全文下载排行

1
雷达微弱目标处理是实现优异探测性能的基础和前提,在复杂的实际环境应用过程中,由于强杂波干扰、目标信号微弱、图像特征不明显、有效特征难提取等问题,导致雷达微弱目标检测与识别一直是雷达处理领域中的难点之一。传统模型类处理方法与实际工作背景和目标特性匹配不精准,导致通用性不强。近年来,深度学习在雷达智能信息处理领域取得了显著进展,深度学习算法通过构建深层神经网络,可以自动地从大量雷达数据中学习特征表示,提高目标检测和识别的性能。该文分别从雷达目标微弱信号处理、图像处理、特征学习等多个方面系统梳理和总结近年来雷达微弱目标智能化处理的研究进展,具体包括噪声与杂波抑制、微弱目标信号增强;低、高分辨雷达图像和特征图处理;特征提取、融合、目标分类与识别等。针对目前微弱目标智能化处理应用存在的泛化能力有限、特征单一、可解释性不足等问题,从小样本目标检测(迁移学习、强化学习)、多维多特征融合检测、网络模型可解释性、知识与数据联合驱动等方面对未来发展进行了展望。 雷达微弱目标处理是实现优异探测性能的基础和前提,在复杂的实际环境应用过程中,由于强杂波干扰、目标信号微弱、图像特征不明显、有效特征难提取等问题,导致雷达微弱目标检测与识别一直是雷达处理领域中的难点之一。传统模型类处理方法与实际工作背景和目标特性匹配不精准,导致通用性不强。近年来,深度学习在雷达智能信息处理领域取得了显著进展,深度学习算法通过构建深层神经网络,可以自动地从大量雷达数据中学习特征表示,提高目标检测和识别的性能。该文分别从雷达目标微弱信号处理、图像处理、特征学习等多个方面系统梳理和总结近年来雷达微弱目标智能化处理的研究进展,具体包括噪声与杂波抑制、微弱目标信号增强;低、高分辨雷达图像和特征图处理;特征提取、融合、目标分类与识别等。针对目前微弱目标智能化处理应用存在的泛化能力有限、特征单一、可解释性不足等问题,从小样本目标检测(迁移学习、强化学习)、多维多特征融合检测、网络模型可解释性、知识与数据联合驱动等方面对未来发展进行了展望。
2
高分辨率雷达成像技术和人工智能、大数据技术的快速发展,有力促进了雷达图像智能解译技术的进步。由于雷达传感器本身的特殊性和电磁散射成像物理的复杂性,雷达图像的解译缺乏光学图像的直观性,准确迅速识别分类的需求对雷达图像解译提出了迫切的挑战。在借鉴人脑光视觉感知机理和计算机视觉图像处理相关技术基础上,进一步融合电磁散射物理规律及其雷达成像机理,我们提出发展微波域雷达图像解译的“微波视觉”的新交叉领域研究。该文介绍微波视觉的概念与内涵,提出微波视觉认知模型,阐述其基础理论问题与技术路线,最后介绍了作者团队在相关问题上的初步研究进展。 高分辨率雷达成像技术和人工智能、大数据技术的快速发展,有力促进了雷达图像智能解译技术的进步。由于雷达传感器本身的特殊性和电磁散射成像物理的复杂性,雷达图像的解译缺乏光学图像的直观性,准确迅速识别分类的需求对雷达图像解译提出了迫切的挑战。在借鉴人脑光视觉感知机理和计算机视觉图像处理相关技术基础上,进一步融合电磁散射物理规律及其雷达成像机理,我们提出发展微波域雷达图像解译的“微波视觉”的新交叉领域研究。该文介绍微波视觉的概念与内涵,提出微波视觉认知模型,阐述其基础理论问题与技术路线,最后介绍了作者团队在相关问题上的初步研究进展。
3
合成孔径雷达(SAR)采用相干成像机制,具有全天时、全天候成像的独特优势。飞机目标作为一种典型高价值目标,其检测与识别已成为SAR图像解译领域的研究热点。近年来,深度学习技术的引入,极大提升了SAR图像飞机目标检测与识别的性能。该文结合团队在SAR图像目标特别是飞机目标的检测与识别理论、算法及应用等方面的长期研究积累,对基于深度学习的SAR图像飞机目标检测与识别进行了全面回顾和综述,深入分析了SAR图像飞机目标特性及检测识别难点,总结了最新的研究进展以及不同方法的特点和应用场景,汇总整理了公开数据集及常用性能评估指标,最后,探讨了该领域研究面临的挑战和发展趋势。 