021(02): 69-75+80 . 百度学术
29.	张楚笛，唐涛，计科峰. SAR图像车辆目标多模态联合协同表示分类方法. 信号处理. 2021(05): 681-689 . 百度学术
30.	刘志超，屈百达. 复数二维经验模态分解在SAR目标识别中的应用. 红外与激光工程. 2021(05): 245-252 . 百度学术
31.	刘志超，屈百达. 结合BM3D去噪与极限学习机的SAR目标分类方法. 电光与控制. 2021(06): 29-32 . 百度学术
32.	吴剑波，陆正武，关玉蓉，王庆东，姜国松. 二维压缩感知多投影矩阵特征融合的SAR目标识别方法. 红外与激光工程. 2021(06): 314-320 . 百度学术
33.	尚珊珊，余子开，范涛，金利民. 高斯过程模型在SAR图像目标识别中的应用. 红外与激光工程. 2021(07): 151-157 . 百度学术
34.	胡媛媛，韩彦龙. 快速自适应二维经验模态分解在SAR目标识别中的应用研究. 电光与控制. 2021(08): 40-43+87 . 百度学术
35.	张振中. 基于更新分类器的合成孔径雷达图像目标识别. 激光与光电子学进展. 2021(14): 234-241 . 百度学术
36.	李亚娟. 结合多决策准则稀疏表示的SAR图像目标识别方法. 红外与激光工程. 2021(08): 353-360 . 百度学术
37.	唐波，刘钢，谢黄海，黄力，代朝阳，李枫航. 基于多视角属性散射中心的风电机动态叶片雷达回波模拟. 中国电机工程学报. 2021(18): 6449-6461 . 百度学术
38.	马丹丹. 图像分块匹配的SAR目标识别方法. 红外与激光工程. 2021(10): 290-297 . 百度学术
39.	陈禾，张心怡，李灿，庄胤. 基于多尺度注意力CNN的SAR遥感目标识别. 雷达科学与技术. 2021(05): 517-525+533 . 百度学术
40.	李笑雪，黄煜峰，李忠智. 嵌入特征预提取和注意力机制的SAR图像目标检测. 江西科学. 2021(06): 1103-1109 . 百度学术
41.	陈婕，潘洁，杨小英，陈海媚，廖志平. 一种多视角SAR图像目标识别方法. 电讯技术. 2021(12): 1547-1553 . 百度学术
42.	李宁，王军敏，司文杰，耿则勋. 基于最大熵准则的多视角SAR目标分类方法. 红外与激光工程. 2021(12): 572-578 . 百度学术
43.	陈欣，陈明逊. 基于增强数据集卷积神经网络的SAR目标识别方法. 重庆理工大学学报(自然科学). 2020(01): 86-93 . 百度学术
44.	张婷，蔡德饶. 联合多层次深度特征的SAR图像目标识别方法. 火力与指挥控制. 2020(02): 135-140 . 百度学术
45.	陈婕. 考察独立性和相关性的多视角SAR图像目标识别方法. 电光与控制. 2020(03): 89-93+114 . 百度学术
46.	丁慧洁. 基于非下采样剪切波特征提取的SAR图像目标识别方法. 探测与控制学报. 2020(01): 75-80 . 百度学术
47.	柳小文，雷军程，伍雁鹏. 基于二维经验模态分解的合成孔径雷达目标识别方法. 激光与光电子学进展. 2020(04): 76-83 . 百度学术
48.	张宏武，康凯. 结合二维内蕴模函数和贝叶斯多任务学习的SAR目标识别. 电讯技术. 2020(04): 372-377 . 百度学术
49.	李亚娟. 结合全局和局部稀疏表示的SAR图像目标识别方法. 电子测量与仪器学报. 2020(02): 165-171 . 百度学术
50.	兰文宝，车畅，陶成云. 基于斯皮尔曼等级相关的单演谱成分选择及其在SAR目标识别中的应用. 电波科学学报. 2020(03): 414-421 . 百度学术
51.	周光宇，刘邦权，张亶. 基于变分模态分解的SAR图像目标识别方法. 国土资源遥感. 2020(02): 33-39 . 百度学术
52.	郭炜炜，张增辉，郁文贤，孙效华. SAR图像目标识别的可解释性问题探讨. 雷达学报. 2020(03): 462-476 . 本站查看
53.	陈婕，廖志平. 基于增强字典稀疏表示分类的SAR目标识别方法. 探测与控制学报. 2020(03): 75-81 . 百度学术
54.	吴天宝，夏靖波，黄玉燕. 基于SVM和SRC级联决策融合的SAR图像目标识别方法. 河南理工大学学报(自然科学版). 2020(04): 118-124 . 百度学术
55.	丛培贤，赵永彬，邸卓，刘雪松，徐静. 基于内蕴判别分析的SAR目标识别方法. 自动化技术与应用. 2020(09): 103-107 . 百度学术
56.	张伟昌，王文政，代作松. 结合NSCT和TPCA的SAR图像目标识别. 火力与指挥控制. 2020(09): 41-46 . 百度学术
57.	王源源. 一种基于多分辨率表示的SAR图像识别方法. 电光与控制. 2020(10): 31-36 . 百度学术
58.	申伟，石平. 单演信号随机加权融合的SAR图像目标识别方法. 电子测量与仪器学报. 2020(09): 181-187 . 百度学术
