CN119516417A 基于深度学习的雷达视频数据处理方法、装置 （深圳市亿威尔信息技术股份有限公司）

司置适应雷达视频预处理，可以进行多尺度特征融2利用卷积神经网络,对所述预处理后雷达视频数据进行特征提取,得到雷达视频数据将所述雷达视频数据特征,输入到目标检测网络，经过所述目标检测网络进行目标检用卷积神经网络,对所述预处理后雷达视频数据进行特征提取,得到雷达视频数据特征的将所述雷达视频数据划分为训练集和验证集，用于训练和验证模型性能进行目标检采用随机梯度下降优化器，并使用学习率衰减策略，引入L1和L2正则化以及Dropout7.根据权利要求1至6任意一项所述的基于3将所述目标信息和跟踪结果输出至显示设备特征提取模块,用于利用卷积神经网络,对所述预处理后雷达视频数据进行特征处理器执行所述计算机可读指令时实现如权利要求1至7中任一项所述的基于深度学习的4[0003]本发明实施例的目的在于提出一种基于深度学习的雷达视频数据处理方法、装[0004]为了解决上述技术问题，本发明提供一种基于深度学习的雷达视频数据处理方[0007]利用卷积神经网络,对所述预处理后雷达视频数据进行特征提取,得到雷达视频[0008]将所述雷达视频数据特征,输[0014]优选地，所述对所述原始雷达视频数据进5[0025]采用随机梯度下降优化器，并使用学习率衰减策略，引入L1和L2正则化以及[0030]优选地，在所述采用卡尔曼滤波[0034]预处理模块，用于对所述原始雷达视频[0035]特征提取模块,用于利用卷积神经网络,对所述预处理后雷达视频数据进行特征算机可读指令时实现上述的基于深度学习的雷达视频数据被处理器执行时实现上述的基于深度学习的雷达视频数据处理方6[0044]图3是本发明的基于深度学习的雷达视频数据处理装置的一个实施例的结构示意[0050]用户可以使用第一终端设备101、第二终端设备102或者第三终端设备103通过网MP4(MovingPictureExpertsGroupAudioLayerIV，动态影像专家压缩标准音频层面7[0056]继续参考图2，示出了本发明的基于深度学习的雷达视频数据处理方法的一个实[0058]在本实施例中，基于深度学习的雷达视频数据处理方法运行于其上的电子设备(例如图1所示的服务器/终端设备)可以通过有线连接方式或者无线连接方式接收基于深TMS320VC5402芯片是此系列的一个典型产品。该芯片的主要特点有：速度快，指令周期参考电压可选择内部或外部(1V或2.5V)；采用4级流水线结构及宽带取样保持放大器8[0086]训练集构造包括构造负样本和正度(IOU)在20％_50％之间，且与其他的任何一个已经生成的负样本的重合度不大于70%,9提取候选框约2000，重定义大小成相同大小(svm和回归器需要固定大小)，输入卷积网络被检测到。[0099](5)损失函数方面，YOLOV5使用二进制交叉嫡和Logits损失函数计算类概率和目和状态_动作值函数(Qvaluefunction),i表示计算第个智能[0169]本发明实施例使用的神经网络主要包括残差网络(ResNet)和目标检测网络。首别是在雷达视频数据中目标遮挡和背景变化步骤或者其他步骤的子步骤或者阶段的至少一部分轮流或[0181]如图4所示，本实施例基于深度学习的雷达视频数据处理装置60包括：获取模块[0183]预处理模块62，用于对所述原始雷达视[0184]特征提取模块63,用于利用卷积神经网络,对所述预处理后雷达视频数据进行特成电路(ApplicationSpecificIntegratedCircuit，ASIC)、可编程门阵列(Field-[0192]上述存储器71至少包括一种类型的可读存储介质，上述可读存储介质包括闪存、71也可以是上述计算机设备7的外部存储设备，例如该计算机设备7上配备的插接式硬盘，上述存储器71还可以用于暂时地存储已经输出或者将要[0193]上述处理器72在一些实施例中可以是中央处理器(CentralProcessingUnit，个处理器执行如上述的基于深度学习的雷达视频数据