基于超密集特征金字塔网络的SAR图像舰船检测

针对星载合成孔径雷达(synthetic aperture radar, SAR)图像舰船目标检测困难的问题,提出了一种基于超密集特征金字塔网络的检测算法。首先,利用残差神经网络提取原始图像特征,构建特征图。其次,跨尺度连接多个特征层获取超密集特征金字塔,建立多尺度的高层语义特征映射,增强特征传播和重用。然后,再利用区域建议网络提取每层金字塔的候选区域输入检测网络。最后,通过融合候选区域及其周边上下文信息,将检测网络注意力集中至海域以抑制虚警,并为分类器计算置信度和边框回归提供补充信息。多组仿真实验证明,所提网络框架设定合理且检测性能优越。     

基于超密集特征金字塔网络的SAR图像舰船检测

针对星载合成孔径雷达(synthetic aperture radar, SAR)图像舰船目标检测困难的问题,提出了一种基于超密集特征金字塔网络的检测算法。首先,利用残差神经网络提取原始图像特征,构建特征图。其次,跨尺度连接多个特征层获取超密集特征金字塔,建立多尺度的高层语义特征映射,增强特征传播和重用。然后，再利用区域建议网络提取每层金字塔的候选区域输入检测网络。最后,通过融合候选区域及其周边上下文信息,将检测网络注意力集中至海域以抑制虚警,并为分类器计算置信度和边框回归提供补充信息。多组仿真实验证明,所提网络框架设定合理且检测性能优越。     

基于CNN网络和多任务损失函数的实时叶片识别

针对传统叶片识别易受环境干扰,难以实现复杂背景下的多叶片实时识别问题,提出一种基于CNN网络和多任务损失函数的实时叶片识别方法。采用CNN网络提取叶片图像特征图,输入到RPN网络生成区域候选框;依据特征图和区域候选框,提取候选框特征图,分别进行叶片分类和边界框回归,预测叶片类别和叶片预测框的定位;利用多任务损失函数约束分类和回归,来提高叶片分类和回归的准确率和运算速度。实验结果表明,该方法的平均实时叶片识别准确率为91.8%,平均实时识别速度为25 fps。     

改进YOLO的遮挡行人检测仿真

针对已有的YOLO(you only look once)模型在行人目标检测中对遮挡及多尺度行人易造成漏检和精度较低的问题,提出改进YOLO行人检测算法YOLO-SSC-s(YOLO-spatial pyramid poolingshuffle attention-convolutional block attention module-simplified)。修改YOLO模型骨干网络,增强跨尺度特征提取能力;在3个YOLO层前的不同位置引入空间金字塔池化模块以及空间与通道、组特征2种注意力机制,加强对不同尺度行人的特征融合;为了缓解网络模型过于复杂而降低检测性能,提高模型训练效率,根据实际情况对网络结构进行简化。实验结果表明：与YOLOv3等检测模型相比,YOLO-SSC-s可有效提高遮挡情形下中、小行人目标的检测精度、速度,降低漏检率。     

基于多层显著性模型的SAR图像舰船目标检测

针对合成孔径雷达图像舰船目标检测问题,提出了一种结合选择机制与轮廓信息的多层显著性目标检测方法。首先,利用非下采样剪切波和频谱残差法进行全局显著性区域提取。其次,提出了一种基于动态恒虚警率的活动轮廓显著性模型,逐步滤除候选区域的虚警,提取目标轮廓,从而实现目标的精确检测。所提方法能够由粗到细地快速捕获目标区域,从而实现高效、高分辨率合成孔径雷达图像舰船检测。最后,在真实SAR数据集进行了测试,与其他经典的舰船检测方法相比,所提算法不仅有效地抑制了海杂波的影响,而且在检测精度上有较大提高。     

光学遥感图像目标检测方法

更快速区域卷积神经网络(faster region-based convolutional neural network,Faster RCNN)是两阶段的目标检测模型,通过区域生成网络将区域提议与识别完全融合到网络模型中,使主要的运算可以在图形处理器中完成,因此,其同时具有良好的检测速度与精度。但是当Faster RCNN直接应用于遥感图像目标检测,面对宽尺寸范围的多种目标时,性能受到了很大削弱。分析了池化操作和目标尺寸对区域提议的影响,提出联合多层次特征进行区域提议的方法,提升了目标区域的提议召回率。针对性地优化前景样本的生成策略,避免训练过程中的产生无效前景样本,使得整个检测模型的训练更加高效。实验结果表明,所提出的模型和训练方法能够提高多尺度遥感图像目标的召回率与检测精度,且具备较高的训练效率。     

基于深度学习的弹道目标智能分类

针对弹道目标微动分类前需平动补偿及典型雷达散射截面积(radar cross-section, RCS)序列分类需构造人工特征的问题,提出利用弹道目标微动特性和RCS相结合的弹道目标智能分类算法。首先,建立弹道目标运动模型并分析得到方位角和俯仰角,从而获取RCS序列,在此基础上利用小波变换得到时频图并构建数据集;然后,通过卷积神经网络(convolutional neural network, CNN)提取时频图像特征序列并与RCS序列融合成高维特征;最后,利用具有容错能力的双向长短期记忆网络充分学习序列之间的相关性以实现目标分类。仿真结果表明,该算法比卷积神经网络和支持向量机的分类精度分别提高5%和2%以上,分类速度比卷积神经网络和双向长短期记忆网络分别提高1.5倍和2.5倍,实现了更高精度的快速智能分类。     

