基于改进Deeplabv3+的烟雾区域分割识别算法

烟雾遮挡使基于图像的寻的制导系统目标识别困难,如何提高该类区域分割识别准确性、降低虚警率是一个亟待解决的课题.现有Deeplabv3+算法对烟雾分割时存在漏分割、错分割等问题,细节损失严重,整体分割精度低.本文提出基于改进Deeplabv3+模型的烟雾区域分割算法,创新异感受野融合的基于空洞卷积的金字塔构型(atrou...     

基于改进匹配网络的单样本学习

当前深度学习是基于大量标注数据样本通过多层网络实现模型自动识别。然而,在很多特殊场景下,难以获取大量标注样本数据,小样本物体识别仍是深度学习下关键性的难题。针对这一问题,首先利用4层深度卷积神经网络(deep convolution neural network,DCNN)提取训练样本和测试样本的高层语义特征,然后基于改进的匹配网络分别采用双向LSTM和attLSTM算法对训练样本和测试样本深入提取更加关键和有用特征并进行编码,最后在平方欧氏距离上利用softmax非线性分类器对测试样本进行分类识别。实验通过Omniglot数据集对提出的改进模型进行测试,取得了非常好的效果。改进的模型即使在最复杂的20 way 1 shot情况下,依然能够达到93.2%的识别率,Vinyals的原创匹配网络模型在20 way 1 shot的情况下只能达到88.2%的识别率,与原创匹配网络模型相比,改进的模型在类别数更多而样本数较少的复杂场景下具有更好的识别效果。     

基于多散射中心模型的雷达目标识别方法

针对宽带毫米波雷达目标识别要求 ,提出了一种基于目标光学区多散射中心模型进行目标匹配识别的新方法。该方法首先基于多散射中心理论建立待识别目标的模型、利用遗传算法的全局优化能力进行目标识别。与常规的全姿态角匹配识别方法比较 ,具有需要的存储量、计算量较少的特点。仿真试验验证了该算法的有效性。     

导弹预警卫星目标识别算法研究

针对导弹预警与攻防对抗中的导弹目标识别问题,提出了一种导弹预警卫星地面应用系统中对导弹目标进行识别的新算法。该算法提出用导弹发射点位置、导弹尾焰红外特征和导弹关机点特征量作为导弹目标识别的特征量,用模糊隶属度加权求和方式进行信息融合,根据融合和最大融合量的阈值判决确定导弹的类型、国别。仿真实验证明了该算法的有效性。     

基于预分类的全极化HRRP模型匹配目标识别方法

全极化三维散射中心模型可准确描述目标的空间几何以及极化特征,已成为目标识别的有效手段之一。针对传统高分辨距离像的匹配算法计算量大、耗时长的不足,提出一种基于预分类的模型匹配目标识别方法,通过目标散射机理分析,对目标进行预分类,减小匹配模型数,然后利用全极化高分辨距离像的散射中心位置与极化信息构造模型匹配函数,实现了目标类别的判定。基于电磁仿真计算数据的识别实验表明,该方法具有良好的目标识别能力,相比于传统方法具有更高的识别正确率以及更低的存储量和计算量。     

空中目标编队自动分析挖掘算法

针对战场态势数据分析与规律知识挖掘需求，基于掌握的战场目标历史活动信息，分析目标间深层次关联特征，运用Prim算法和模板匹配思想构建目标关联性研判、目标编队自动提取以及编队特征匹配识别模型，提出了一种快速实用的空中目标编队自动分析挖掘算法。通过若干案例仿真验证了该算法模型的可行性和有效性。所提算法能够快速有效地从海量历史活动数据中挖掘出存在关联性的目标编队，给出目标关联可信度，能够对目标间关联关系、编队类型等编队特征进行有效识别，并且该算法计算量小，易于工程实现。     

基于三维模型的多传感车辆定位与识别研究

车辆的定位与识别是智能车研究的重要环节。针对二维算法及单传感的不足,提出了一种基于三维模型的多传感车辆定位与识别算法。定位系统中,通过将雷达的位置估计和图像的灰度信息进行融合来获得位移参数,并将改进的Hausdorff距离和模拟退火算法相结合得到旋转参数。在此基础上,识别系统计算每个模型与目标车辆的匹配值,根据其在采样时段内的平均值确定车辆类型。实验证明,该方法能有效地实现目标车辆的定位和识别。     

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。     

基于元学习的雷达小样本目标识别方法及改进

基于深度学习的雷达目标识别方法近年来获得较大关注, 但实战中存在时效性约束和资源限制, 小样本识别难题大大限制其在实际识别任务中的性能。针对这一问题, 本文基于元学习算法, 通过从多个相关任务中学习到的元知识改善新任务的性能, 引入迁移学习思想, 提出一种改进的小样本学习方法, 并通过详细的性能对比实验分析了该方法的应用边界条件。基于实测高分辨距离像数据的实验结果表明, 元学习方法在历史积累样本所含目标类别较多, 与目标任务相关度较大的极小样本情况下, 性能优势才突出, 所提方法可显著提升其综合识别性能。     

