期刊导航
期刊开放获取
上海教育软件发展有限公..
期刊文献
+
任意字段
题名或关键词
题名
关键词
文摘
作者
第一作者
机构
刊名
分类号
参考文献
作者简介
基金资助
栏目信息
任意字段
题名或关键词
题名
关键词
文摘
作者
第一作者
机构
刊名
分类号
参考文献
作者简介
基金资助
栏目信息
检索
高级检索
期刊导航
共找到
1
篇文章
<
1
>
每页显示
20
50
100
已选择
0
条
导出题录
引用分析
参考文献
引证文献
统计分析
检索结果
已选文献
显示方式：
文摘
详细
列表
相关度排序
被引量排序
时效性排序
基于CBAM-Swin-Transformer迁移学习的海上微动目标分类方法
1
作者
何肖阳
陈小龙
+3 位作者
杜晓林
苏宁远
袁旺
关键
《系统工程与电子技术》
北大核心
2025年第4期1155-1167,共13页
雷达作为海上目标监测和识别的重要手段,海上目标运动特征精细化描述与分类是其关键技术。基于深度学习的卷积网络分类方法不依赖于模型,但仍难以适应复杂多变的海洋环境、多样性海上目标,泛化能力有限。将卷积注意力机制模块(convoluti...
雷达作为海上目标监测和识别的重要手段,海上目标运动特征精细化描述与分类是其关键技术。基于深度学习的卷积网络分类方法不依赖于模型,但仍难以适应复杂多变的海洋环境、多样性海上目标,泛化能力有限。将卷积注意力机制模块(convolutional block attention module,CBAM)融入Swin-Transformer网络,并基于迁移学习(transfer learning,TL)策略,提出一种兼顾舰船目标和低空旋翼飞行目标的海上微动目标分类方法(简称为TL-CBAM-Swin-Transformer),提升多种观测条件下的模型分类适应能力。首先,建立海上微动目标模型,并基于3种雷达实测数据构建海面非匀速平动、三轴转动、直升机、固定翼无人机的微动时频数据集。然后,设计TL-CBAM-Swin-Transformer网络,CBAM从通道维和空间维提取特征,提高其小尺度中多头注意力信息的提取能力。实测数据验证结果表明,相比Swin-Transformer,所提网络的分类准确度提升3.43%。采用TL法,将所提网络在ImageNet数据上进行预训练,将智能像素处理(intelligent pixel processing,IPIX)雷达微动目标作为源域进行预训练,并迁移至科学与工业研究委员会(Council for Scientific and Industrial Research,CSIR)雷达微动目标,分类概率达97.9%,将直升机旋翼作为源域进行预训练并迁移至固定翼无人机,分类概率达98.8%,验证了所提算法具有较强的泛化能力。
展开更多
关键词
雷达
目标
分类
海上微动目标
迁移学习
Swin-Transformer网络
注意力机制
时频分析
在线阅读
下载PDF
职称材料
题名
基于CBAM-Swin-Transformer迁移学习的海上微动目标分类方法
1
作者
何肖阳
陈小龙
杜晓林
苏宁远
袁旺
关键
机构
烟台大学计算机与控制工程学院
海军航空大学
出处
《系统工程与电子技术》
北大核心
2025年第4期1155-1167,共13页
基金
国家自然科学基金(62222120)
山东省自然科学基金(ZR2024JQ003)资助课题。
文摘
雷达作为海上目标监测和识别的重要手段,海上目标运动特征精细化描述与分类是其关键技术。基于深度学习的卷积网络分类方法不依赖于模型,但仍难以适应复杂多变的海洋环境、多样性海上目标,泛化能力有限。将卷积注意力机制模块(convolutional block attention module,CBAM)融入Swin-Transformer网络,并基于迁移学习(transfer learning,TL)策略,提出一种兼顾舰船目标和低空旋翼飞行目标的海上微动目标分类方法(简称为TL-CBAM-Swin-Transformer),提升多种观测条件下的模型分类适应能力。首先,建立海上微动目标模型,并基于3种雷达实测数据构建海面非匀速平动、三轴转动、直升机、固定翼无人机的微动时频数据集。然后,设计TL-CBAM-Swin-Transformer网络,CBAM从通道维和空间维提取特征,提高其小尺度中多头注意力信息的提取能力。实测数据验证结果表明,相比Swin-Transformer,所提网络的分类准确度提升3.43%。采用TL法,将所提网络在ImageNet数据上进行预训练,将智能像素处理(intelligent pixel processing,IPIX)雷达微动目标作为源域进行预训练,并迁移至科学与工业研究委员会(Council for Scientific and Industrial Research,CSIR)雷达微动目标,分类概率达97.9%,将直升机旋翼作为源域进行预训练并迁移至固定翼无人机,分类概率达98.8%,验证了所提算法具有较强的泛化能力。
关键词
雷达
目标
分类
海上微动目标
迁移学习
Swin-Transformer网络
注意力机制
时频分析
Keywords
radar target classification
maritime micromotion target
transfer learning(TL)
Swin-Transformer network
attention mechanism
time-frequency analysis
分类号
TN958.2 [电子电信—信号与信息处理]
在线阅读
下载PDF
职称材料
题名
作者
出处
发文年
被引量
操作
1
基于CBAM-Swin-Transformer迁移学习的海上微动目标分类方法
何肖阳
陈小龙
杜晓林
苏宁远
袁旺
关键
《系统工程与电子技术》
北大核心
2025
0
在线阅读
下载PDF
职称材料
已选择
0
条
导出题录
引用分析
参考文献
引证文献
统计分析
检索结果
已选文献
上一页
1
下一页
到第
页
确定
用户登录
登录
IP登录
使用帮助
返回顶部
