基于多重迁移注意力的增量式图像去雾算法

为提高深度神经网络去雾算法对增补数据集的处理能力,并使网络差异化处理重要程度不同的图像特征以提高网络去雾能力,提出一种基于多重迁移注意力的增量式去雾算法。通过自编码器形式的教师注意力生成网络提取标签和雾霾的多重注意力,作为特征迁移媒介网络的标签约束网络训练,形成与教师注意力尽可能相近的迁移媒介注意力,并将其融入学生去雾网络的特征中,提高学生去雾网络的去雾能力;通过增量式训练方法提高学生去雾网络对增补数据集的处理能力。结果表明：所提算法对ITS、OTS以及真实雾图上皆具有较好的处理能力,在保证去雾图像像素结构完整、颜色不失真的同时具有较好的去雾效果,算法处理后的图像在主观视觉效果和客观评价指标上皆优于对比算法。     

基于图像天空区域分割的去雾算法

为了提升图像去雾效果，提出了基于天空区域分割的透射率合成图像去雾算法，通过雾霾图像构造的概率分布函数，结合迭代阈值分割及天空区域的暗、亮通道以及最大连通性确定出粗分割阈值。利用引导滤波加强天空与非天空区域像素灰度的差异性，实现了精准分割。利用对数自适应变换估计了天空区域透射率，利用改进的暗通道先验算法估计了非天空区域透射率，通过合成对应像素的透射率实现了图像的去雾。实验结果表明，相比其他去雾算法，所提算法在各客观指标上均有所提高，对天空与非天空区域分割准确，去雾图像整体视觉效果良好。     

基于生成对抗网络的高端装备研制数据脱敏方法

针对高端装备研制数据的保密性和重要性,提出一种基于生成对抗网络(generative adversarial networks, GAN)的高端装备研制数据脱敏方法。面对高端装备研制数据在数据挖掘和数据共享时可能面临泄露的风险,利用GAN进行数据脱敏。在随机生成的高斯数据集上进行实验,通过比较源数据和脱敏数据的统计特征,证明GAN的数据脱敏方法能够有效实现数据脱敏过程中所要求的数据安全性、数据有效性和成本可控性。最后,在Yeast数据集上进行验证, GAN输出的脱敏数据同样在现实世界数据集上表现出色,能够准确地预测Yeast的分类,为高端装备研制数据的管理和分析提供了一种新的思路。     

基于感知融合机制的渐进式去雾网络

智能辅助驾驶应用场景对图像去雾的准确性和实时性要求较高。提出了一种新颖的基于感知融合机制的渐进式去雾网络(progressive dehaze network, PD-Net),将降质图像恢复的任务分解为多阶段的子任务，通过轻量级的子网分块学习特征图的不同区域语义信息，以提升去雾效率。在此基础上，基于注意力机制和导向滤波设计跨阶段感知融合模块(perception fusion module, PFM),自适应感知各阶段提取的多尺度特征并进行融合，而不损失图像细节信息及边缘结构信息。实验结果表明，与现有主流的端对端去雾模型相比，所提出的算法在处理户外图像时具有更高的准确度和实时性，在公开的合成对象测试集(synthetic object testing set, SOTS)上的峰值信噪比(peak signal to noise ratio, PSNR)与现有最好结果相比提升了0.93 dB,处理单幅图像仅需72 ms,提出的网络模型有望应用于智能交通等现实领域。     

基于CSLS-CycleGAN的侧扫声纳水下目标图像样本扩增法

针对侧扫声纳水下目标图像稀缺,获取难度大、成本高,导致基于深度学习的目标检测模型性能差的问题,结合光学域类目标数据集丰富的现状,提出一种基于通道和空间注意力(channel and spatial attention,CSA)模块、最小二乘生成对抗生成网络(least squares generative adversarial networks,LSGAN)及循环对抗生成网络(cycle generative adversarial networks,CycleGAN)的侧扫声纳水下目标图像样本扩增方法。首先,受CycleGAN的启发,设计基于循环一致性的单循环网络结构,保证模型的训练效率。然后,在生成器中融合CSA模块,减少信息弥散的同时增强跨纬度交互。最后,设计了基于LSGAN的损失函数,提高生成图像质量的同时提高训练稳定性。在船舶光学域数据集与侧扫声纳沉船数据集上进行实验,所提方法实现了光学—侧扫声纳样本间信息的高效、稳健转换以及大量侧扫声纳目标样本的扩增。同时,基于本文生成样本训练后的检测模型进行了水下目标检测,结果表明,使用本文样本扩增数据训练后的模型在少样本沉船目标检测的...     