合成孔径雷达(SAR)采用相干成像机制,具有全天时、全天候成像的独特优势。飞机目标作为一种典型高价值目标,其检测与识别已成为SAR图像解译领域的研究热点。近年来,深度学习技术的引入,极大提升了SAR图像飞机目标检测与识别的性能。该文结合团队在SAR图像目标特别是飞机目标的检测与识别理论、算法及应用等方面的长期研究积累,对基于深度学习的SAR图像飞机目标检测与识别进行了全面回顾和综述,深入分析了SAR图像飞机目标特性及检测识别难点,总结了最新的研究进展以及不同方法的特点和应用场景,汇总整理了公开数据集及常用性能评估指标,最后,探讨了该领域研究面临的挑战和发展趋势。
4
针对合成孔径雷达(SAR)图像中飞机散射点离散以及背景强干扰造成虚警的问题,该文提出了一种结合散射感知的SAR飞机检测识别方法。一方面,通过上下文引导的特征金字塔模块来增强全局信息,减弱复杂场景中强干扰的影响,提高检测识别的准确率。另一方面,利用散射关键点对目标进行定位,设计散射感知检测模块实现对回归框的细化校正,增强目标的定位精度。为了验证方法有效性、同时促进SAR飞机检测识别领域的研究发展,该文制作并公开了一个高分辨率SAR-AIRcraft-1.0数据集。该数据集图像来自高分三号卫星,包含4,368张图片和16,463个飞机目标实例,涵盖A220, A320/321, A330, ARJ21, Boeing737, Boeing787和other共7个类别。该文将提出的方法和常见深度学习算法在构建的数据集上进行实验,实验结果证明了散射感知方法的优异性能,并且形成了该数据集在SAR飞机检测、细粒度识别、检测识别一体化等不同任务中性能指标的基准。 针对合成孔径雷达(SAR)图像中飞机散射点离散以及背景强干扰造成虚警的问题,该文提出了一种结合散射感知的SAR飞机检测识别方法。一方面,通过上下文引导的特征金字塔模块来增强全局信息,减弱复杂场景中强干扰的影响,提高检测识别的准确率。另一方面,利用散射关键点对目标进行定位,设计散射感知检测模块实现对回归框的细化校正,增强目标的定位精度。为了验证方法有效性、同时促进SAR飞机检测识别领域的研究发展,该文制作并公开了一个高分辨率SAR-AIRcraft-1.0数据集。该数据集图像来自高分三号卫星,包含4,368张图片和16,463个飞机目标实例,涵盖A220, A320/321, A330, ARJ21, Boeing737, Boeing787和other共7个类别。该文将提出的方法和常见深度学习算法在构建的数据集上进行实验,实验结果证明了散射感知方法的优异性能,并且形成了该数据集在SAR飞机检测、细粒度识别、检测识别一体化等不同任务中性能指标的基准。
5
无人机等低慢小目标探测对雷达目标检测和识别技术提出了很高的挑战,迫切需要构建相关数据集,支撑低慢小探测技术的发展和应用。该文公开了一个多波段调频连续波(FMCW)雷达低慢小目标探测数据集,基于Ku波段和L波段的FMCW雷达采集6种类型的无人机回波数据,通过雷达调制周期和调制带宽,具备不同时域和频域分辨和测量能力,构建了多波段FMCW雷达低慢小探测数据集(LSS-FMCWR-1.0)。为了进一步提升无人机微动特征提取能力,该文提出基于局部极大值同步提取变换的无人机微动提取和参数估计方法,在短时傅里叶变换的基础上提取时频能量最大值,保留有用信号分量,实现精细化时频表示。基于LSS-FMCWR-1.0进行验证分析,结果表明该方法相较于传统时频方法,熵值平均降低了5.3 dB,旋翼叶长估计误差降低了27.7%,所提方法兼顾高时频分辨率和较高的参数估计精度,为后续目标识别奠定了基础。 无人机等低慢小目标探测对雷达目标检测和识别技术提出了很高的挑战,迫切需要构建相关数据集,支撑低慢小探测技术的发展和应用。该文公开了一个多波段调频连续波(FMCW)雷达低慢小目标探测数据集,基于Ku波段和L波段的FMCW雷达采集6种类型的无人机回波数据,通过雷达调制周期和调制带宽,具备不同时域和频域分辨和测量能力,构建了多波段FMCW雷达低慢小探测数据集(LSS-FMCWR-1.0)。