低分辨率SAR图像舰船目标检测

针对低分辨率合成孔径雷达(synthetic aperture radar, SAR)图像舰船目标受背景及杂波影响难以检测的问题,通过构建一种基于生物视觉侧抑制理论的背景抑制网络模型,有效地抑制了背景杂波.采用基于RENYI熵的分割方法提取舰船目标兴趣区域,以低分辨率SAR图像中舰船目标的成像特点为先验知识,结合同质性检验,滤除了兴趣区域中的虚假目标,降低了虚警率.实验结果表明:所提出的算法能够有效地抑制强海杂波背景,突出目标,既能用于检测SAR图像中带尾迹特征的舰船等运动目标,也可用于检测无尾迹特征的舰船目标.     

基于多尺寸特征叠加的SAR舰船目标检测方法

针对SAR图像中舰船目标的检测问题,单纯基于深度学习的图像处理技术难以达到检测准确性和实时性要求.SAR图像中目标尺寸较小,且易受噪声、光斑干扰,传统方法难以提取精细特征并克服复杂条件下的背景干扰.针对以上问题,设计基于YOLOv3检测框架的端到端检测模型,借鉴了残差模块结构来避免网络退化问题.同时结合深层与浅层的不同尺寸特征图检测,使用目标基础特征提取网络参数来避免重复训练初始化过程.针对SAR图像中海上舰船成像小目标的特点改进优化了神经网络结构,实现SAR海面广域舰船目标识别分类算法,并对检测模型进行轻量化压缩处理.构建SAR图像舰船目标数据集并进行了多次目标检测识别分类实验,体现了提出的检测方法在复杂场景下有可靠的抗干扰能力和准确的目标检测识别性能.     

基于低复杂度卷积神经网络的星载SAR舰船检测

星载SAR(合成孔径雷达)舰船检测广泛应用于海上救援和国土安全防护等领域.鉴于传统的检测方法仍存在虚警率高等缺点,本文将具有强大表征能力的卷积神经网络(CNN)引入到星载SAR舰船检测中,面向SAR舰船检测的精准快速的需求,提出了基于低复杂度CNN的星载SAR舰船检测算法.算法结合星载SAR图像的特点,利用ROI提取方法实现目标粗提取,得到可疑目标切片及其对应的位置信息;通过构建的低复杂度CNN对所有的可疑目标切片进行精确分类,确定舰船目标,从而实现舰船目标检测.实验测试结果表明:本文提出的算法可以实现精准的星载SAR舰船检测;与传统双参数CFAR目标检测和基于现有深度网络框架(LeNet、GoogLeNet)的检测算法相比,该算法检测性能更好、检测时间更短,可有效降低检测漏检率和虚警率.     

一种基于视觉的库区可疑目标识别算法研究

针对库区巡检图像采集设备对图像目标智能识别需求,进行基于视觉的远距离可疑目标识别算法设计与实现. 采用目标检测算法对图像进行目标识别并采集,通过基于卷积神经网络的深度学习模型卷积层对目标图像提取特征,采用基于机器学习传统方法的浅层网络对特征进行可疑目标分类. 根据算法设计实验,实验结果表明本算法模型识别效果良好,可有效减少人工识别工作量,能满足实际应用需要要求.      

基于深度学习One-stage方法的焊缝缺陷智能识别研究

目前基于深度学习的卷积神经网络在对焊缝缺陷射线图像进行智能识别时,多采用基于候选区域的two-stage方法,检测速度难以满足实时性要求.针对该问题,提出基于深度卷积神经网络的one-stage焊缝缺陷识别定位算法,将整张图像输入网络,并直接在输出图像上标定目标缺陷位置及类别.通过采用特征金字塔、减小网络深度、引入跳跃...     

基于深层次特征增强网络的SAR图像舰船检测

针对合成孔径雷达图像中舰船目标检测困难的问题,提出了一种基于深层次特征增强网络的多尺度目标检测框架.利用Darknet53提取原始图像特征,自上而下建立四尺度特征金字塔;特别设计基于注意力机制的特征融合结构,自下而上衔接相邻特征层,构建增强型特征金字塔;利用候选区域及其周边上下文信息为检测器计算分类置信度和目标分数提供更高质量的判定依据.所提算法在SSDD公开数据集和SAR-Ship自建数据集上的平均检测精度分别为94.43%和91.92%.实验结果表明,该算法设定合理且检测性能优越.      

联合多视角互投影融合的三维目标检测方法

针对当前智能车辆目标检测时缺乏多传感器目标区域特征融合问题,提出了一种基于多模态信息融合的三维目标检测方法. 利用图像视图、激光雷达点云鸟瞰图作为输入,通过改进AVOD深度学习网络算法,对目标检测进行优化;加入多视角联合损失函数,防止网络图像分支退化. 提出图像与激光雷达点云双视角互投影融合方法,强化数据空间关联,进行特征融合. 实验结果表明,改进后的AVOD-MPF网络在保留AVOD网络对车辆目标检测优势的同时,提高了对小尺度目标的检测精度,实现了特征级和决策级融合的三维目标检测.      

基于深度学习的复杂背景下茶叶嫩芽检测算法

针对传统的基于机器视觉的茶叶嫩芽检测方法存在手工特征提取鲁棒性较差以及准确率较低等问题,首次将基于深度学习的目标检测算法YOLO应用到复杂背景下的茶叶嫩芽图像的检测,并从多尺度检测方面对YOLO网络架构进行了改进,用大尺度和中尺度检测代替了原来的多尺度检测.在预处理阶段,通过结合超绿特征以及OSTU算法对复杂背景下的茶叶嫩芽图像进行了图像分割,使得茶叶嫩芽区域更加明显.实验结果表明,通过与其他算法对比,基于深度学习的目标检测算法对复杂背景下的茶叶嫩芽具有较高的检测精度,为复杂背景下茶叶嫩芽的智能化采摘设备的研究提供了基础.     

多层特征图堆叠网络及其目标检测方法

随着深度卷积神经网络的快速发展,基于深度学习的目标检测方法由于具有良好的特征表达能力及优良的检测精度,成为当前目标检测算法的主流.为了解决目标检测中小目标漏检问题,往往使用多尺度处理方法.现有的多尺度目标检测方法可以分为基于图像金字塔的方法和基于特征金字塔的方法.相比于基于图像金字塔的方法,基于特征金字塔的方法速度更快,更能充分利用不同卷积层的特征信息.现有的基于特征金字塔的方法采用对应元素相加的方式融合不同尺度的特征图,在特征融合过程中易丢失低层细节特征信息.针对该问题,本文基于特征金字塔网络(featurepyramidnetwork,FPN),提出一种多层特征图堆叠网络(multi-featureconcatenationnetwork,MFCN)及其目标检测方法.该网络以FPN为基础,设计多层特征图堆叠结构,通过不同特征层之间的特征图堆叠融合高层语义特征和低层细节特征,并且在每个层上进行目标检测,保证每层可包含该层及其之上所有层的特征信息,可有效克服低层细节信息丢失.同时,为了能够充分利用ResNet101中的高层特征,在其后添加新的卷积层,并联合其低层特征图,提取多尺度特征....     

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。