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！

龙图腾网获悉重庆大学申请的专利一种基于无监督域适应的SAR目标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：CN119741468B 。

龙图腾网通过国家知识产权局官网在2025-10-28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：202411645078.9，技术领域涉及：G06V10/25；该发明授权一种基于无监督域适应的SAR目标识别方法是由张新征;朱慧设计研发完成，并于2024-11-18向国家知识产权局提交的专利申请。

本一种基于无监督域适应的SAR目标识别方法在说明书摘要公布了：本发明公开了一种基于无监督域适应的SAR目标识别方法，包括：将待识别的SAR图像输入训练好的目标识别模型中，输出对应的目标预测结果；训练步骤如下：通过渐进多级小波变换数据增广模块对源域样本进行增广，计算小波变换增广源样本损失；通过渐近实例‑原型对齐模块根据每个源域样本与每个目标原型的距离计算源域样本的分类概率，计算实例‑原型损失；基于弱增广目标样本和强增广目标样本的单样本一致性对齐和多样本关系一致性对齐来计算一致性对齐损失；基于小波变换增广源样本损失、实例‑原型损失和一致性对齐损失来对目标识别模型进行参数优化；重复训练直至模型收敛。本发明能够在目标域无标注样本的情况下提高SAR目标识别的准确性。

本发明授权一种基于无监督域适应的SAR目标识别方法在权利要求书中公布了：1.一种基于无监督域适应的SAR目标识别方法，其特征在于，包括： S1：获取待识别的SAR图像； S2：将待识别的SAR图像输入训练好的目标识别模型中，输出对应的目标预测结果； 训练目标识别模型时的处理步骤如下： S201：获取用于模型训练的源域样本和目标域样本作为模型输入； S202：通过渐进多级小波变换数据增广模块对源域样本进行增广，得到小波变换增广源样本；根据小波变换增广源样本计算小波变换增广源样本损失； 渐进多级小波变换数据增广模块的处理步骤如下： S2021：获取源域样本和拥有高置信度伪标签的目标域样本；拥有高置信度伪标签的目标域样本是目标域中最高置信度超过置信度阈值的样本； S2022：对源域样本和目标域样本进行二维离散小波分解，分别得到源域样本和目标域样本的低频子带和高频子带； S2023：将源域样本和目标域样本的高频子带进行混合，得到混合高频子带； S2024：将源域样本的低频子带和混合高频子带进行合并和二维离散小波重构，得到小波变换增广源样本； S203：对目标域样本进行弱增广和强增广，得到弱增广目标样本和强增广目标样本； S204：通过特征提取器分别对弱增广目标样本和强增广目标样本进行特征提取，构建源域和目标域的特征空间； S205：在特征空间内，通过渐近实例-原型对齐模块根据每个源域样本与每个目标原型的距离计算源域样本的分类概率；根据源域样本的分类概率计算实例-原型损失； 渐近实例-原型对齐模块的处理步骤如下： S2051：计算具有高置信度伪标签的目标样本的特征嵌入fti； S2052：根据目标样本的特征嵌入ft计算得到每一个目标类的目标原型h 公式表示为： 式中：表示参与计算目标原型的第k类的样本数；表示目标样本的标签； S2053：根据每个源域样本与每个目标原型的距离计算源域样本的分类概率； 公式表示为： 式中：、C分别表示源域样本的标签变量、标签常量和类别数； S206：基于弱增广目标样本和强增广目标样本的单样本一致性对齐和多样本关系一致性对齐来计算一致性对齐损失； S207：基于小波变换增广源样本损失、实例-原型损失和一致性对齐损失计算整体损失函数来对目标识别模型进行参数优化； S208：重复步骤S201至S207，直至目标识别模型收敛； S3：将目标识别模型输出的目标预测结果作为待识别SAR图像的目标类别。

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重庆大学，其通讯地址为：400044 重庆市沙坪坝区沙正街174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。