为了进一步提升无人机微动特征提取能力,该文提出基于局部极大值同步提取变换的无人机微动提取和参数估计方法,在短时傅里叶变换的基础上提取时频能量最大值,保留有用信号分量,实现精细化时频表示。基于LSS-FMCWR-1.0进行验证分析,结果表明该方法相较于传统时频方法,熵值平均降低了5.3 dB,旋翼叶长估计误差降低了27.7%,所提方法兼顾高时频分辨率和较高的参数估计精度,为后续目标识别奠定了基础。
6
该文考虑了海杂波环境下的雷达目标检测问题,提出了一种基于深度学习的海面目标检测器。该检测器通过融合从不同数据源中提取的多种互补性特征以增加目标和杂波的差异性,从而提升对海面目标的检测性能。具体来说,该检测器首先利用两个特征提取分支分别从距离像和距离多普勒谱图中提取多层次快时间特征和距离特征;然后,设计局部-全局特征提取结构从特征的慢时间维度或多普勒维度提取序列关联性;接着,提出基于自适应卷积权重学习的特征融合模块,实现快慢时间特征和距离多普勒特征的高效融合;最后,对多层次特征进行融合、上采样和非线性映射获得检测结果。基于两个公开雷达数据集上的实验验证了所提检测器的检测性能。 该文考虑了海杂波环境下的雷达目标检测问题,提出了一种基于深度学习的海面目标检测器。该检测器通过融合从不同数据源中提取的多种互补性特征以增加目标和杂波的差异性,从而提升对海面目标的检测性能。具体来说,该检测器首先利用两个特征提取分支分别从距离像和距离多普勒谱图中提取多层次快时间特征和距离特征;然后,设计局部-全局特征提取结构从特征的慢时间维度或多普勒维度提取序列关联性;接着,提出基于自适应卷积权重学习的特征融合模块,实现快慢时间特征和距离多普勒特征的高效融合;最后,对多层次特征进行融合、上采样和非线性映射获得检测结果。基于两个公开雷达数据集上的实验验证了所提检测器的检测性能。
7
地物精细分类是合成孔径雷达(SAR)的主要应用方向之一。在多波段全极化SAR工作模式下,可充分获取目标不同波段信息和极化响应特征,有望提高目标分类精度。然而国内外现有的数据集仅有个别波段、少数地区、少量样本的低分辨率全极化分类数据。为推动多波段全极化SAR分类应用的发展,在高分航空观测系统应用校飞与验证项目支持下,利用多维度SAR在海南的校飞数据构建了一个样本量充分大、地物类别较为丰富、分类可靠性较高的多波段全极化精细分类数据集。该文概述了该数据集的构成,给出了发布数据(MPOLSAR-1.0)的信息描述方式、数据集制作流程和方法,并分别基于极化特征分类方法和经典机器学习分类方法给出了初步的分类实验结果,为该数据集的共享和应用提供支撑。 地物精细分类是合成孔径雷达(SAR)的主要应用方向之一。在多波段全极化SAR工作模式下,可充分获取目标不同波段信息和极化响应特征,有望提高目标分类精度。然而国内外现有的数据集仅有个别波段、少数地区、少量样本的低分辨率全极化分类数据。为推动多波段全极化SAR分类应用的发展,在高分航空观测系统应用校飞与验证项目支持下,利用多维度SAR在海南的校飞数据构建了一个样本量充分大、地物类别较为丰富、分类可靠性较高的多波段全极化精细分类数据集。该文概述了该数据集的构成,给出了发布数据(MPOLSAR-1.0)的信息描述方式、数据集制作流程和方法,并分别基于极化特征分类方法和经典机器学习分类方法给出了初步的分类实验结果,为该数据集的共享和应用提供支撑。
8
