因式分解卷积运算的多尺度目标跟踪算法

针对因受到尺度变化、光照变化、形状变化以及相似目标等因素的干扰,目标跟踪过程出现漂移或算法过拟合现象等问题,提出了一种基于因式分解卷积运算的多尺度卷积运算.采用含有类似anchors机制的深度检测模型SSD,提取不同宽高比尺寸的特征减少漂移情况的出现,利用紧凑的样本集生成模型和优秀的更新策略等优点有效地解决了过拟合问题.结合ECO算法中的因式分解法提高在光照变化、尺度变化、遮挡以及背景杂波等方面跟踪效果.实验结果表明:该目标跟踪算法具有较强的鲁棒性和较高的跟踪成功率.研究结论可以提高目标跟踪算法的精确性、实时性.     

面向智能船舶的水面小目标检测算法

针对智能船舶中基于视觉传感器的水面小目标识别具有识别区域分辨率低、图像模糊、信噪比低等问题,提出了一种新的基于卷积神经网络的水面小目标检测算法——自注意力特征融合检测算法.首先,为了提高视觉信息处理的效率与准确性,在网络模型中引入了自注意力模块,更多关注小目标的细节信息.其次,在网络模型中采用了结构化的特征融合算法,通...     

一种多尺度YOLOv3的道路场景目标检测算法

针对在自然交通场景中道路不同种类目标的边界框大小差异巨大,现有实时算法YOLOv3无法很好地平衡大、小目标的检测精度等问题,重新设计了YOLOv3目标检测算法的特征融合模块,进行多尺度特征拼接,对检测模块进行改进设计,新增2个面向小目标的特征输出模块,得到一种新的具有5个检测尺度的道路目标多尺度检测方法YOLOv3_5d.结果表明:改进后的YOLOv3_5 d算法在通用自动驾驶数据集BDD100 K上的检测平均精度为0.5809,相较于原始YOLOv3的检测平均精度提高了0.0820,检测速度为45.4帧·s-1,满足实时性要求.     

面向船舶智能航行的多尺度目标检测算法

针对船舶智能航行场景复杂以及获取的图像信息中障碍物尺度变化较大的问题,提出一种基于YOLO(you only look once)算法的多尺度目标检测算法.首先设计了一种自适应特征融合模块,使得用于检测的特征图具有各尺度的强语义信息;然后设计了新的损失函数,以缓解样本分布不均匀问题,优化训练过程;最后通过水面图像仿真实...     

基于多尺度特征提取的单目图像深度估计

在目前基于深度学习的单目图像深度估计方法中,由于网络提取特征不够充分、边缘信息丢失从而导致深度图整体精度不足。因此提出了一种基于多尺度特征提取的单目图像深度估计方法。该方法首先使用Res2Net101作为编码器,通过在单个残差块中进行通道分组,使用阶梯型卷积方式来提取更细粒度的多尺度特征,加强特征提取能力;其次使用高通滤波器提取图像中的物体边缘来保留边缘信息;最后引入结构相似性损失函数,使得网络在训练过程中更加关注图像局部区域,提高网络的特征提取能力。在NYU Depth V2室内场景深度数据集上对本文方法进行验证,实验结果表明所提方法是有效的,提升了深度图的整体精度,其均方根误差(RMSE)达到0.508,并且在阈值为1.25时的准确率达到0.875。     

基于卷积神经网络的合成孔径雷达图像目标识别

为了解决现有合成孔径雷达(SAR)图像目标识别算法识别率不高、泛化能力不足的问题,提出一种基于卷积神经网络的SAR图像目标识别模型CMNet网络。通过设计针对SAR图像特点的特征提取网络,在损失函数中引入中心损失与Softmax损失联合监督训练过程,兼顾类内聚合和类间分离,提高算法精度和泛化能力。网络模型中所有卷积层后引入批量归一化层加快模型收敛速度、防止过拟合。实验使用美国运动和静止目标获取与识别数据库进行测试,10类目标平均识别率达到99. 30%。结果表明,提出的CMNet网络模型具有较高的识别率和泛化能力,在公开数据集上取得较好结果。     

