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%。     

单目移动拍摄下基于人体部位的行人检测

在摄像机安装在一个自由移动的平台的环境里,如汽车,检测行人变得非常困难,特别是当行人所处的场景比较复杂时。针对这种应用环境,文中提出了一种coarse-to-fine的行人检测方法。本方法把一个人建模成人体自然部位的组装,所用部位包括头肩(head-shoulder),躯干(torso),腿(leg)。采用绝对值haar-like特征集和Edgelet特征集[1]。在这些特征集上,我们用SoftCascade[2]训练各个部位检测器和全身检测器(full-body)。在本算法中,首先由full-body检测器产生行人候选。然后,基于贝叶斯决策的组合算法进一步确定候选者中的行人。实验结果表明本算法有很好的检测性能,能在杂乱的自然场景中有效的检测行人。     

改进YOLOv5的合成孔径雷达图像舰船目标检测方法

针对合成孔径雷达图像目标检测易受噪声和背景干扰影响,以及多尺度条件下检测性能下降的问题,在兼顾网络规模和检测精度的基础上,提出了一种改进的合成孔径雷达舰船目标检测算法。使用坐标注意力机制,在确保轻量化的同时抑制了噪声与干扰,以提高网络的特征提取能力;融入加权双向特征金字塔结构以实现多尺度特征融合,设计了一种新的预测框损失函数以改善检测精度,同时加快算法收敛,从而实现了对合成孔径雷达图像舰船目标的快速准确识别。实验验证表明,所提算法在合成孔径雷达舰船检测数据集(synthetic aperture radar ship detection dataset, SSDD)上的平均精度均值达到96.7%,相比于YOLOv5s提高1.9%,训练时收敛速度更快,且保持了网络轻量化的特点,在实际应用中具有良好前景。     

多级并行干扰消除改进算法的仿真研究

在算法性能与复杂度之间折中考虑,并行干扰消除(PIC)可认为是CDMA系统中最具有实用意义的一种多用户检测技术。但PIC的性能却容易受到干扰信号估计偏差的影响,为了减小这种影响,本文将对一种改进的PIC算法进行链路仿真研究。仿真结果表明,改进的PIC算法能大大降低BER,达到有效提高算法性能的目的。     

基于卷积神经网络的小型建筑物检测算法

针对基于传统卷积神经网络的建筑物目标检测算法对于小型建筑物检测准确率低的问题, 提出一种基于Mask-区域卷积神经网络(Mask-region convoluional neural networks, Mask-RCNN)模型的小目标检测算法模型。该模型对Mask-RCNN模型中的特征提取网络进行了改进, 设计了一种带有注意力机制的多尺度组卷积神经网络, 有效解决了小目标有用特征较少且易被背景特征和噪声干扰的问题。航拍图像实验结果表明, 改进的检测模型使小型建筑物目标检测准确率较原始Mask-RCNN模型提升了28.9%, 达到了0.663。并且整体检测准确率达到了0.843, 有效提升了航拍建筑物检测准确性。     

跳频信号盲检测的半监督干扰对消方法

实际跳频信号所处的电磁环境较为复杂且难以预料,这给基于仿真数据训练的检测算法带来困扰。针对这一问题,提出一种名为半监督干扰对消的方法。该方法首先以暹罗嵌套Unet为主干,引入图注意力机制和集成通道注意力模块,得到干扰对消网络,并用成对的跳频信号时频图以及对应的标签对其进行预训练,使其获得干扰对消及检测信号的能力。然后,将没有标签、干扰更为复杂的时频图输入到干扰对消网络,得到低熵预测,作为伪标签。同时,对这些没有标签的时频图进行强增强,得到变形时频图。训练网络使得变形时频图的检测结果与伪标签具有一致性,从而强化网络在没有标签的数据上的泛化能力。仿真结果表明,所提方法可以在复杂干扰下实现参数估计和盲检测,并利用无标签数据增强网络性能。     

