买专利卖专利找龙图腾，真高效！ 查专利查商标用IPTOP,全免费！专利年费监控用IP管家,真方便！

龙图腾网获悉西安电子科技大学申请的专利结合难分样本生成与学习的SAR图像目标开集识别方法获国家发明授权专利权，本发明授权专利权由国家知识产权局授予，授权公告号为：CN115965809B 。

龙图腾网通过国家知识产权局官网在2025-07-29发布的发明授权授权公告中获悉：该发明授权的专利申请号/专利号为：202211541874.9，技术领域涉及：G06V10/764；该发明授权结合难分样本生成与学习的SAR图像目标开集识别方法是由杜兰;李逸明;陈健;宋佳伦;雍奇锋;周宇设计研发完成，并于2022-12-02向国家知识产权局提交的专利申请。

本结合难分样本生成与学习的SAR图像目标开集识别方法在说明书摘要公布了：本发明公开一种结合难分样本生成与学习的SAR图像目标开集识别方法，其实现步骤为：生成训练集和测试集；构建卷积神经网络并结合难分样本进行训练；根据训练集图像类别，设置开集识别卷积神经网络的拒判阈值；获取待识别SAR图像目标的预测概率分布；将预测概率分布中最大值大于拒判阈值的样本识别为最大值对应的类别，小于拒判阈值的样本拒判为未知目标类。本发明解决了现有技术数据适应性差和拒判阈值设置敏感的问题，具有对库内已知目标类的高精度识别和对库外未知目标类的快速准确发现的优点。

本发明授权结合难分样本生成与学习的SAR图像目标开集识别方法在权利要求书中公布了：1.一种结合难分样本生成与学习的SAR图像目标开集识别方法，其特征在于，通过难分样本的生成与学习，训练构建的用于输出SAR图像目标预测概率分布的卷积神经网络；该识别方法的步骤包括如下： 步骤1，生成训练集： 将样本集中雷达工作俯仰角为17°共2746张图像中的每张图像均裁剪为64×64个像素的图像，所选取的所有图像包含10个类别，在类别标签[1,10]的范围内，对每张图像的目标类别进行标注，再将所有裁剪后的图像和对应类别标签组成训练集； 步骤2，构建开集识别卷积神经网络： 步骤2.1，构建生成器子网络： 搭建一个由五个反卷积层串联组成的生成器子网络；将第一至第四反卷积层的卷积核数量依次设置为1024、512、256、128和3，卷积核大小均设置为4×4，卷积核步长依次设置为1、2、2、2和2，填充方式均设置为等大填充方式，偏差置均设置为0； 步骤2.2，构建判别器子网络： 搭建一个由四个卷积层串联组成的生成器子网络；将第一至第四卷积层的卷积核数量依次设置为128、256、512和1024，卷积核大小均设置为4×4，卷积核步长依次设置为1、1、1和0，填充方式均设置为等大填充，偏差置均设置为0； 步骤2.3，构建分类器子网络： 构建一个由一组卷积层组和一个全连接层串联组成的分类器子网络，其中，一组卷积层组由九个卷积层串联组成；将第一至第九卷积层的卷积核数量依次设置为64、64、128、128、128、128、128、128和128，卷积核大小均设置为3×3，卷积核步长依次设置为1、1、2、1、1、2、1、1和2，填充方式均设置为等大填充，偏差置均设置为0；将全连接层参数设置为128×K，K表示训练样本的总类别数，偏差置均设置为0； 步骤2.4，将生成器子网络和判别器子网络并联后再与分类器子网络串联，构成开集识别卷积神经网络； 步骤3，结合难分样本训练开集识别卷积神经网络： 步骤3.1，将从标准正态分布中随机采样的噪声序列，输入到开集识别卷积神经网络中，经生成器子网络后输出的噪声生成图像，经判别器子网络后输出每张噪声生成图像的判别置信得分；将训练集的每张图像输入到开集识别卷积神经网络中，经判别器子网络后输出每张图像的判别置信得分；利用交叉熵损失函数，计算每张图像的判别置信得分与该图像对应的域标签之间的损失值，得到判别器子网络的总损失函数；使用Adam优化算法，更新当前判别器子网络参数； 步骤3.2，将重新从标准正态分布中随机采样的噪声序列，输入到开集识别卷积神经网络中，经生成器子网络后输出的噪声生成图像，经判别器子网络后输出每张噪声生成图像的判别置信得分，经分类器子网络后输出每张噪声生成图像的预测概率分布；利用交叉熵损失函数，计算每张噪声生成图像的预测概率分布与该图像对应的类别标签之间的损失值，计算每张噪声生成图像的判别置信得分与域标签之间的损失值，得到生成器子网络的总损失函数；使用Adam优化算法，更新当前生成器子网络参数； 步骤3.3，将训练集的每张图像输入到开集识别卷积神经网络中，经分类器子网络后输出每张图像的已知目标类特征，经梯度下降的难分样本特征生成函数计算每张图像对应的难分样本特征； 步骤3.4，将重新从标准正态分布中随机采样的噪声序列，输入到开集识别卷积神经网络中，经生成器子网络后输出噪声生成图像；噪声生成图像经过判别器子网络后，根据判别置信得分生成判别置信得分较高的难分图像；难分图像经过分类子网络后输出每张难分图像的难分图像特征；难分图像特征和难分样本特征共同组成难分特征集，已知目标类特征组成训练特征集； 步骤3.5，将训练特征集和难分特征集输入到开集识别卷积神经网络中，经分类器子网络后输出每个特征对应的预测概率分布；利用交叉熵损失函数，分别计算三个损失函数，计算训练特征集中每个特征与该特征对应的类别标签之间的损失值，计算训练特征集中每个特征与该特征对应的平滑标签之间的损失值，计算难分特征集中每个特征与均匀分布之间的损失值，得到分类器子网络的总损失函数；使用SGDM优化算法，更新当前分类器子网络参数； 步骤3.6，重复步骤3.1至3.5，迭代更新训练次数次开集识别卷积神经网络中生成器子网路、判别器子网络和分类器子网络的参数，得到训练好的开集识别卷积神经网络； 步骤4，设置开集识别卷积神经网络的拒判阈值； 步骤5，获取待识别SAR图像目标的预测概率分布； 采用与步骤1相同的方式，对待识别的SAR图像做裁剪，得到裁剪后的SAR图像目标，将裁剪后的SAR图像目标输入到开集识别卷积神经网络中，经分类器子网络后输出对应的预测概率分布； 步骤6，判断待识别SAR图像目标预测概率分布中最大值是否大于拒判阈值，若是，则执行步骤7，否则，执行步骤8； 步骤7，选择SAR图像目标预测概率分布中得分最大值对应的类别作为识别结果输出； 步骤8，将SAR图像目标判定为未知目标类输出。

如需购买、转让、实施、许可或投资类似专利技术，可联系本专利的申请人或专利权人西安电子科技大学，其通讯地址为：710071 陕西省西安市太白南路2号；或者联系龙图腾网官方客服，联系龙图腾网可拨打电话0551-65771310或微信搜索“龙图腾网”。