基于局部一致性的马尔可夫随机场去雾

为克服暗通道先验的适用局限性,同时增强一阶马尔可夫随机场对图像全局信息的约束能力,在颜色衰减先验的基础上,提出了一种局部一致马尔可夫随机场(Markov random fields, MRF)单幅图像去雾算法。首先,结合颜色衰减和暗通道两先验假设的特征，获取普适性更强的介质传输图粗估计,然后利用基于颜色特征的图像局部一致块代替MRF的二阶及其高阶能量项来构造代价函数,达到优化介质传输图和获取最终去雾图像的目的。实验结果表明,所提算法可以获取细节保持更好且鲁棒性更强的去雾效果。     

基于神经网络的手绘服饰图纹上色及风格迁移

针对图纹上色容易色彩溢出、风格迁移缺少布料纹理特征等问题，提出基于神经网络的手绘服饰图纹上色及风格迁移方法。初始化数据集，收集服饰图纹图像，提取服饰图纹黑白线稿，合成具有颜色特征的手绘图像，构建风格数据集；构建条件生成对抗网络模型，基于该生成器模型实现对具有颜色信息的线稿图像上色；构建卷积神经网络模型，利用该模型计算内容图的内容特征并结合Gram矩阵计算风格图的风格特征，输出令人满意的服饰图纹迁移图像。实验结果表明，该方法生成的图像具有真实的服饰图纹颜色分布，具有较好的布料材质感。     

基于紧耦合像元的自适应增强类内稀疏表示高光谱图像分类

为了充分利用稀疏表示分类算法中重构残差包含的特征信息,将重构残差的波段信息反馈到测试样本中,自适应增强样本的稀疏特征提取。但反馈调整过程可能会出现特征过拟合的问题,为了进一步提高算法的稳定性和分类精度,提出了紧耦合像元生成算法(close coupled set of pixels, CCSP)来平滑特征分布以解决过拟合问题,并最终提出了基于紧耦合像元的自适应增强类内稀疏表示高光谱图像分类方法(close coupled set of pixels based adaptive boosting class wise sparse representation classifier, CCSP ABCWSRC)。在Indian Pines,University of Pavia,Salinas三个高光谱数据集上的实验结果表明,提出的算法对高光谱图像进行了稳定有效的分类并且其分类精度优于同类算法。     

基于改进ResNet网络的复数SAR图像舰船目标识别方法

合成孔径雷达(synthetic aperture radar, SAR)采用微波相干成像, 因此SAR图像本质上是复数的。传统基于神经网络的SAR图像目标识别方法, 通常只处理SAR图像的幅度信息, 无法有效利用SAR图像特有的复数信息。本文面向SAR图像中的舰船目标识别应用, 从SAR图像的本质出发, 首先通过组合SAR图像的实部、虚部和幅度三通道信息, 隐式地提供了输入数据的复数信息表示; 然后在ResNet18网络及其结构基础上引入通道注意力机制, 使网络能自适应学习实部、虚部和幅度三通道之间包含的复数信息; 最后引入标签平滑正则化, 解决因复数数据集样本较少出现的过拟合现象。基于OpenSARShip数据集的实验结果表明, 所提方法可以较好利用SAR图像本身的复数信息, 在一定程度上提升了基于深度神经网络的舰船目标识别效果。     