59.	陈潜，刘金清. 结合属性散射中心模型和空间变迹法的SAR图像旁瓣抑制方法. 电子测量与仪器学报. 2020(10): 57-64 . 百度学术
60.	张虹，左鑫兰，黄瑶. 基于稀疏表示系数相关性的特征选择及SAR目标识别方法. 激光与光电子学进展. 2020(14): 271-278 . 百度学术
61.	徐永士，贲可荣，王天雨，刘斯杰. DCGAN模型改进与SAR图像生成研究. 计算机科学. 2020(12): 93-99 . 百度学术
62.	涂豫. 基于贝叶斯卷积神经网络与数据增强的SAR图像目标分类方法. 探测与控制学报. 2020(06): 43-48 . 百度学术
63.	马梓元，龚华军，王新华，刘禹. 典型多特征决策融合方法及在无人机SAR图像目标识别中的应用. 舰船电子工程. 2020(12): 96-99 . 百度学术
64.	何洁，陈欣. 基于非线性相关信息熵的SAR图像多分辨率选择及目标识别. 激光与光电子学进展. 2020(22): 215-222 . 百度学术
65.	王骏，陈艳平，江立辉. 结合稀疏表示和协同表示的SAR图像目标方位角估计. 电子测量与仪器学报. 2020(12): 165-171 . 百度学术
66.	乔良才. 结合多分辨率表示和复数域CNN的SAR图像目标识别方法. 激光与光电子学进展. 2020(24): 98-106 . 百度学术
67.	王旭，蒋书波，张秀梅. SAR目标轮廓匹配及其在目标识别中的运用. 计算机工程与设计. 2019(01): 184-189 . 百度学术
68.	蔡德饶，宋愈珍. 带鉴别分析的多视角SAR图像联合决策及目标识别. 中国电子科学研究院学报. 2019(01): 37-41+54 . 百度学术
69.	段芃芃，刘锂. 基于相关性分析的SAR图像目标方位角估计. 中国电子科学研究院学报. 2019(01): 42-46 . 百度学术
70.	靳黎忠，陈俊杰，彭新光. 决策可靠性分析及在SAR图像目标识别中的应用. 电讯技术. 2019(04): 409-414 . 百度学术
71.	王鑑航，张广宇，李艳. 基于协同编码分类器的SAR目标识别方法. 中国电子科学研究院学报. 2019(03): 290-295 . 百度学术
72.	陈岭. 基于随机加权的SAR图像多特征联合目标分类. 电子测量与仪器学报. 2019(05): 187-192 . 百度学术
73.	张婷，蔡德饶. 基于属性散射中心匹配的噪声稳健SAR目标识别方法. 中国电子科学研究院学报. 2019(06): 557-562+567 . 百度学术
74.	郭敦，吴志军. 基于局部字典块稀疏表示的SAR图像目标识别方法. 中国电子科学研究院学报. 2019(08): 813-817+829 . 百度学术
75.	张克，牛鹏涛. 稀疏表示分类在SAR图像目标识别中的应用分析. 信息技术. 2019(09): 39-43 . 百度学术
76.	张华，张素莉，何树吉. 基于幅相分离和动态粒子群算法的SAR图像属性散射中心参数估计. 中国电子科学研究院学报. 2019(09): 993-1000 . 百度学术
77.	王源源. 基于单演信号多重集典型相关分析的SAR目标识别方法. 电光与控制. 2019(10): 7-11+29 . 百度学术
78.	夏朋举. 目标区域和阴影联合决策的SAR图像目标识别方法. 中国电子科学研究院学报. 2019(10): 1062-1067+1087 . 百度学术
79.	陈惠红，刘世明. 基于多重集典型相关的深度特征融合及SAR目标识别方法. 电子测量与仪器学报. 2019(09): 57-63 . 百度学术
80.	冯冬艳，王海晖. 相关性约束下SAR图像动态重构的目标识别方法. 电子测量与仪器学报. 2019(09): 100-106 . 百度学术
81.	陈宏. 结合多视角-多特征的SAR图像目标识别方法. 电子测量与仪器学报. 2019(09): 87-92 . 百度学术
82.	刘阳. 基于属性散射中心多层次匹配的SAR目标识别方法. 电子测量与仪器学报. 2019(11): 192-198 . 百度学术
83.	李辉. 基于峰值特征高斯混合建模的SAR目标识别. 电子测量与仪器学报. 2018(08): 103-108 . 百度学术
84.	赵鹏举，甘凯. 基于互补特征层次决策融合的SAR目标识别方法. 电光与控制. 2018(10): 28-32 . 百度学术
85.	谢晴，张洪. SAR图像多层次正则化增强及在目标识别中的应用. 电子测量与仪器学报. 2018(09): 157-162 . 百度学术
86.	王立梅，李金凤，张亚峰. 联合多层次散射区域的SAR目标识别方法. 中国电子科学研究院学报. 2018(06): 690-694 . 百度学术
87.	蔡德饶，张婷. 联合多分辨表示的SAR图像目标识别方法. 电子测量与仪器学报. 2018(12): 71-77 . 百度学术
88.	董平，林嘉宇，刘莹. 一种基于峰值匹配的SAR目标识别方法. 无线互联科技. 2017(22): 112-114+121 . 百度学术