双星定位系统中目标移动性检测与仿真

双星定位系统通过测量两颗相邻卫星相对于地球表面静止辐射源的时差/频差（TDOA/FDOA）来实现定位功能。但是,地面辐射源的移动性影响FDOA,导致该系统定位误差急剧增大。为了检测辐射源的移动性,提出了两种基于时差/频差测量的目标移动性检测算法,即拟合度检验和Rao检验,两者均只需要估计静止假设下目标的位置。比较了两者的检测性能,仿真与分析验证了检测算法的有效性。     

基于卷积神经网络与注意力机制的SAR图像飞机检测

在合成孔径雷达(synthetic aperture radar, SAR)图像应用领域, 对SAR图像中飞机目标的检测备受关注。针对现有检测算法模型运算复杂度高、检测性能较低的问题, 提出一种基于深度可分离卷积神经网络与注意力机制的SAR图像飞机检测算法。首先使用深度可分离卷积神经网络提取图像特征, 同时在网络中引入逆残差块, 以有效防止通道数压缩引起的特征信息丢失问题; 其次在网络中引入多尺度空洞卷积—空间注意力模块和全局上下文通道注意力模块, 通过重新分配显著区域和各特征图更有代表性的权值, 以更好地捕捉空间有效信息和通道间语义相关性, 提高模型特征表达能力; 最后在SAR飞机数据集(SAR aircraft dataset, SAD)上进行对比实验验证。实验结果表明, 所提算法具有更好的检测效果, 平均准确率达到86.3%, 检测速度达到22.4 fps/s。     

一种编码连续相位调制的跳频系统设计及其性能仿真分析

针对编码CPM信号在跳频通信中的应用,提出了一种跳间RS编码、跳内SCCPM的跳频系统设计.接收端CPM信号采用PSP进行载波相位同步,实现了跳频系统中的SCCPM信号的相干序列迭代检测,获得了类似Turbo码迭代译码的性能.计算机仿真表明,该跳频系统在低信噪比下具优越的性能,具有很强的对抗部分频带干扰的能力,而且可以通过灵活的改变RS码的信息位长度,实现抗干扰能力和传输效率的折中.     

基于方向性粗糙度特征的SAR目标检测算法

针对扩展分形(EF)特征检测SAR目标虚警率高的不足,提出了基于方向性粗糙度特征(Directional Roughness Feature,DRF)对SAR图像目标检测的算法。该算法用指数小波在一个尺度和任意一个方向θ(0 0<θ<900)上对SAR图像滤波,对滤波后图像应用能量关系函数求各像素点的DRF进行目标检测。针对X波段和Ka波段的SAR图像,确定了用该算法检测目标的最优参数。分别用该算法和EF特征方法对不同波段SAR图像进行目标检测,结果表明该算法具有检测虚警率低和目标空间可分辨性高的优点。     

一种运动学形式的人员疏散仿真微观模型研究

从疏散群体中的人员个体角度出发研究人员疏散规律,提出一种运动学形式的离散时间仿真微观模型.每个个体的运动完全由其运动方向及速度大小所确定,将个体的运动姿态用两个笛卡儿坐标和一个方向角表示,进行运动学近似,个体运动过程由速度的两个瞬时值描述,即平移线速度和偏转角速度.进而考虑影响个体运动方向及速度大小的主要行为原则,建立综合这些行为影响因素的模型方程,允许通过调节各种参数,研究环境及个体心理状态对疏散的影响.     

基于Agent技术的人员疏散微观仿真模型研究

从疏散群体中的个体角度研究人员疏散的规律,提出一种基于Agent技术的微观仿真模型.每个个体的运动动作是由战略级、战术级和动作级反应式三级决策体系确定的,其中战略级决策是指宏观上的目标选择和路径规划,战术级决策是指个体速度方向和大小的选择,动作级反应式决策是指个体与其它个体的碰撞检测与消除冲突.同时,在个体速度方向确定时引入反馈机制,从而提高疏散效果.     