海面舰船场景的视频图像海雾去除算法

为满足海面舰船视频图像海雾去除的实时性要求,提出一种基于引导滤波的快速视频图像海雾去除方法。针对单幅图像,根据经典大气散射物理模型,首先利用暗原色先验估计大气光值和初始透射率,然后利用引导滤波优化透射率,进而求解大气散射物理模型,实现快速去雾;针对视频图像,结合帧差法和引导滤波,利用引导滤波估计视频帧序列的雾气遮罩,实现快速去雾。与其他单幅图像和逐帧视频图像去雾算法分别进行实验仿真对比研究,从主观和客观两方面进行处理结果的图像质量评价。结果表明,所提算法能实现快速海雾去除、有效提高视频去雾效率。     

融合域自适应和弱监督策略的遥感影像建筑物提取算法

常见的建筑物提取算法主要采用全监督的方式实现，得到的模型通常在训练数据集上表现良好，而在跨区域使用时效果不佳。基于生成对抗网络的域自适应方法虽然在一定程度上能够增强网络的迁移能力，但由于缺乏目标域关键信息，效果难以保证。设计了一种全新的端到端弱监督建筑物提取网络。首先，采用像素关联模块来提升生成网络的性能；然后，在此基础上综合运用域自适应和图像级弱标签两种策略来优化训练过程，从而大幅提升了网络模型的泛化扩展性能。采用3组数据对所提方法的有效性进行了验证，通过大量实验证明了所提方法可以有效提升建筑物提取的性能。同时，通过消融实验验证了网络中各个模块的有效性。     

基于控制参数估计的再入滑翔目标智能轨迹预测算法

再入滑翔目标的轨迹预测是一项困难且具有意义的技术, 现有利用简单函数拟合控制参数进行轨迹预测的方法, 拟合精度不高且对数据的关联性不强。针对该问题, 本文结合长短期时序网络提出了基于控制参数估计的智能轨迹预测算法。首先, 通过设计快速轨迹生成算法, 结合攻角走廊模型快速生成大量机动轨迹, 构建数据集。然后, 建立了包含末点修正网络、控制参数修正网络及预测网络的智能轨迹预测框架, 利用数据集对关键控制参数的变化规律进行学习。最后, 结合目标运动模型积分外推实现轨迹的准确预测。仿真结果表明, 所设计的预测算法在不同机动模式下的预测平均误差不超过1.4 km, 最大误差不超过2.5 km, 能够实现轨迹的快速预测, 且对大气扰动造成的模型不确定性具有一定的鲁棒性。     

基于生成对抗网络的半监督图像语义分割

提出了一种基于生成对抗网络的语义分割模型,包括一个全卷积语义分割网络以及一个判别网络,其中语义分割网络负责生成与输入图像对应的语义分割图,判别网络负责检测分割图与真实标签的区别,以促使分割网络改进分割效果。为了更好的提取全局结构信息,语义分割网络中采用了金字塔池化模块,对不同规模的空间区域进行池化操作。另外,为了应对语义分割训练数据集人工标注成本过高的问题,利用判别网络生成伪标签协助语义分割网络进行训练,从而实现了半监督训练效果。模型在PASCAL VOC2012数据集中进行了测试,结果表明该模型在全监督和半监督条件下均优于已有方法。     

基于遗传算法的人工人口生成与应用研究

高精度微观人口数据是疾病传播、交通出行、应急事件等仿真系统的关键基础数据之一，现实中多采用计算机生成人工人口进行模拟。出于计算效率和生成步骤规范化考虑，目前人工人口合成多采用迭代比例拟合法，但是它对基础数据要求严格，存在零单元和数据代表性偏差问题且无法同时保证个体和家庭层面的拟合。为克服这一不足，提出使用模拟退火算法生成初始解和精英选择策略的改进遗传算法合成人工人口，探究遗传算法的合成步骤与参数设置，并以生成的成都市人工人口为基础，进行生物气溶胶扩散仿真实验。实验表明，采用遗传算法合成人工人口的精度优于传统方法，对基础数据要求低，这一数据集可为仿真研究提供精细尺度的人口多属性信息。     