后向投影(BP)算法是合成孔径雷达成像算法发展的重要方向之一。然而,由于BP算法具有较大的计算量,阻碍了其在工程应用上的发展。因此,近年来如何有效地提高BP算法的运算效率受到了广泛的重视。该文讨论了基于多种成像面坐标系的快速BP算法,包括距离-方位平面坐标系、地平面坐标系和非欧氏坐标系。该文首先简要介绍了原始BP算法的原理和不同坐标系对加速BP算法的影响,并对BP算法的发展历程进行梳理。然后讨论了基于不同成像面坐标系的快速BP算法的研究进展,并重点介绍了作者所在研究团队近年来在快速BP成像方面完成的研究工作。最后介绍了快速BP算法在工程上的应用,并展望了未来快速BP成像算法的研究发展趋势。 后向投影(BP)算法是合成孔径雷达成像算法发展的重要方向之一。然而,由于BP算法具有较大的计算量,阻碍了其在工程应用上的发展。因此,近年来如何有效地提高BP算法的运算效率受到了广泛的重视。该文讨论了基于多种成像面坐标系的快速BP算法,包括距离-方位平面坐标系、地平面坐标系和非欧氏坐标系。该文首先简要介绍了原始BP算法的原理和不同坐标系对加速BP算法的影响,并对BP算法的发展历程进行梳理。然后讨论了基于不同成像面坐标系的快速BP算法的研究进展,并重点介绍了作者所在研究团队近年来在快速BP成像方面完成的研究工作。最后介绍了快速BP算法在工程上的应用,并展望了未来快速BP成像算法的研究发展趋势。
9
随着雷达目标探测需求的增加,基于压缩感知(CS)模型的稀疏恢复(SR)技术被广泛应用于雷达信号处理领域。该文首先对压缩感知的基本理论进行梳理;接着从场景稀疏以及稀疏观测两个角度介绍了雷达信号处理中的稀疏特性;然后基于稀疏特性,从空域处理、脉冲压缩、相参处理、雷达成像以及目标检测等角度概述了压缩感知技术在雷达信号处理中的应用。最后,对压缩感知技术在雷达信号处理中的应用进行了总结。 随着雷达目标探测需求的增加,基于压缩感知(CS)模型的稀疏恢复(SR)技术被广泛应用于雷达信号处理领域。该文首先对压缩感知的基本理论进行梳理;接着从场景稀疏以及稀疏观测两个角度介绍了雷达信号处理中的稀疏特性;然后基于稀疏特性,从空域处理、脉冲压缩、相参处理、雷达成像以及目标检测等角度概述了压缩感知技术在雷达信号处理中的应用。最后,对压缩感知技术在雷达信号处理中的应用进行了总结。
10
作为高级驾驶辅助系统(ADAS)核心之一的汽车毫米波雷达因其具有全天时、全天候、小型化、集成度高等优势,提供了关键的感知能力,逐渐成为国内外学者及厂商关注的焦点。汽车毫米波雷达以汽车作为平台,其核心性能指标主要有距离、速度、角度分辨率、视场范围等,此外,精度、成本、实时性、检测性能和体积也是需要考虑的关键问题。日益提升的性能需求给汽车毫米波雷达信号处理带来了诸多挑战。为了改进雷达性能以满足更严格的要求,雷达的信号处理技术是至关重要的一环。获取致密的雷达点云、生成精确的雷达成像结果、对抗多个雷达系统间的相互干扰是其中的重点,也是后续跟踪、识别等应用的基础。因此,该文从汽车毫米波雷达的实际应用出发,立足于信号处理的关键技术,总结了相关研究成果,主要讨论与车载毫米波雷达相关的以下主题: (1)点云成像处理;(2)合成孔径雷达成像处理;(3)互扰抑制。文章最后对国内外研究现状进行了总结,并展望未来汽车毫米波雷达的发展趋势,希望能给相关领域读者以启发。 作为高级驾驶辅助系统(ADAS)核心之一的汽车毫米波雷达因其具有全天时、全天候、小型化、集成度高等优势,提供了关键的感知能力,逐渐成为国内外学者及厂商关注的焦点。汽车毫米波雷达以汽车作为平台,其核心性能指标主要有距离、速度、角度分辨率、视场范围等,此外,精度、成本、实时性、检测性能和体积也是需要考虑的关键问题。日益提升的性能需求给汽车毫米波雷达信号处理带来了诸多挑战。为了改进雷达性能以满足更严格的要求,雷达的信号处理技术是至关重要的一环。获取致密的雷达点云、生成精确的雷达成像结果、对抗多个雷达系统间的相互干扰是其中的重点,也是后续跟踪、识别等应用的基础。因此,该文从汽车毫米波雷达的实际应用出发,立足于信号处理的关键技术,总结了相关研究成果,主要讨论与车载毫米波雷达相关的以下主题: (1)点云成像处理;(2)合成孔径雷达成像处理;(3)互扰抑制。文章最后对国内外研究现状进行了总结,并展望未来汽车毫米波雷达的发展趋势,希望能给相关领域读者以启发。
11
