申请/专利权人：哈尔滨工业大学

申请日：2021-11-25

公开（公告）日：2022-03-01

公开（公告）号：CN114114190A

主分类号：G01S7/41(20060101)

分类号：G01S7/41(20060101);G01S13/90(20060101);G06V10/764(20220101);G06V10/82(20220101);G06K9/62(20220101);G06N3/04(20060101);G06N3/08(20060101)

优先权：

专利状态码：在审-实质审查的生效

法律状态：2022.03.18#实质审查的生效;2022.03.01#公开

摘要：基于Mix‑CV‑CNN网络的三维转动舰船目标识别方法，涉及目标识别领域。本发明是为了解决目前舰船识别方法在针对运动状态的舰船进行目标识别时会出现模糊、散焦的现象进而造成的舰船目标识别准确率低的问题。本发明具体过程为：获取待识别的SAR三维转动舰船目标图像，将待识别的SAR三维转动舰船目标图像输入到训练好的Mix‑CV‑CNN模型中获取SAR三维转动舰船目标的类别。Mix‑CV‑CNN模型采用Mix‑CV‑CNN前向传播和Mix‑CV‑CNN反向传播方法训练，Mix‑CV‑CNN前向传播为将训练集中的图像输入到构建的Mix‑CV‑CNN模型中输出舰船目标的类别；Mix‑CV‑CNN反向传播为利用前向传播获得的全连接层输出向量获取Mix‑CV‑CNN模型中每一层的误差项，并利用误差项更新卷积层和全连接层的权值获得训练好的Mix‑CV‑CNN模型。本发明用于动态舰船目标的识别。

主权项：1.基于Mix-CV-CNN网络的三维转动舰船目标识别方法，其特征在于所述方法具体过程为：获取待识别的SAR三维转动舰船目标图像，将待识别的SAR三维转动舰船目标图像输入到训练好的Mix-CV-CNN模型中获取SAR三维转动舰船目标的类别；所述Mix-CV-CNN模型包括：一个输入层、一个输出层、五个卷积层、三个平均池化层和两个全连接层，其中：第一层卷积层中有96个尺寸为11×11的卷积核，卷积步长为4；第一层平均池化层核尺寸为3×3，步长为2；第二层卷积层中有256个尺寸为5×5的卷积核，卷积步长为1；第二层平均池化层核尺寸为3×3，步长为2；第三层卷积层中有384个尺寸为3×3的卷积核，卷积步长为1；第四层卷积层中有384个尺寸为3×3的卷积核，卷积步长为1；第五层卷积层中有256个尺寸为3×3的卷积核，卷积步长为1；第三层平均池化层核尺寸为3×3，步长为2；第一层全连接层包含1024个神经元；第二层全连接层包含50个神经元；输出层包含n个神经元，n是SAR三维转动舰船目标类别总数。

全文数据：

权利要求：

百度查询： 哈尔滨工业大学 基于Mix-CV-CNN网络的三维转动舰船目标识别方法

免责声明
1、本报告根据公开、合法渠道获得相关数据和信息，力求客观、公正，但并不保证数据的最终完整性和准确性。
2、报告中的分析和结论仅反映本公司于发布本报告当日的职业理解，仅供参考使用，不能作为本公司承担任何法律责任的依据或者凭证。

阅读全文 双屏查看 官方信息 专利公告 收藏专利 下载PDF 下载WORD