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！

龙图腾网获悉中国人民解放军国防科技大学申请的专利一种基于深度学习的ISAR目标识别方法、系统及装置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：CN120833372B 。

龙图腾网通过国家知识产权局官网在2026-01-23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：202511333890.2，技术领域涉及：G06T7/70；该发明授权一种基于深度学习的ISAR目标识别方法、系统及装置是由李修和;冉金和;马奎;桂树;张逸;赵顺恺设计研发完成，并于2025-09-18向国家知识产权局提交的专利申请。

本一种基于深度学习的ISAR目标识别方法、系统及装置在说明书摘要公布了：本发明公开了一种基于深度学习的ISAR目标识别方法、系统及装置，涉及雷达目标识别技术领域，先通过FEKO仿真构建数据库，经标注与数据增强处理；再搭建含残差连接的卷积神经分类网络并预训练；接着构建三尺度特征金字塔YOLOV3检测网络，用k‑means聚类锚点；然后联合训练优化；最后测试并生成两类检测系统，实现目标识别。本发明所述的一种基于深度学习的ISAR目标识别方法、系统及装置，采用特征金字塔网络与k‑means聚类锚点，针对ISAR目标宽高分布特性设计9组专属锚点框，结合上采样特征融合策略，实现多像素尺度目标的有效检测，相较于传统YOLOV3固定锚点方案，对跨尺度目标的召回率得到显著提升，尤其解决了小目标漏检与大目标边界模糊的行业痛点。

本发明授权一种基于深度学习的ISAR目标识别方法、系统及装置在权利要求书中公布了：1.一种基于深度学习的ISAR目标识别方法，其特征在于，该识别方法包括以下步骤： 运用FEKO对目标的模型进行电磁仿真，并对电磁仿真结果进行成像，构建目标识别数据库； 对数据库中的图像进行预处理，包括目标标注、坐标归一化以及数据增强操作，得到图像集； 构建卷积神经分类网络模型，并对构建的卷积神经分类网络模型进行初始化，完成后，采用深度学习训练框架在MSTAR10类目标进行训练，运用梯度下降方法优化网络，获取网络预训练结果，其中，所述卷积神经分类网络模型初始化通过采用全局平均池化层代替全连接层进行预测分类，在3×3卷积之间使用1×1卷积压缩特征表示，利用跳过连接构建残差网络，并在卷积层后加入BN； 在卷积神经分类网络模型初始化完成后，采用深度学习训练框架进行训练； 其中，卷积神经分类网络预训练通过Darknet作为框架，在MSTAR10类目标上对卷积神经分类网络进行训练，设置训练参数，使用标准数据增强方法，采用小批量梯度下降法改变网络传播方向，选取迭代后的权重作为网络预训练结果； 在卷积神经分类网络模型的基础上，构建YOLOV3检测网络，将yolo检测层替换全连接层，采用特征金字塔网络结构，设置多尺度，利用卷积核对特征图局部特征交互，对检测网络模型进行初始化，之后对YOLOV3检测网络进行训练，采用梯度下降方法调整网络，获取适用于检测的网络权重，在检测网络的损失函数步骤中，将检测转换为回归，使用均方差损失函数，根据边界框与目标的关系、边界框中是否存在目标以及边界框大小设置不同权值参数，通过对边界平方根进行预测，最终使用均方误差进行数值计算，损失函数表达式为： ； 式中，为网格数量，B为每个网格预测的边界框数量，为第i个网格中第j个边界框是否负责预测目标，为第i个网格中第j个边界框是否不负责预测目标，为第i个网格是否包含目标，、为真实边界框的中心坐标、宽和高，、分别为预测边界框的中心坐标、宽和高，、分别为真实和预测的目标置信度，、分别为真实和预测的目标类别概率，、分别为定位误差和参数值置信度对应的权重参数，其中，若边界框中不存在目标，则对应权重参数为；反之，则对应权重参数； 在检测网络的边界框预测步骤中，通过锚点框预测边界框坐标，依据图像偏移、边界框宽和高进行预测，预测公式为： ； 式中，分别为预测边界框的中心坐标、宽和高，分别锚点框的中心坐标、宽和高，、为锚点框的中心点坐标，为图像的偏移坐标，为锚点框的宽和高； 用训练好的检测网络模型对测试图像集进行检测，通过设置参数得到目标检测识别结果，并根据应用场景需求，建立相应的算法应用模式。

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中国人民解放军国防科技大学，其通讯地址为：410000 湖南省长沙市开福区德雅路109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”。

以上内容由龙图腾AI智能生成。