作为一种由众多亚波长单元周期性或非周期性排列构成的二维人工结构,超表面展示了其在电磁波极化调控领域的卓越能力,开辟了电磁波调控的新途径。电控可重构极化调控超表面,可通过电信号实时调整其结构或材料特性进而动态地调控电磁波的极化状态,因而受到广泛研究关注。该文全面综述了电控可重构极化调控超表面的发展历程,详细探讨了微波段具备不同传输特性的电控可重构极化调控超表面的技术进展,并对电控可重构极化调控超表面技术的未来发展进行了深入的探讨和展望。 作为一种由众多亚波长单元周期性或非周期性排列构成的二维人工结构,超表面展示了其在电磁波极化调控领域的卓越能力,开辟了电磁波调控的新途径。电控可重构极化调控超表面,可通过电信号实时调整其结构或材料特性进而动态地调控电磁波的极化状态,因而受到广泛研究关注。该文全面综述了电控可重构极化调控超表面的发展历程,详细探讨了微波段具备不同传输特性的电控可重构极化调控超表面的技术进展,并对电控可重构极化调控超表面技术的未来发展进行了深入的探讨和展望。
12
飞鸟和无人机(UAVs)是典型的“低慢小”目标,具有低可观测性,对两者的有效监视和识别成为保障空中航路安全、城市安保等需求迫切需要解决的难题。飞鸟和无人机目标类型多、飞行高度低、机动性强、雷达散射截面积小,加之探测环境复杂,给目标探测带来极大困扰,已成为世界性难题。因此迫切需要研发“看得见(检测能力强)、辨得明(识别概率高)”的无人机、飞鸟等“低慢小”目标监视手段和技术,实现目标的精细化描述和识别。该文集中对近年来复杂场景下旋翼无人机和飞鸟目标检测与识别技术的研究进展进行了归纳总结,介绍了飞鸟和无人机探测的主要手段,从回波建模和微动特性认知、泛探模式下机动特征增强与提取、分布式多视角特征融合、运动轨迹差异、深度学习智能分类等方面给出了检测和识别的有效途径。最后,该文总结了现有研究存在的问题,对未来复杂场景下飞鸟和无人机目标检测与识别技术的发展进行了展望。 飞鸟和无人机(UAVs)是典型的“低慢小”目标,具有低可观测性,对两者的有效监视和识别成为保障空中航路安全、城市安保等需求迫切需要解决的难题。飞鸟和无人机目标类型多、飞行高度低、机动性强、雷达散射截面积小,加之探测环境复杂,给目标探测带来极大困扰,已成为世界性难题。因此迫切需要研发“看得见(检测能力强)、辨得明(识别概率高)”的无人机、飞鸟等“低慢小”目标监视手段和技术,实现目标的精细化描述和识别。该文集中对近年来复杂场景下旋翼无人机和飞鸟目标检测与识别技术的研究进展进行了归纳总结,介绍了飞鸟和无人机探测的主要手段,从回波建模和微动特性认知、泛探模式下机动特征增强与提取、分布式多视角特征融合、运动轨迹差异、深度学习智能分类等方面给出了检测和识别的有效途径。最后,该文总结了现有研究存在的问题,对未来复杂场景下飞鸟和无人机目标检测与识别技术的发展进行了展望。
13
星载合成孔径雷达(SAR)以卫星等空间飞行器为运动平台,具有全天时、全天候、全球观测能力,已成为一种不可或缺的对地观测手段。当前,我国星载SAR已实现分辨率从米级到亚米级、系统体制从正侧视条带向方位扫描聚束、从单通道向多通道、极化方式从单一极化到全极化的技术跨越。随着技术的不断进步,未来星载SAR将在体制、概念、技术、模式等方面取得突破,包括高分辨率宽幅成像、多基地、轻小型化、智能化等,从而不断拓展星载SAR的观测维度,实现多维度信息获取。该文将围绕星载SAR的技术发展趋势展开论述。 星载合成孔径雷达(SAR)以卫星等空间飞行器为运动平台,具有全天时、全天候、全球观测能力,已成为一种不可或缺的对地观测手段。当前,我国星载SAR已实现分辨率从米级到亚米级、系统体制从正侧视条带向方位扫描聚束、从单通道向多通道、极化方式从单一极化到全极化的技术跨越。随着技术的不断进步,未来星载SAR将在体制、概念、技术、模式等方面取得突破,包括高分辨率宽幅成像、多基地、轻小型化、智能化等,从而不断拓展星载SAR的观测维度,实现多维度信息获取。该文将围绕星载SAR的技术发展趋势展开论述。
