1 航天工程大学,a.研究生院
2 航天工程大学,b.电子与光学系, 北京 101000
随着合成孔径雷达技术的不断发展, 雷达图像目标识别成为重要的研究方向。近年来, 深度学习技术在雷达图像目标检测与识别方面得到了广泛应用, 然而, 数据样本量少和数据样本类别不均衡成为制约深度学习在合成孔径雷达目标识别中的重要因素。对基于深度学习的SAR图像目标识别算法进行了分析, 首先, 介绍了SAR图像目标识别常用数据集和多角度SAR图像目标识别方法; 然后, 针对SAR图像目标识别中数据样本量少与样本类别不均衡问题分别进行了总结; 最后, 讨论了目前SAR图像目标识别仍然存在的问题和下一步的工作计划。
合成孔径雷达 SAR图像目标识别 数据样本量少 类别不均衡 Synthetic Aperture Radar (SAR) SAR image target recognition small data sample size unbalanced categories
武汉邮电科学研究院 光纤通信技术和网络国家重点实验室,武汉 430074
在“人-网-物”三元互联时代,小数据业务在时域、频域和功率域三个方面不断占用着无线网络中大量不可再生的资源。文章在总结分析小数据的特征后,在时域方面,提出了一种利用“子制式载波”技术共享现有落后网络制式的方法,在同一频点的不同时间上,让小数据和这些落后的制式共同工作; 在频域方面,提出了现有几种频带共享方案的一些问题; 在功率域方面,指出了一个空闲能量因子,将因子和已知的选择算法相结合,使剩余功率也能成为网络资源优化选择的重要因素。
小数据 时域云化 频域云化 功率域云化 物联网 small data time domain cloud frequency domain cloud power domain cloud Internet of things