实时场景中多目标运动变化检测和空域定位方法

讨论了一种新的实时图像序列中多个运动目标运动变化检测和空域位置确定算法 :比特层 (bit-planes)差分运动检测和投影矩阵空域定位算法 ,该算法利用图像中不同比特层表征不同信息把图像标定为多个平坦域然后再进行运动目标检测 ,并利用单个摄像机采集的图像进行空域定位 ,在速度、精度、复杂度和适用范围等方面与其他现有面向像素的运动目标检测技术和空域定位方法相比较 ,有更好的表现。将本算法用于交通道口视频实时监控系统中 ,取得了理想的效果。     

基于PDAF和线性预测的实时小目标跟踪算法

根据红外图像中小目标的典型特征提出了一种新的小目标检测算法。利用图像小目标的微分几何特性,计算图像的最小法向曲率,并以此为阈值,获得小目标的候选区对象,以实现目标检测。针对复杂背景下跟踪过程出现背景杂波干扰或目标受到遮挡时,出现目标消失的问题,提出了一种基于概率数据互联滤波器和线性预测技术相结合的实时跟踪算法,以提高目标跟踪的稳定性和精度。最后,利用实际录制的图像序列进行仿真实验,可准确跟踪信噪比不小于2、运动速度为1帧/像素的目标,验证了算法的有效性和实时性。     

基于改进R-FCN的SAR图像识别

由于深度学习在目标识别方面取得了显著的成绩, 为提高合成孔径雷达(synthetic aperture radar, SAR)图像目标识别的精度与速度提供了新的思路。本文将区域全卷积网络(region-based fully convolutional networks, R-FCN)结构应用于SAR图像目标识别中, 取得了良好的效果。对于数据集较小和数据相似度较高的问题, 提出了基于迁移学习的R-FCN模型用于SAR图像目标识别。对更快的区域卷积神经网络(faster region convolutional neural networks, Faster R-CNN)和R-FCN进行模型训练及优化, 并与所提出的基于迁移学习的改进R-FCN模型实验结果进行对比。结果表明, 所提方法对SAR图像具有更好的识别效果和更快的识别速度。     

基于模糊神经网络的动态非线性系统辨识研究

针对静态模糊神经网络对动态系统辨识精度低的特点,在5层静态模糊神经网络基础上进行了优化和改进,形成了可将暂态信息记忆于网络的动态回归层的动态模糊神经网络,来提高对动态系统的辨识能力。同时给出了参数的动态自适应学习算法。通过仿真实验,证明提出的动态模糊神经网络对动态非线性系统的辨识,可以取得较好的辨识精度,较快的网络收敛速度,为动态非线性系统的辨识提供新的思路。     

基于Faster R-CNN的航母舰面多尺度目标检测算法

针对航母舰面复杂的多尺度目标检测环境,且现有算法对牵引车、人员等小目标检测性能不佳的问题,提出一种改进快速区域卷积神经网络(faster region convolutional neural netuorks,Faster R-CNN)的舰面多尺度目标检测算法.基于多尺度特征层提取了不同尺度的区域建议网络,提高了算法...     

基于PSO-CNN的LPI雷达波形识别算法

低截获概率(low probability of intercept, LPI)雷达作为一种具有强抗干扰能力及低截获特性的新型雷达, 对其精准高效识别已成为雷达对抗一方波形识别的难点。针对该方向主流分类器卷积神经网络(convolution neural network, CNN)的结构智能寻优问题, 提出一种基于粒子群优化(particle swarm optimization, PSO)算法-CNN的波形识别算法。该算法利用PSO的寻优特性, 可实现较大范围内自动搭建不定层数、不定层类别及层内参数的CNN结构并进行迭代寻优; 采用识别精度及网络复杂度相结合的衡量指标, 可根据需求调整两者比重以实现对精度与轻量性的选择。该算法获取的CNN结构实现了比9种经典CNN结构更好的LPI雷达波形识别效果, 同时避免了波形识别时人工选定CNN超参数缺乏智能性、客观性的问题, 提高了选用CNN结构的适配性及高效性。     

基于YOLOv5的光学遥感图像舰船目标检测算法

针对YOLO(you only look once)v5算法在应用于光学遥感图像舰船目标检测任务时所面临的小目标误检率、漏检率较高的情况，提出一种基于YOLOv5改进的光学遥感图像舰船目标检测方法。首先对路径聚合网络结构进行改进，设计语义信息增强模块提取更富语义信息的浅层特征，增强对小目标特征的表达能力；然后使用Swish函数作为激活函数，提高网络对数据非线性特征的表征能力，加快模型的收敛速度；最后针对舰船目标的尺寸特点优化检测端结构，移除大目标检测头以减少推理计算量。测试集上的实验表明，该方法相较改进前将检测精度提高了5.2%且推理时间有所减少，在保证检测实时性的同时增强了模型的小目标辨别能力。     