14
该文提出了一种新的多模态协同感知框架,通过融合激光雷达和相机传感器的输入来增强自动驾驶感知系统的性能。首先,构建了一个多模态融合的基线系统,能有效地整合来自激光雷达和相机传感器的数据,为后续研究提供了可比较的基准。其次,在多车协同环境下,探索了多种流行的特征融合策略,包括通道级拼接、元素级求和,以及基于Transformer的融合方法,以此来融合来自不同类型传感器的特征并评估它们对模型性能的影响。最后,使用大规模公开仿真数据集OPV2V进行了一系列实验和评估。实验结果表明,基于注意力机制的多模态融合方法在协同感知任务中展现出更优越的性能和更强的鲁棒性,能够提供更精确的目标检测结果,从而增加了自动驾驶系统的安全性和可靠性。 该文提出了一种新的多模态协同感知框架,通过融合激光雷达和相机传感器的输入来增强自动驾驶感知系统的性能。首先,构建了一个多模态融合的基线系统,能有效地整合来自激光雷达和相机传感器的数据,为后续研究提供了可比较的基准。其次,在多车协同环境下,探索了多种流行的特征融合策略,包括通道级拼接、元素级求和,以及基于Transformer的融合方法,以此来融合来自不同类型传感器的特征并评估它们对模型性能的影响。最后,使用大规模公开仿真数据集OPV2V进行了一系列实验和评估。实验结果表明,基于注意力机制的多模态融合方法在协同感知任务中展现出更优越的性能和更强的鲁棒性,能够提供更精确的目标检测结果,从而增加了自动驾驶系统的安全性和可靠性。
15
多传感器多目标跟踪是信息融合领域的热点问题,其通过融合多个局部传感器数据,提高目标跟踪精度和稳定性。多传感器多目标跟踪按融合体系可分为分布式、集中式、混合式3类,其中分布式融合结构对网络通信带宽要求低、可靠性和稳定性强,广泛应用于军事、民用领域。该文聚焦分布式多传感器多目标跟踪涉及的目标跟踪、传感器配准、航迹关联、数据融合4项关键技术,主要分析了各关键技术的理论原理与适用条件,重点介绍了不完整测量条件下的空间配准与航迹关联,并给出仿真结果。最后,该文总结了现有分布式多传感器多目标跟踪关键技术存在的问题,并指出了其未来发展趋势。 多传感器多目标跟踪是信息融合领域的热点问题,其通过融合多个局部传感器数据,提高目标跟踪精度和稳定性。多传感器多目标跟踪按融合体系可分为分布式、集中式、混合式3类,其中分布式融合结构对网络通信带宽要求低、可靠性和稳定性强,广泛应用于军事、民用领域。该文聚焦分布式多传感器多目标跟踪涉及的目标跟踪、传感器配准、航迹关联、数据融合4项关键技术,主要分析了各关键技术的理论原理与适用条件,重点介绍了不完整测量条件下的空间配准与航迹关联,并给出仿真结果。最后,该文总结了现有分布式多传感器多目标跟踪关键技术存在的问题,并指出了其未来发展趋势。
16
卷积神经网络(CNN)的特征提取能力与其参数量有关,一般来说,参数量越多,CNN的特征提取能力越强。但要学好这些参数需要大量的训练数据,而在实际应用中,可用于模型训练的合成孔径雷达(SAR)图像往往是有限的。减少CNN的参数量可以降低对训练样本的需求,但同时也会降低CNN的特征表达能力,影响其目标识别性能。针对此问题,该文提出一种基于属性散射中心(ASC)卷积核调制的SAR目标识别深层网络。由于SAR图像具有电磁散射特性,为了提取更符合SAR目标特性的散射结构和边缘特征,所提网络使用预先设定的具有不同指向和长度的ASC核对少量CNN卷积核进行调制以生成更多卷积核,从而在降低网络参数量的同时保证其特征提取能力。此外,该网络在浅层使用ASC调制卷积核来提取更符合SAR图像特性的散射结构和边缘特征,而在高层使用CNN卷积核来提取SAR图像的语义特征。由于同时使用ASC调制卷积核和CNN卷积核,该网络能够兼顾SAR目标的电磁散射特性和CNN的特征提取优势。使用实测SAR图像进行的实验证明了所提网络可以在降低对训练样本需求的同时保证优秀的SAR目标识别性能。 