多尺度改进Xception的花卉图像分类方法

针对传统图像分类方法在花卉图像上存在分类效果不佳的问题,提出一种改进Xception网络的方法。首先结合Res2net中的多尺度模块来提高模型特征信息的丰富度,提出Multi＿Xception网络,接着使用1×1卷积核对多尺度深度可分离卷积模块的输入特征图进行信道压缩,减少模型参数的同时进一步丰富模型特征信息,提出Multi2＿Xception网络。将改进模型应用于Flowers Recognition花卉数据集分类,实验结果表明,该方法相较于原算法分类准确率提升了1.64%,F1-score提升了0.018,验证了多尺度Xception网络的有效性。     

基于注意力机制与多尺度特征融合的行人重识别方法

针对行人重识别中因遮挡、姿态变化使模型特征无法充分表达行人信息的问题,提出了基于注意力机制与多尺度特征融合的行人重识别方法.首先使用改进的骨干网络R-ResNet50提取图像特征;其次,抽取网络不同尺度的特征层嵌入注意力机制DANet,使模型更关注于重点信息;最后,对提取出的关键特征进行多尺度特征融合,实现特征间的优势...     

基于多尺度特征融合的单目图像深度估计

为解决从单目图像中很难恢复出准确、有效深度信息的问题,提出一种多尺度特征融合的单目图像深度估计算法.算法采用端对端训练的卷积神经网络(CNN)结构,引入从图像编码器到解码器的跳层连接来实现在不同尺度上特征的提取和表达,设计了一种多尺度的损失函数来提升卷积神经网络的训练效果.通过在NYU Depth V2室内场景深度数据集和KITTI室外场景深度数据集上的训练、验证和测试,实验结果表明:提出的多尺度特征融合方法得到的深度图边缘清晰、层次分明,且在室内场景和室外场景中均能适用,具有较强的泛化性,可以适应多种实际场景的需求.     

基于神经网络结构搜索的目标识别方法

针对目标识别需求,对基于神经网络的深度学习方法展开研究。由于深度学习模型中包含了对数据的先验假设,因此人工设计神经网络需要领域内专家丰富的先验知识,且具有劳动密集与时间成本高的缺点。为了获得超越专家个人经验、表现更好的网络,采用一种可微神经结构搜索的高效结构搜索方法,将搜索空间放宽为连续的空间,然后通过梯度下降来优化体系结构的验证集性能,从而找到面向目标识别的最优神经网络结构。仿真实验结果表明,将基于神经网络结构搜索的目标识别方法应用于"低慢小"类目标识别是可行的。     

内河船舶导航监控一体化应用

针对内河船舶导航和监控一体化应用的概念和功能需求,研究其体系框架,并设计实现一种运行于网络浏览器的Web船舶导航和监控一体化应用系统,系统基于3层网络架构以及JSP和COM组件技术实现.船舶导航监控一体化应用系统能够将内河航运中的船舶与船公司、港口、VTS中心等监管部门紧密联结为一体,保证其间便捷畅通的业务交流通道,对...     

舰船目标识别技术研究进展

 舰船目标的有效识别和监控对维护海洋权益、保障海上航行安全至关重要。根据舰船目标信息的获取形式,从辐射噪声信号、雷达回波信号、卫星遥感图像、合成孔径雷达图像、红外图像、可见光图像几个舰船目标的主要信息获取来源出发,阐述了舰船目标识别技术的研究进展,总结分析了目前基于不同信号源的舰船目标识别方法普遍存在的具有高度任务相关性、计算成本高与运行时间长等问题。结合深度学习技术在语音识别、图像识别等领域的发展,建议将基于深度学习技术的典型目标识别方法Faster R-CNN及YOLO引入舰船目标识别领域,以研究鲁棒性更好、准确率更高、实时性更强的舰船目标识别方法。     

图像目标识别与跟踪方法研究

为研究目标识别与跟踪领域的新方法,提高图像检测技术的水平,对现有的图像目标识别与跟踪方法做了一个系统的总结,包括图像预处理、图像特征提取与识别、目标跟踪三大模块,分别对每一模块所采用的方法进行介绍、归纳.     

