基于低秩双线性池化注意力网络的舰船目标识别

针对多模态舰船图像融合识别质量不高等问题，构建了一种端到端的低秩双线性池化注意力网络。首先对各模态原始特征向量基于跨模类别中心进行注意力加权重构，使不同模态特征更好地关注公共类别信息；然后采用双线性池化捕获不同模态图像的交互信息，并引入权重低秩分解降低网络参数规模；最后依靠特征级联实现模态信息的交互与互补，并设计联合损失提升网络跨模态融合识别效果。实验结果表明，相比现有融合方法，所提方法可有效提升多模态遥感舰船图像的融合识别效果，在公开的遥感舰船数据集上取得了较高的识别准确率。     

多局部节点异步航迹快速关联算法

为解决传统多维分配算法在多局部节点航迹关联中的运算量爆炸问题，提出一种应用于多局部节点的异步航迹快速关联算法。首先，引入虚拟航迹插值重构量测航迹，然后定义虚实混合航迹序列的时序离散度(temporal discrete degree, TDD),并在此基础上采用重新设计的多维次序匹配算法进行航迹关联判定，待判定结束后进行TDD线性趋势系数(TDD-linear trend coefficient, TDD-LTC)检验，以排除关联的多义性。仿真结果表明，相同条件下，所提算法在不损失正确关联率的同时，可极大提升关联速度，且在多局部节点、目标密集等情况下关联速度更具优势，明显优于现有算法。     

基于迭代离散度序贯检测的航迹抗差关联算法

针对批处理关联方式对航迹整体信息利用不足以及现有抗差算法无法实现大系统误差下的关联等问题, 提出一种基于迭代离散度序贯检测的航迹抗差关联算法。该算法首先引入迭代离散度作为关联统计量, 并根据基于误差重构的随机量测量推导得到不同时刻离散度的概率分布; 然后根据检测终点的不同设计了两种关联判定准则, 在不同判定准则下进行离散度的序贯检测实现航迹的抗差关联。实验结果表明, 算法在密集目标、大系统误差等复杂场景下均有较高的正确关联率, 并且较常规算法关联速度提升明显。