卷积神经网络(CNN)的特征提取能力与其参数量有关,一般来说,参数量越多,CNN的特征提取能力越强。但要学好这些参数需要大量的训练数据,而在实际应用中,可用于模型训练的合成孔径雷达(SAR)图像往往是有限的。减少CNN的参数量可以降低对训练样本的需求,但同时也会降低CNN的特征表达能力,影响其目标识别性能。针对此问题,该文提出一种基于属性散射中心(ASC)卷积核调制的SAR目标识别深层网络。由于SAR图像具有电磁散射特性,为了提取更符合SAR目标特性的散射结构和边缘特征,所提网络使用预先设定的具有不同指向和长度的ASC核对少量CNN卷积核进行调制以生成更多卷积核,从而在降低网络参数量的同时保证其特征提取能力。此外,该网络在浅层使用ASC调制卷积核来提取更符合SAR图像特性的散射结构和边缘特征,而在高层使用CNN卷积核来提取SAR图像的语义特征。由于同时使用ASC调制卷积核和CNN卷积核,该网络能够兼顾SAR目标的电磁散射特性和CNN的特征提取优势。使用实测SAR图像进行的实验证明了所提网络可以在降低对训练样本需求的同时保证优秀的SAR目标识别性能。
17
合成孔径雷达(SAR)因其全天候、全天时的监测能力在民用和军事领域得到广泛应用。近年来,深度学习已被广泛应用于SAR图像自动解译。然而,由于卫星轨道和观测角度的限制,SAR目标样本面临视角覆盖率不全的问题,这为学习型SAR目标检测识别算法带来了挑战。该文提出一种融合可微分渲染的SAR多视角样本生成方法,结合逆向三维重建和正向渲染技术,通过卷积神经网络(CNN)从少量SAR视角图像中反演目标三维表征,然后利用可微分SAR渲染器(DSR)渲染出更多视角样本,实现样本在角度维的插值。另外,方法的训练过程使用DSR构建目标函数,无需三维真值监督。根据仿真数据的实验结果,该方法能够有效地增加多视角SAR目标图像,并提高小样本条件下典型SAR目标识别率。 合成孔径雷达(SAR)因其全天候、全天时的监测能力在民用和军事领域得到广泛应用。近年来,深度学习已被广泛应用于SAR图像自动解译。然而,由于卫星轨道和观测角度的限制,SAR目标样本面临视角覆盖率不全的问题,这为学习型SAR目标检测识别算法带来了挑战。该文提出一种融合可微分渲染的SAR多视角样本生成方法,结合逆向三维重建和正向渲染技术,通过卷积神经网络(CNN)从少量SAR视角图像中反演目标三维表征,然后利用可微分SAR渲染器(DSR)渲染出更多视角样本,实现样本在角度维的插值。另外,方法的训练过程使用DSR构建目标函数,无需三维真值监督。根据仿真数据的实验结果,该方法能够有效地增加多视角SAR目标图像,并提高小样本条件下典型SAR目标识别率。
18
多雷达协同探测技术通过有机地联动多部雷达,形成广域分布的探测构型,可充分获取空间、频率分集等探测增益,显著提升雷达系统的目标探测性能和电磁干扰环境顽存能力,是雷达技术领域重点发展的方向之一。近年来,国内外针对多雷达协同探测技术开展了广泛研究,在系统架构设计、信号处理、资源调度等技术方向积累了诸多研究成果。该文首先总结了多雷达协同探测技术的概念内涵,阐述了其基于信号处理闭环反馈的协同机制,分析了其实现过程中所面临的技术挑战;随后,聚焦于认知跟踪与资源调度算法,从内涵特点、系统构成、跟踪模型、信息融合、性能评估、调度算法、优化准则、认知流程等方面进行了技术总结,并分析了协同认知跟踪及其与系统资源调度的关系;接着从雷达资源要素、信息融合架构、跟踪性能指标、资源调度模型、复杂任务场景5个方面梳理和总结了协同认知跟踪与资源调度算法近年来的研究进展;最后总结全文并展望了该领域未来技术的发展趋势,旨在为后续的相关技术研究提供参考。 多雷达协同探测技术通过有机地联动多部雷达,形成广域分布的探测构型,可充分获取空间、频率分集等探测增益,显著提升雷达系统的目标探测性能和电磁干扰环境顽存能力,是雷达技术领域重点发展的方向之一。近年来,国内外针对多雷达协同探测技术开展了广泛研究,在系统架构设计、信号处理、资源调度等技术方向积累了诸多研究成果。