一种面向船舶智能航行的海上目标实时跟踪算法

海上目标感知的准确性和实时性是实现船舶智能航行的前提和基础.为了满足以上要求,将有效卷积算子(ECO)引入海上船舶目标跟踪中.该算法以相关滤波为基础,响应最大值之处为目标船舶中心所在位置.获得中心位置之后,采用尺度滤波方法估计出船舶目标的最佳尺度,从而完成对目标当前帧的跟踪.利用因式分解卷积的方式分解卷积,降低数据维度,减少计算时间;采用高斯混合模型将样本分成不同类别,降低训练集样本冗余度;采用稀疏更新策略更新样本模型,防止过拟合问题.选取海洋环境下船舶不同运动场景作为实验样本,与几种常用跟踪算法对比,验证了ECO算法在海上船舶目标跟踪上的准确性和实时性.     

农用车辆视觉导航路径识别方法

为提高农用车辆视觉导航系统对不同环境的适应性,研究了田间地头、天空以及树木等复杂环境对路径识别的影响.提出用一种新的中心线检测算法来取代原有的细化算法;用腐蚀算法代替原有的中值滤波;据此设计了适合复杂环境的路径识别方法.大量的田间试验证明,该方法对普通环境和复杂环境均具有较好的适应性,能够快速、可靠、准确地提取导航路径特征.     

基于GA-LPA算法的船舶图像识别方法研究

随着海事监管自动化的发展,大量船舶图像需要进行自动标注和追踪,传统的图像信息标注方式已经不能适应海事监管的需求,基于内容的图像信息标注技术在海事监管方面得到越来越多的应用。标签传播算法(label propagation algorithm,LPA)是一种复杂度较低的模式分类方法,适合于处理船舶图像的标注和追踪问题,为此,分别介绍了标签传播算法和遗传算法(genetic algorithm,GA)的原理,分析了LPA算法的参数确定问题,并针对此问题提出了基于GA的LPA算法,建立了GA-LPA算法用于船舶图像识别的方法。通过实例进行计算分析,验证了采用GA-LPA算法进行船舶图像标注和识别的可行性和效率。     

一种微光子导航源的混沌辨识方法

为了能准确有效地识别微光子导航源的类别,提出了一种微光子导航源的混沌辨识方法.该方法在分析微光子信号特性的基础上应用混沌动力学方程建立微光子导航源的辨识模型,该模型利用了混沌振子对小信号的敏感性以及对噪声的免疫力来检测导航源的信号形式和参数,并通过对信号周期、频率的测量与整定,识别微光子源的特性与类别.通过对脉冲星导航源的实验数据分析,表明该方法可以检测低信噪比的微弱光子脉冲导航源信号,并能有效识别导航源的类别.此外,该方法还能用于其他先进导航系统的信号源频率测量、校准与识别.同时,可以扩展到如雷达多基信号接收及其他低信噪比信号检测和识别等应用领域.     

一种基于聚类分析的船舶航行工况划分方法

结合船舶航行工况与主机燃油消耗特性的关系,考虑吃水和相对风速影响因素,采用K-means聚类分析方法,实现油耗影响因素的不同航行工况的划分。以某超大型油轮为例,基于船舶航行装载与外部环境天气状态数据,实现了航行工况分类分析以及各工况下影响因素参数区间的确定,为船舶主机燃油消耗分工况匹配模型构建提供了更加精细化的分析基础。     

一种基于聚类分析的船舶航行工况划分方法

 结合船舶航行工况与主机燃油消耗特性的关系，考虑吃水和相对风速影响因素，采用K-means聚类分析方法，实现油耗影响因素的不同航行工况的划分。以某超大型油轮为例，基于船舶航行装载与外部环境天气状态数据，实现了航行工况分类分析以及各工况下影响因素参数区间的确定，为船舶主机燃油消耗分工况匹配模型构建提供了更加精细化的分析基础。