基于分维像的红外弱小目标检测方法

针对红外图像的特点及分形分维的特性,提出了基于分维像的红外弱小目标检测方法.用滑动窗口在红外图像上滑动,根据分形布朗运动计算出窗口分维作为该窗口中心像素的分维,这样就可以计算出图像每一像素的分形分维,并以此为元素构造成分维像.在分维像中,人造目标的分维值小于自然背景的分维值,适当地选取阈值就可以把目标检测出来.实验结果表明,用分维像的方法检测红外目标可以取得很好的效果.     

基于小波变换的红外成像弱小目标检测方法

研究红外目标图像中弱小目标的自动检测和定位方法 .将弱小目标看作是红外图像中灰度和位置均未知的暂态信号 ,通过对图像信号作多尺度的小波变换 ,可以在低信噪比条件下检测出弱小目标 .实验结果表明 ,小波变换能很好地增强目标 ,抑制背景杂波 ,从而提高目标检测概率 ,降低误检测     

基于动态规划的红外小目标检测与识别

研究了天空背景下红外运动小目标的检测与识别,对序列红外图像进行增强处理,通过模板滤波去除弱噪声;运用分割算法和聚类分析把目标和强噪声从背景中分离出来。根据所定义的一种距离运用动态规划的方法找出目标,并得出目标的运动轨迹,给出整套处理方法的实验结果和分析。     

一种改进的红外小目标检测与识别方法

研究天空背景下红外运行小目标的检测与识别,对序列红外图像进行增强处理后,通过形态学滤波去除弱噪声,再用分害虫算法把目标和强噪声从背景中分离出来,最后用RMTI算法找出目标,并得出目标运行轨迹,实验结果表明,该方法能有效地检测定位运行小目标。     

基于cICA的红外点目标检测方法

针对红外点目标检测的要求,提出了一种基于约束独立分量分析(cICA)的红外点目标检测方法. 该方法只采用单帧扫描图像作为数据源,利用峭度约束的独立分量分析方法,消除了传统独立分量分析(ICA)方法的提取顺序的不确定性,从而直接提取点状目标的位置. 实验结果表明,利用该方法能够有效地进行红外点目标检测.     

基于自适应目标图像恢复的红外弱小目标检测

提出一种自适应参数目标图像恢复算法,实现对红外小目标的检测.首先,提取红外图像的稀疏特征,同时计算图像的复杂度,并设计一种融合机制生成自适应加权参数;然后,将原始图像重组为具有低秩稀疏特性的运算矩阵,采用上述的自适应参数非精确拉格朗日乘子法求解鲁棒主成分分析(RPCA)最优化问题还原出低秩矩阵(背景图像)和稀疏矩阵(目标图像);最后,对目标图像进行阈值分割并标定目标.实验结果显示:该算法能有效检测出小目标,同时具有较低的误检率.     

基于目标模型的红外弱小目标预检测

为解决高空背景中低信噪比运动点目标的检测问题,本文提出了一种利用红外弱小目标和背景的不同模型来实现检测小目标的预检测方法。根据在同一帧图像中红外弱小目标与噪声点在局部图像中特性的不同,提出检测局部图像中一个点与目标模型的相似程度来判断是否为红外弱小目标的预检测方法。实验表明,该方法可以有效提高单帧目标的信噪比,可用于噪声环境的红外弱小目标检测。     

基于小波变换的弱小目标检测

研究了天空、海面或野外地面背景下运动弱小目标的检测,对图像进行了小波分析,使用小波反变换将背景中低频分量和杂散噪声去除,并采用自适应阈值处理,用最大非零像素数分割方法进行分割,最后经过插值、填充得出检测结果.实验结果表明,该方法能有效地检测和定位弱小目标,并具有较强的抗噪声性.     