基于偏微分方程的户外图像去雾方法

户外图像的雾化往往导致色彩降质和对比度降低,有效的去除图像中天气效果对提高视觉系统的可靠性和鲁棒性具有重要意义。根据大气散射物理模型以及有雾图像的色彩与对比度降质同场景点的景深成指数关系的先验知识,分别建立了户外图像全局去雾和局部去雾的能量最优化模型,推导了相应的求解偏微分方程。利用用户提供的简单附加信息,实现了仅从单幅图像恢复清晰图像的去雾算法。实验结果表明：去雾图像的色彩清晰度和对比度有较大改善,具有很好的应用前景。     

基于引导对抗网络的人体深度图像修补方法

移动设备配备的小型深度相机采集到的人体深度图像存在严重的孔洞问题。针对该问题,提出基于深度学习的引导对抗网络。使用基于堆叠沙漏网络的引导器从RGB图像中提取人体部分分割特征和深度类别特征;在上述人体特征引导下,使用独特的生成器修复人体深度图像中的孔洞。为使结果更加逼真,加入判别器在网络训练过程中对生成器进行优化调整。实验结果显示,该方法在现有的人体数据集和小型深度相机采集的数据集上,都能很好解决孔洞问题,均取得比现有方法更好的效果。     

基于GAN的通信干扰波形生成技术

现有通信干扰方法, 通常基于通信侦察中获取的目标信号特征进行干扰决策, 选取合适的干扰波形实施干扰, 难以应对目标信号特征未知或参数动态变化的情况。为此, 提出一种基于生成对抗网络(generative adversarial networks, GAN)的通信干扰波形生成技术, 运用GAN直接提取目标信号的潜在特征, 并生成与目标信号特征相似的干扰波形。在介绍GAN原理的基础上, 首先设计网络模型, 并对学习率进行优化, 使GAN更适用于时间序列通信干扰波形的生成。然后通过对不同类型和参数的通信信号进行干扰波形生成实验, 验证了该技术的泛化性。最后进行干扰效果对比试验, 结果表明, GAN生成的干扰波形干扰效果能够逼近最佳干扰效果。     

基于生成对抗神经网络的雷达遥感数据增广方法

在雷达探测领域,数据样本无论在完备性还是多样性上,均不能满足深度学习模型有效训练的要求,模型极易出现过拟合现象,从而限制了相关技术在雷达探测领域的广泛应用。面向雷达探测领域的智能化应用需求,针对雷达数据样本不足问题,提出基于生成对抗神经网络的微波成像体制雷达数据增广方法。针对雷达数据样本特征不显著问题,结合标签平滑正则化方法,实现增广数据样本的自动标注,通过构建增广样本与真实样本协同的深度学习模型训练框架,实现模型在小规模雷达数据样本集上的鲁棒训练。基于公开雷达探测数据集,验证了该方法的有效性。     

基于改进型生成对抗网络的指挥信息系统模拟数据生成算法

针对指挥信息系统模拟训练数据缺乏的问题,提出一种基于改进型生成对抗网络的模拟数据生成算法,构建指挥信息系统履行使命任务支撑能力指标体系,同时提出指挥信息系统非结构化信息处理的映射方式和拟合度因子,修正损失函数,从而提高优化水平。仿真结果表明,所提算法能够生成与原始数据分布相似度较高的数据集,为指挥信息系统全元素的模拟训练提供数据支撑。     

基于明暗像素先验的随机游走图像去雾

针对雾霾天气下大气粒子的散射作用导致户外图像质量严重退化和暗通道对天空区域估计失效的问题,提出了一种单幅图像去雾算法。该算法从雾天图像模型出发,首先利用估计天空区域更加准确的明暗像素先验获取介质传输图粗估计,然后在随机游走模型的框架下,将粗估计的介质传输图作为先验约束传统随机游走能量模型,进一步优化介质传输图,得到最终的无雾图像。实验结果表明,该算法有效地在随机游走模型下结合了明暗像素先验对雾天图像估计的优缺点,证实了所提方法的可行性和有效性。