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。     

融合注意力机制的IETM细粒度跨模态检索算法

交互式电子手册是提高各类装备保障信息化、智能化的关键技术之一，针对其检索模态单一的问题，以其数据中图文描述为研究对象，提出一种融合注意力机制的细粒度跨模态检索算法。针对数据中图像简图较多、色彩单一等特点，特征提取模块使用Vision Transformer模型和Transformer编码器分别获得图文的全局和局部特征；使用注意力机制在图文模态间及模态内部挖掘细粒度信息，加入文本对抗训练增强模型泛化能力，采用跨模态联合损失函数对模型进行约束。在Pascal Sentence数据集和自建数据集上进行验证，所提方法的平均精度均值分别达到了0.964和0.959,较基准模型(深度监督跨模态检索)分别提升了0.248和0.214。     

基于SAR仿真图像的地面车辆非同源目标识别

充分的合成孔径雷达(synthetic aperture radar, SAR)模板数据是目标识别算法(尤其是基于深度学习的智能目标识别算法)获得优异识别性能的关键, 基于实际测量获取充分SAR数据是不现实的, 基于电磁散射建模的SAR仿真成为当前获取充分样本的一种有效途径。SAR仿真图像与实测图像为非同源数据, 由于SAR仿真的目标几何模型与实物之间差异、SAR仿真过程中的传感器模型与实际传感器性能之间差异、实物所处的背景环境与SAR仿真的环境之间差异、电磁建模方法本身误差等因素导致SAR仿真图像与实测图像存在差异, 会影响识别性能。针对这一问题, 首先采用一种基于高频渐近技术和离散射线追踪技术的SAR仿真方法获取地面车辆目标的SAR仿真图像, 再利用卷积神经网络方法、线性/非线性特征变换方法实现对MSTAR实测数据的非同源SAR目标识别性能对比分析。实验结果表明, 直接使用SAR仿真数据无法实现对实测SAR数据有效识别, 而线性/非线性特征变换可以改善非同源SAR目标识别性能, 一定程度上缓解由于SAR仿真数据与实测数据存在差异导致的识别性能差的问题。     

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。     

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。     

复杂背景下SAR图像近岸舰船目标检测

针对合成孔径雷达(synthetic aperture radar, SAR)图像近岸舰船目标易受背景杂波的影响, 造成SAR图像近岸舰船目标检测检测率低、虚警率和漏检率高的问题，提出一种适用于复杂背景下SAR图像近岸舰船目标检测的DFF-Yolov5(deformable feature fusion you only look once 5)算法。构建了一个专门用于SAR图像复杂背景近岸舰船目标检测的数据集, 基于Yolov5目标检测算法, 在特征提取网络中进行特征细化和多特征融合两个方面的改进。在特征提取网络中利用可变形卷积神经网络改变卷积对目标采样点的位置, 增强目标的特征提取能力, 提高复杂背景下SAR图像舰船目标的检测率。在多特征融合网络结构中采用级联和并列金字塔, 进行不同层级的特征融合。同时，使用空洞卷积扩大特征提取的视觉感受野, 增强网络对复杂背景近岸多尺度舰船目标的适应性, 降低复杂背景下SAR图像舰船目标检测的虚警率。通过在构建的复杂背景近岸舰船检测数据集上的测试实验, 结果表明: DFF-Yolov5的平均准确率为85.99%, 相比于原始的Yolov5, 所提方法平均准确率提高了5.09%, 精度提高了1.4%。     

基于多分类器融合的SAR图像自动目标识别方法

给出一种内存需求小、计算复杂度低且性能较好的合成孔径雷达自动目标识别(SAR ATR)方法。先对原始图像预处理获得目标及阴影,然后提取目标和阴影的形状描述子以及基于极化映射提取目标及阴影的形状特征、目标的强度分布特征,最后基于平均准则融合分类器对目标进行分类。基于美国运动和静止目标获取与识别(MSTAR)计划录取的数据的实验结果表明,所提融合的分类器可获得比单个分类器好的识别性能,并且利用阴影信息可大大提高识别性能。     