基于概率数据关联算法的红外弱小目标跟踪

从数据关联的角度,利用概率数据关联算法实现单个红外弱小目标的跟踪。实验结果表明,在杂波环境下,概率数据关联算法可以稳健地跟踪单个红外弱小目标的目标状态。     

基于小波变换的红外成像弱小目标检测方法

研究红外目标图像中弱小目标的自动检测和定位方法,将弱小目标看作是红外图像中灰度和位置均未知的暂态信号,通过对图像信号作多尺度的小波变换,可以在低信噪比条件下检测出弱小目标,实验结果表明,小波变换能很好地增强目标,掏背影杂波,从而提高目标检测概率,降低误检测。     

基于视觉注意机制的小目标预检测特性

针对一种使用了离散非线性采样的视觉注意机制模型,对其应用在小目标预检测上的检测概率进行了研究和分析．在一定的假设条件下,从理论上推导出了模型中影响小目标预检测概率的各个因素,包括目标大小、目标所在采样节点的大小、输入图像信噪比和目标均匀性参数等．由于采用了非线性的采样模型,注视点的转移将带来不同图像区域空间分辨率的变化,从而不能获得总的检测概率与上述各参数的有意义的关系,通过实验分析了这些因素在小目标预检测中对检测概率的具体影响．     

红外图像中的行人检测

为了有效地检测红外图像中的行人,提出了一种基于神经网络的检测方法。采用三维中值滤波来提取背景图像,用图像差分法提取目标区域(regions of interest,ROIs),提出傅里叶描述子作为目标区域形状特征;设计了BP神经网络分类器并用来对ROIs进行识别。通过大量不同种类不同形状的样本对分类器进行验证,结果表明该分类器具有较高的识别率和较低的虚警率,能够快速有效地识别ROIs,具有良好的分类能力。     

变分自编码器和注意力机制的异常入侵检测方法

针对传统的机器学习算法在检测未知攻击方面表现不佳的问题,提出了一种基于变分自动编码器和注意力机制的异常入侵检测方法,通过将变分自编码器和注意力机制相结合,实现使用深度学习方法从基于流量的数据中检测异常网络流量的目标。所提方法利用独热编码和归一化技术对输入数据进行预处理;将数据输入到基于注意力机制的变分编码器中,采集训练样本中隐含特征信息,并将其融入最终潜变量中;计算原始数据与重建数据之间的重建误差,进而基于适当的阈值判断流量的异常情况。实验结果表明,与其他入侵检测方法相比,所提方法明显改善了入侵检测的精度,不仅可以检测已知和未知攻击,而且还可以提高低频次攻击的检测率。     

基于注意力机制的多尺度仪表检测

为实现复杂场景下多尺度仪表检测,提出了一种基于注意力机制的视频多尺度仪表检测算法。首先,利用基于空间注意力机制的特征提取网络,建模特征的长距离依赖,增强特征的表达能力;其次,提出了一种自适应特征选择模块（Adaptive Feature Selection Module, AFSM）,对不同阶段的特征图进行权重调整,增强网络对多尺度目标的检测能力。在自建的仪表数据集上进行了实验。实验结果表明,相比较原来的Faster RCNN方法,所提出方法的检测精度提高了7.6%;与对比方法相比,检测精度也能达到95.4%。在对实际仪表监测视频的测试中,检测结果以及速度能够满足实际需要。所提方法通过改进特征提取网络和特征选择操作,增强了特征表达能力,有效降低了虚警,提升了网络对多尺度目标的检测性能。     

基于ASAM注意力机制的光场图像压缩方法

为了研究光场图像的空间信息和相似角度信息之间的差异性,提高光场图像的传输效率,提出了一种基于端到端网络的角度空间注意力模型（ASAM）注意力机制的光场图像压缩方法 .以卷积块注意力模型（CBAM）的注意力机制为基础,增强了相对角度特征,提高了压缩编码效率.稀疏图像采用H.266/VVC视频编解码器进行压缩,通过子孔径图像（SAI）网络恢复编码后的图像.结果表明,与现有的光场图像压缩方法相比,所提出的光场图像压缩方法具有较高的图像压缩性能,Bj?ntegaard-Delta比特率（BD-BR）降低了52.30%,Bj?ntegaard-Delta峰值信噪比（BD-PSNR）提高了3.33 dB.     