该文首先总结了多雷达协同探测技术的概念内涵,阐述了其基于信号处理闭环反馈的协同机制,分析了其实现过程中所面临的技术挑战;随后,聚焦于认知跟踪与资源调度算法,从内涵特点、系统构成、跟踪模型、信息融合、性能评估、调度算法、优化准则、认知流程等方面进行了技术总结,并分析了协同认知跟踪及其与系统资源调度的关系;接着从雷达资源要素、信息融合架构、跟踪性能指标、资源调度模型、复杂任务场景5个方面梳理和总结了协同认知跟踪与资源调度算法近年来的研究进展;最后总结全文并展望了该领域未来技术的发展趋势,旨在为后续的相关技术研究提供参考。
19
分布式孔径相参合成通过对多个分散布置小孔径的收/发信号进行相参调整,使协同的分布式系统可以用相对低的成本获得比拟于大孔径的功率孔径积,是替代大孔径的可行技术选择。该文首先阐述了分布式孔径相参合成的概念和实现原理,根据是否需要合成目的地处的外部信号输入,将相参合成的实现架构分为闭环式和开环式两类;然后,较为全面地综述了分布式孔径相参合成在导弹防御、深空遥测遥控、超远距离雷达探测、射电天文多领域发展应用情况;进一步阐述相参合成必要且用于对准各孔径收发信号时间和相位的关键技术,包括高精度分布式时频传递和同步技术,以及相参合成参数估计、测量标定和预测技术;最后对分布式孔径相参合成研究进行了总结和展望。 分布式孔径相参合成通过对多个分散布置小孔径的收/发信号进行相参调整,使协同的分布式系统可以用相对低的成本获得比拟于大孔径的功率孔径积,是替代大孔径的可行技术选择。该文首先阐述了分布式孔径相参合成的概念和实现原理,根据是否需要合成目的地处的外部信号输入,将相参合成的实现架构分为闭环式和开环式两类;然后,较为全面地综述了分布式孔径相参合成在导弹防御、深空遥测遥控、超远距离雷达探测、射电天文多领域发展应用情况;进一步阐述相参合成必要且用于对准各孔径收发信号时间和相位的关键技术,包括高精度分布式时频传递和同步技术,以及相参合成参数估计、测量标定和预测技术;最后对分布式孔径相参合成研究进行了总结和展望。
20
合成孔径雷达(SAR)目标识别智能算法目前仍面临缺少鲁棒性、泛化性和可解释性的挑战,理解SAR目标微波特性并将其结合先进的深度学习算法,实现高效鲁棒的SAR目标识别,是目前领域较为关注的研究重点。SAR目标特性反演方法通常计算复杂度较高,难以结合深度神经网络实现端到端的实时预测。为促进SAR目标物理特性在智能识别任务中的应用,发展高效、智能、可解释的微波物理特性感知方法至关重要。该文将高分辨SAR目标的非平稳特性作为一种典型的微波视觉特性,提出一种改进的基于时频分析的目标特性智能感知方法,优化了处理流程和计算效率,使之更适用于SAR目标识别场景,并进一步将其应用到SAR目标智能识别算法中,实现了稳定的性能提升。该方法泛化性强、计算效率高,能得到物理可解释的SAR目标特性分类结果,对目标识别算法的性能提升与属性散射中心模型相当。 合成孔径雷达(SAR)目标识别智能算法目前仍面临缺少鲁棒性、泛化性和可解释性的挑战,理解SAR目标微波特性并将其结合先进的深度学习算法,实现高效鲁棒的SAR目标识别,是目前领域较为关注的研究重点。SAR目标特性反演方法通常计算复杂度较高,难以结合深度神经网络实现端到端的实时预测。为促进SAR目标物理特性在智能识别任务中的应用,发展高效、智能、可解释的微波物理特性感知方法至关重要。该文将高分辨SAR目标的非平稳特性作为一种典型的微波视觉特性,提出一种改进的基于时频分析的目标特性智能感知方法,优化了处理流程和计算效率,使之更适用于SAR目标识别场景,并进一步将其应用到SAR目标智能识别算法中,实现了稳定的性能提升。该方法泛化性强、计算效率高,能得到物理可解释的SAR目标特性分类结果,对目标识别算法的性能提升与属性散射中心模型相当。
  • 首页
  • 上一页
  • 1
  • 2
  • 3
  • 4
  • 5
  • 末页
  • 共:5页