结合空时上下文信息的视频SAR图像相干斑滤波

作为合成孔径雷达(synthetic aperture radar, SAR)的一种新体制,视频SAR能够对场景连续成像,在目标检测、跟踪等应用情景有独特优势。然而,相干斑的存在影响了视频SAR图像质量及后续目标检测应用。针对这一问题,提出了一种结合空时上下文信息的视频SAR图像相干斑滤波方法。该方法主要由3步构成：首先构建能表征视频SAR图像距离-方位-时间三维动态散射信息的空时上下文协方差矩阵;其次根据协方差矩阵的相似检验选取一定邻域内目标像素的相似样本;最后根据相似样本进行平均实现相干斑滤波。基于两组实测视频SAR数据开展相干斑滤波对比实验,实验结果表明所提方法能在有效抑制相干斑的同时较好地保留目标细节信息,验证了所提方法的有效性和优势。     

基于BP网络的雷达与AIS目标关联算法与仿真

雷达与AIS(船舶自动识别系统)是海上交通获取船舶目标信息的2种重要导航设备,其目标信息在内容和精度上具有差异性,且具有互补性。为了获得目标更精确和更可靠的信息,需要将其目标信息进行融合,而目标关联判断则是融合最关键的环节。基于多传感器信息融合理论和神经网络中的BP算法原理,设计了合理的网络结构,提出了一种基于BP网络的雷达与AIS目标关联算法,基于实测数据,对关联算法进行Matlab仿真与分析,仿真分析的结果表明算法的可用性和有效性。     

基于深度卷积神经网络的SAR舰船目标检测

针对传统合成孔径雷达(synthetic aperture radar,SAR)图像舰船目标检测算法检测精度易受斑点噪声影响,且只能提取底层特征及其泛化性较差的问题,提出了一种基于深度卷积神经网络的SAR图像舰船目标检测算法。首先将目前先进的单次多盒检测器(single shot multibox detector,SSD)检测算法应用到SAR图像舰船目标检测领域,指出了其在该领域存在的局限性,在此基础上提出了基于SSD的新的检测方法,包括融合上下文信息,迁移模型学习,在公开的SSDD数据集上进行了训练和测试,对实验结果进行了对比分析,实验结果表明,相比于原始的SSD检测算法,所提出的方法不仅提高了目标检测精度,同时也保证了算法的检测效率。     

基于多源遥感图像多级协同融合的舰船识别算法

针对极化合成孔径雷达(polarimetric synthetic aperture radar, PolSAR)图像存在斑点噪声严重、可视性差、直接影响目标识别精度的问题,提出一种基于多源遥感图像多级协同融合的舰船识别算法。通过采用多级协同融合方式,丰富图像的特征量,提高舰船识别精度。所提方法首先进行多源遥感数据的像素级融合,然后在上一步基础上进行特征级融合,最终得到新的目标特征。所提方法充分发挥了不同频段的PolSAR与多光谱图像的信息互补优势,不仅保留了多频段PolSAR对目标的极化散射特征,也保留了多光谱数据的空-谱信息。所提方法在可视性与检测精度上表现都较为出色,与传统的单一遥感数据相比,识别精度至少提高了5.12%。     

用于SAR图像小目标舰船检测的改进SSD算法

针对合成孔径雷达(synthetic aperture radar, SAR)图像小目标舰船检测中存在的检测率较低、虚警较高等缺点,提出了用于SAR图像小目标舰船检测的改进单步多框检测(single shot multibox detector,SSD)算法。首先,制作了一个专门用于SAR图像小目标舰船检测的数据集,在SSD目标检测算法的基础上,提出了迁移学习、浅层特征增强和数据增广3个方面的改进;利用性能更好的ResNet50作为特征提取结构,在浅层特征增强网络结构中采用了inception模块的分支结构,同时使用了空洞卷积扩大特征图的视觉感受野,增强了网络对小尺寸舰船目标的适应性;最后在数据集上进行了多组对比分析实验,实验结果表明所提方法相比于原始的SSD,平均准确率提高了5.4%,并且对SAR小目标舰船的漏检和误报明显减少。     

基于超密集特征金字塔网络的SAR图像舰船检测

针对星载合成孔径雷达(synthetic aperture radar, SAR)图像舰船目标检测困难的问题,提出了一种基于超密集特征金字塔网络的检测算法。首先,利用残差神经网络提取原始图像特征,构建特征图。其次,跨尺度连接多个特征层获取超密集特征金字塔,建立多尺度的高层语义特征映射,增强特征传播和重用。然后，再利用区域建议网络提取每层金字塔的候选区域输入检测网络。最后,通过融合候选区域及其周边上下文信息,将检测网络注意力集中至海域以抑制虚警,并为分类器计算置信度和边框回归提供补充信息。多组仿真实验证明,所提网络框架设定合理且检测性能优越。     