基于ObjectNess BING 的海面多舰船目标检测

将一幅图像按照一个目标的大小进行缩放,然后计算其梯度特征,再对梯度特征进行标准化,二值化能够极大地提高目标候选区域的选择和检测计算效率,减少耗时。由于对海上舰船目标的检测是具有丰富角点的人造目标,对ObjectNess二值化标准梯度特征(binarized normed gradients, BING)方法中的目标候选区域提取算法进行改进,使其能够更加快速地进行候选区域的选择并保持较高的检测率。分析了海上多舰船目标的图像特征,提出了利用角点确定目标的候选基点,再利用ObjectNess BING检测模型训练获得的多目标尺寸进行候选区域的选择,对互联网上下载的多幅多舰船图像进行处理的结果表明,算法能够有效减少候选目标区域的数量并保持较高的检测概率。     

改进的模糊神经网络应用于投标报价

针对模糊神经网络规则膨胀导致的网络训练速度慢和泛化能力弱的缺陷,提出了一种改进的基于T-S模型的模糊神经网络的结构和算法。网络结构包括前件和后件网络二部分,本文在后件网络中增加了一个隐含层以提高计算能力,在前件网络中运用了有效模糊规则选取的方法以提高收敛速度。最后将提出的网络结构应用于建筑工程的投标报价中,仿真结果证明:该网络能达到更高的误差精度、更快的训练速度和更好的泛化能力。     

基于全局感知机制的地面红外目标检测方法

针对地面场景下的红外目标检测易受复杂背景干扰、检测精度不高、易发生误检和漏检的问题, 以车辆红外特征为研究对象, 提出了基于全局感知机制的红外目标检测方法。在以Darknet-53为主干网络的基础上, 结合具有全局信息融合的空间金字塔池化机制, 在增大模型感受域的同时增强了模型的全局信息感知力和抗干扰能力; 设计了平滑焦点损失函数, 解决了图像内因目标相互影响而导致的检测精度不高、易出现误检、漏检等问题。实验表明, 在Infrared-VOC320数据集上, 该算法的平均检测精度为80.1%, 较YOLOv3提高了4.4%, 检测速度达到了56.4 FPS, 有效提高了复杂背景下红外目标的检测精度, 实现了对红外目标的实时检测。     

基于神经网络的飞控系统实时容错设计与仿真

为了提高系统的可靠性与容错能力,提出了基于径向基神经网络的飞行控制系统传感器实时容错策略.利用改进的梯度下降优化算法来设计神经网络,以提高网络的学习速度和映射能力;基于网络的逼近性能,建立在线神经网络辨识模型;考虑到系统闭环反馈与实时控制的特性,使用多个辨识模型的信息进行传感器故障的定位和信号重构.应用某型飞机进行仿真,在保证闭环系统稳定的前提下,实现了传感器的在线故障隔离与信号重构,达到了预期的效果.     

基于全局位置信息和残差特征融合的SAR船舶检测算法

针对合成孔径雷达(synthetic aperture radar, SAR)图像船舶目标尺度不一且易受海面、地面杂波和相干斑噪声的影响,难以提取目标多维特征且特征融合过程中易产生语义歧义,造成船舶目标检测率低,虚警率高的问题,提出一个基于全局位置信息和残差特征融合的SAR船舶目标检测算法。基于Faster区域卷积神经网络(region convolutional neural network, R-CNN)目标检测算法,在特征提取网络和特征融合网络中进行改进：在特征提取网络中使用高宽注意力机制提取目标在图像中的全局位置信息,增强目标的多维特征提取能力;在特征融合网络中使用带有残差连接的双向特征金字塔网络削弱特征融合过程中的语义歧义,降低复杂背景下的船舶目标虚警率,同时进行不同层级的多尺度特征双向融合,增强高低层特征的联系,提升多尺度船舶目标的检测能力。在SAR船舶数据集上达到98.2%的均值平均精度,超过部分算法2.4%以上。实验表明,所提算法有效提取了目标的多维特征,显著缓解了语义歧义问题,具有较好的检测能力和泛化能力。     

基于YOLO框架的无锚框SAR图像舰船目标检测

面向合成孔径雷达(synthetic aperture radar, SAR)多目标检测应用, 提出了一种基于YOLO (you only look once) 框架的无锚框SAR图像舰船目标检测方法。该方法针对YOLOv3锚框需要预先设定且无法完美契合的弊端, 通过采用无锚框方法更好适应所检测目标的大小, 便于多尺度目标使用。在此基础上, 给CSPDarknet53网络增加了注意力机制作为特征提取网络, 然后经过能够增大感受野的改进特征金字塔网络(feature pyramid network, FPN)后, 把特征图传给无锚框检测头, 有效提升了目标类别和位置的预测精度。实验证明, 所提算法在公开SAR舰船数据集上平均精度比YOLOv3提高3.8%，达到了94.8%, 虚警率降低4.8%。