合成孔径雷达(SAR)目标检测和识别是SAR实用化的瓶颈技术之一,提取有效的目标特征是SAR目标检测与识别的关键环节。高分辨率SAR图像中,目标属性散射中心特征反映了目标散射中心的位置、类型等信息,精确获取目标散射中心属性特征能够提高对目标的检测识别性能。针对SAR目标属性散射中心特征的提取,该文提出了一种基于改进的空间-波数分布(ISWD)的特征提取方法,该方法首先利用ISWD估计散射中心关于频率与方位角的函数,然后利用该函数来获得目标属性散射中心模型参数。最后利用仿真实验验证了方法的有效性。
2022-05-27 20:27:31
847KB
1
小波变换原理：
小波变换的含义是把某一被称为基本小波（mother wavelet）的函数作位移τ再
在不同尺度α下，与待分析信号X(t)左内积，即
式中，α>0，称为尺度因子，其作用是对基本小波Φ（t）函数作伸缩，τ反映
位移，其值可正可负，α和τ都是连续变量，故又称为连续小波变换（continue
wavelet transform， 简称CWT）。在不同尺度下小波的持续时间随值的加大而增
宽，幅度则与反比减少，但波的形式保持不变。
傅里叶分析是将信号分解成一系列不同频率的正弦波的叠加，同样小波分析
是将信号分解为一系列小波函数的叠加，而这些小波函数都是由一个母小波函数
经过平移和尺度伸缩得来的。
二、小波变换
2022-05-27 17:47:50
987KB
1
鉴于最近一段时间一直在折腾的CNN网络效果不太理想，主要目标是为了检测出图像中的一些关键点，可以参考人脸的关键点检测算法。
但是由于从数据集的制作是自己完成的，所以数据集质量可能有待商榷，训练效果不好的原因可能也是因为数据集没有制作好（标点实在是太累了）。
于是想看看自己做的数据集在进入到网络后那些中间的隐藏层到底发生了哪些变化。
今天主要是用已经训练好的mnist模型来提前测试一下，这里的mnist模型的准确度已经达到了98%左右。
使用的比较简单的一个模型：
def simple_cnn():
input_data = Input(shape=(28, 28, 1))
x = Con
2022-05-27 17:28:55
89KB
1
传统的视频帧间被动取证往往依赖单一特征，而这些特征各自适用于某类视频，对其他视频的检测精度较低。针对这种情况，提出一种融合多特征的视频帧间篡改检测算法。该算法首先计算视频的空间信息和时间信息值并对视频进行分组，接着计算视频帧间连续性VQA特征，然后结合SVM–RFE特征递归消除算法对不同特征排序，最后利用顺序前向选择算法和Adaboost二元分类器对排序好的特征进行筛选与融合。实验结果表明，该算法提高了篡改检测精度。
2022-05-26 19:21:23
1.03MB
1