一种基于二维信息匹配的ASM定位算法

主动形状模型ASM(Active Shape Models)目前在目标对象的定位中得到了广泛的应用。为进一步提高ASM的目标定位精度,在传统ASM方法的基础上,提出了一种基于二维信息匹配的ASM目标定位改进算法。该算法采用以轮廓点为中心的近似圆盘区域的二维灰度信息代替原算法的一维法线灰度信息进行目标轮廓匹配。实验表明与传统ASM算法相比,改进算法的目标定位精度有显著提高。     

基于递归标记和神经网络的红外目标匹配识别

提出了一种红外图像匹配算法。选取实际红外目标,依据图像预处理后的图像,提取对应目标的递归标记,作为BP网络的输入样本,目标的形心为输出样本构建BP神经网络。对网络进行抗干扰训练后,根据目标形心特征进行变分辨率相关匹配。该算法在提高了目标识别率的同时,极大地增强了图像处理的实时性,具有工程实用价值。     

基于深度学习和集成学习的辐射源信号识别

随着电磁环境的日益复杂和雷达辐射源信号类型的逐渐增多,如何有效地识别雷达信号类型成为一个重要的问题。为解决这个问题,提出了一种基于深度学习和集成学习的辐射源信号识别框架。该框架由特征提取和分类器设计两部分组成。第一部分,将雷达信号变换到时频域,利用栈式降噪自编码模型学习时频图像的特征。深度模型的训练采用无监督预学习和有监督微调相结合。第二部分,构造一个集成不同支持向量机分类器的模型对雷达信号进行识别。利用8种不同的辐射源信号验证了提出模型的有效性,结果表明结合这两种机器学习的方法有助于提高辐射源信号的识别正确率。     

一种基于视频图像的挖掘机工作状态识别方法

为了实现违法用地现象的实时监测,对土地间的挖掘机等施工机械的工作状态识别是非常重要的.实际场景下,因随机噪声和光照变化的影响,给挖掘机工作状态识别带来极大的挑战.本文提出一种基于视频图像的挖掘机工作状态识别方法,首先,对同一品牌挖掘机工作装置的各种姿态建立混合local binary features (LBF)形状回归模型并进行离线训练;其次,利用上述模型预测输入视频帧中挖掘机工作装置的形状信息,构建挖掘机的工作状态特征描述子;最后,利用support vector machine (SVM)分类器自动判别挖掘机的工作状态—-工作状态或非工作状态.实验结果表明,该方法很好地克服了多姿态导致形状变化的影响,对挖掘机工作状态识别准确率达到了93.53%.     

基于深度学习的HRRP识别姿态敏感性分析

特征提取是基于高分辨距离像(high resolution range profile,HRRP)的雷达目标识别的关键技术之一.传统人工提取特征的算法,仅利用浅层结构特征,无法有效解决姿态敏感性问题,从而限制了目标识别方法的泛化性.对此,提出一种基于深度学习的目标识别方法,并通过详细的姿态角性能测试分析了该方法的应用边...     

基于门控多尺度匹配网络的小样本SAR目标识别

为了解决传统合成孔径雷达(synthetic aperture radar, SAR)目标识别方法在小样本条件下泛化能力差、识别准确率低的问题, 通过在匹配网络的基础上引入权重门控单元和多尺度特征提取模块, 提出了基于门控多尺度匹配网络的小样本SAR目标识别方法。在该方法中, 多尺度特征提取模块能够提取匹配网络不同卷积层的多尺度特征, 权重门控单元能够根据不同的识别任务赋予特征不同的权重大小, 实现根据具体任务选择最具代表性的目标特征, 从而以该特征为主导完成目标识别任务。在运动和静止目标获取与识别(the moving and stationary target acquisition and recognition, MSTAR)数据集上对提出的方法进行了验证, 实验结果表明，所提方法较其他3种小样本学习方法和两种小样本SAR目标识别方法表现出了一定的优越性, 而且所提方法经实验验证在噪声环境下表现出了一定的鲁棒性。     

浮空式角反射体RCS统计特征及识别模型研究

针对浮空式角反射体新型无源干扰器材的末制导雷达目标识别问题,对其雷达截面积统计特征及识别模型进行研究。采用理论推导方式依次构建浮空式角反射体及其阵列雷达截面积模型,利用SolidWorks建模仿真软件和三维电磁场仿真软件,对两型舰艇目标进行三维建模和电磁仿真;考虑到雷达截面积随观测角度变化起伏性较强的特点,通过统计手段提取浮空式角反射体和舰船目标位置特征、散布特征和分布特征中的9个统计特征参数,作为后续目标识别特征;基于深度神经网络构建浮空式角反射体类目标识别模型。结果表明:多个浮空式角反射 体成阵列使用能够在一定程度上改变单个角反射体固有的雷达截面积方向性,同时优化神经网络模型可作为判别浮空式角反射体类假目标的有效手段,在划分训练集和测试集上分类准确度分别为97.4%和94.3%。