红外图像中人体实时检测研究

对红外图像中的人体检测问题进行了研究,提出一种快速、高效的检测算法。针对红外图像中人体图像的特点,通过方向投影确定了人体候选区域可能存在的位置,进而采用方向梯度直方图对候选目标进行了特征描述。将方向梯度直方图作为输入向量采用Fisher线性判别和贝叶斯分类器对候选目标进行了分类,以对候选目标中存在的人体进行检测。大量的实验结果表明所提出的算法是有效的。     

时反法用于主动探测的研究与仿真

时反法是一种新颖的自适应聚焦技术,它可以使声信号在未知环境下实现时空聚焦。海洋是一个复杂多变的信道,它会使信号波形在时域上发生畸变,能量在空间上发生扩散从而降低了声纳系统的检测能力。分析了时反法的原理,并进一步分析了时反法用于主动探测的过程。利用射线声学建立了浅海信道模型,对时反法主动探测技术进行了仿真分析。仿真结果表明,它可以使发生扩展的信号在时域上重新得到压缩,并使扩散的能量在目标处聚焦,从而实现对目标进行探测。     

利用改进的GLA算法快速检测球场区域

球场区域检测作为球和球员检测的预处理，是体育视频语义分析和球场三维重建的关键步骤。该算法首先引入了一种分裂和合并机制对GLA进行了改进。然后，利用改进的GLA将每帧的图像象素值进行量化分类，找到主色。最后，结合找到的主色，融合多个非连通的主色区域，利用球场区域为凸多边形的性质，采用Sklansky算法确定球场区域的边界。文中所示算法全部采用基于缩略图的计算方式，实验结果证明该算法具有很高的准确性，并且计算非常快，可以满足球场区域检测的要求。     

数控弯管加工过程仿真中的碰撞检测研究

基于自行开发的导管加工仿真系统(TBS)中导管的分段表示，提出了基于仿真指令的碰撞干涉模型和导管扩展OBB树(XOBB)的碰撞检测算法，碰撞干涉模型剔除了加工环境中明显不参与碰撞测试的物体及导管段，实现了导管加工过程仿真中碰撞检测物体对的初级过滤。导管扩展OBB树把变形导管的碰撞检测问题转化为已成形导管段的碰撞检测问题，避免了导管变形所引起的OBB树结点的重新生成。最后，提出了一种三角形求交的代数方法——基于非线性规划的三角形求交算法。     

一种改进的模糊边缘检测快速算法

系统分析了Pal.King模糊边缘检测算法的缺陷，提出了一种新的快速模糊边缘检测算法，该算法不仅克服了Palking，模糊检测算法定义的不足，简化了复杂的变换和逆变换运算，而且针对Pal.King算法中对隶属度阈值高置为固定值的不足，提出了确定模糊增强变换中最佳隶属度阈值的自动算法，仿真结果证明，该算法效率高，提取边缘精细，适应面广，是一种很有实用价值的图象处理算法。     

多尺度特征融合车辆检测方法

针对传统的车辆目标检测算法检测精度低,小尺度目标识别效果差等问题,提出了一种基于YOLOv4(you only look once v4)算法的目标检测方法,以提升对交通场景小目标车辆的检测性能。通过对YOLOv4网络进行再设计,使用MobileNetv2深度可分离卷积模块代替传统卷积,将CBAM(convolutional block attention module)注意力模块融合到特征提取网络中,在保证模型检测精度的同时减少模型参数。采用PANet-D特征融合网络融合获取到4个尺度特征图深浅层的语义信息,增强对小目标物体的检测能力。通过使用Focal loss优化分类损失函数,加快网络模型的收敛速度。实验结果表明,改进后的网络识别准确率达到96.55%,网络模型大小较原YOLOv4网络降低了92.49 M,同时检测速度比原网络提升了17%,充分证明了本算法的可行性。     

基于特征值检测的多天线盲频谱感知算法的研究(英文)

在多天线感知场景中噪声不确定和信号相关现象可能同时存在,经典的基于能量检测(ED)感知性能将急剧恶化。利用多天线接收信号存在的相关特性,提出一种基于取样协方差矩阵(SCM)特征值的盲频谱感知方法。新方法无需噪声方差、主信号和无线信道的信息参与感知过程。与经典的能量检测方法相比,由于无需噪声方差参与感知节点的判决过程,新方法的感知性能对噪声不确定性具有良好的鲁棒性。利用多元统计理论和随机矩阵理论(RMT)获得了相应的理论判决门限。仿真结果表明新算法比基于ED的感知算法具有更好的误警性能和更可靠的检测性能。