基于卷积神经网络的SAR图像舰船目标检测

近年来,深度学习在物体检测领域取得了非常大的突破,但是鲜有用于合成孔径雷达(synthetic aperture radar, SAR)图像中舰船目标检测,论文将基于深度学习的目标检测方法引入到了SAR图像舰船目标检测。首先分析了目前先进的Faster R-CNN检测算法优点及其在SAR图像舰船检测领域的局限。在此基础上,构建了一个新的SAR图像舰船目标检测数据集SSDD,数据集包含不同分辨率、尺寸、海况、传感器类型等条件下的舰船SAR图像,它可以作为本领域研究人员评价其算法的基准。提出了SAR图像舰船目标检测的新方法,包括特征聚合、迁移学习、损失函数设计和其他应用细节,并在数据集上进行了大量的对比实验。实验结果证明提出的方法可以有更高的检测准确率和更快的检测速度。     

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。     

基于光电融合的目标三维结构反演

针对同传感器视角下的空天目标光电特征融合问题, 提出一种综合利用散射中心参数及轮廓角点特征的目标三维结构反演方法。首先, 基于正交匹配追踪(orthogonal matching pursuit, OMP)算法估计出序列雷达图像中的二维散射中心特征, 并利用Freeman链码提取连续可见光图像的角点特征。然后, 基于图论思想分别对雷达及可见光图像中的二维特征点进行关联。最后, 通过特征点三维重构来实现散射中心特征与光学角点特征之间的融合, 从而反演出较单源特征更为丰富准确的目标结构信息。仿真试验结果验证了所提方法的有效性。     

基于超密集特征金字塔网络的SAR图像舰船检测

针对星载合成孔径雷达(synthetic aperture radar, SAR)图像舰船目标检测困难的问题,提出了一种基于超密集特征金字塔网络的检测算法。首先,利用残差神经网络提取原始图像特征,构建特征图。其次,跨尺度连接多个特征层获取超密集特征金字塔,建立多尺度的高层语义特征映射,增强特征传播和重用。然后,再利用区域建议网络提取每层金字塔的候选区域输入检测网络。最后,通过融合候选区域及其周边上下文信息,将检测网络注意力集中至海域以抑制虚警,并为分类器计算置信度和边框回归提供补充信息。多组仿真实验证明,所提网络框架设定合理且检测性能优越。     

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。     

基于全局位置信息和残差特征融合的SAR船舶检测算法

针对合成孔径雷达(synthetic aperture radar, SAR)图像船舶目标尺度不一且易受海面、地面杂波和相干斑噪声的影响,难以提取目标多维特征且特征融合过程中易产生语义歧义,造成船舶目标检测率低,虚警率高的问题,提出一个基于全局位置信息和残差特征融合的SAR船舶目标检测算法。基于Faster区域卷积神经网络(region convolutional neural network, R-CNN)目标检测算法,在特征提取网络和特征融合网络中进行改进：在特征提取网络中使用高宽注意力机制提取目标在图像中的全局位置信息,增强目标的多维特征提取能力;在特征融合网络中使用带有残差连接的双向特征金字塔网络削弱特征融合过程中的语义歧义,降低复杂背景下的船舶目标虚警率,同时进行不同层级的多尺度特征双向融合,增强高低层特征的联系,提升多尺度船舶目标的检测能力。在SAR船舶数据集上达到98.2%的均值平均精度,超过部分算法2.4%以上。实验表明,所提算法有效提取了目标的多维特征,显著缓解了语义歧义问题,具有较好的检测能力和泛化能力。     

高分辨率SAR与光学图像中目标融合检测方法

提出了一种基于特征融合的军事目标检测方法,充分考虑了SAR与光学图像中目标的互补性特征。目标在高分辨率SAR图像中会产生强后向散射回波(radar cross sections,RCS),因此可以快速检测出感兴趣目标。但受相干斑和人造杂波影响,检测结果存在大量虚警。相比而言,从光学图像中提取出的目标形状信息更有利于鉴别虚假。因此,本方法在串行融合结构中结合SAR和光学图像中提取出的目标特征进行融合鉴别,有效去除虚警。实验用机载测试图像对本文方法的性能进行了验证和分析。