基于层次注意力机制的垃圾用户检测模型

目前基于网络的垃圾用户检测方法只考虑了简单社会关系,缺乏对更多复杂社会语义关系的利用,难以达到最优性能.针对这一挑战,提出一种基于层次注意力机制的垃圾用户检测模型(HAM-SD).模型首先使用异质信息网络对社交媒体进行建模,挖掘丰富的语义与结构信息,接着利用节点级注意力层聚合元路径邻居增强节点表示,同时利用自适应层级聚合模块选择不同层级特征提升表征能力,然后通过语义级注意力层融合不同元路径下的节点表示,最后带入分类检测模块实现垃圾用户检测.在公开数据集上的实验结果表明该模型能够有效检测垃圾用户,并在不平衡数据分布时保持较强的稳定性.     

红外破碎人体目标的水平集修复算法

许多图像分割方法提取红外人体目标时的结果常存在破碎现象,需要修复.将图像修复转化为图像分割问题,首先应用薛定谔变换使人体碎片形成连通区域,然后提出一种综合图像区域和边缘信息的水平集分割模型提取该连通区域,模型收敛时目标修复完成.实验结果表明,该方法可自动确定目标碎片位置与归属,排除背景干扰,填补目标内部缺损,胶连缺损人体轮廓段,修复结果与真实外形总体相似度高于80％,内部残缺率低于4％,通过优化模型参数可获得良好鲁棒性.     

基于注意力机制和感知损失的遥感图像去噪

遥感图像去噪对于遥感图像在后续的分类、检测等任务中有着非常重要的作用.为了让去噪后的图像更好地保留边缘细节信息,同时增强深度网络对噪声污染区域的辨识能力,本文结合注意力机制以及感知损失来处理遥感图像,提出了一种新的基于残差自编码器的遥感图像去噪网络ARED-VGG.考虑到遥感图像中不同地物大小不同,该网络首先同时使用图像的空间和光谱信息来提取多尺度特征;然后使用残差自编码器网络结构来进行图像空间-光谱多尺度图像重建.为了增加网络的辨识能力,更多地关注网络中提取的高频特征,网络引入了注意力机制.同时为了让去噪后的结果更符合视觉感观,使用了感知损失混合均方误差作为损失函数.从实验结果知,本文所提出的方法在噪声去除和纹理细节保留方面与NLM3D、BM4D、LRMR、HSID-CNN和3DADCNN相比表现更优.在Washington DC mall遥感图像数据集上进行了仿真实验,平均峰值信噪比以及平均结构相似性指标都有较好的结果;在AVIRIS Indian Pines数据集上进行了真实数据实验,以去噪后的结果地物分类指标作为验证,整体分类精度以及Kappa系数分别为96.90%和0.9647;对网络结构进行了消融实验,在两个数据集下,本文所提出的网络结构都能获得更优的结果.本文提出基于注意力机制和感知损失的深度神经网络进行遥感图像去噪,提高了网络的辨识能力,实现了良好的去噪性能,并且有效保持了图像的细节信息和光谱信息.     

视觉注意的图像目标预检测

提出了融合自底向上和自顶向下模式的视觉注意机制的改进算法.该算法使用以完整轮廓信息作为物体识别标志的方式,几乎不需要先验知识,改进了自顶向下算法的需要大量先验知识的弱点;同时由于将物体轮廓作为的一个识别和预检测的重要参考信息,改进原视觉机制中的仅使用三个显著图,没有整体意识,从而致使识别范围过大的弱点.实验证明该方法提升了搜索预检测目标的准确度.