基于YOLOv5 改进的小目标检测算法

针对传统目标检测算法存在对小目标检测的识别精度低和不稳定的问题,提出基于YOLOv5 改进的小目 标检测算法。基于卷积神经网络加入额外的检测头,采用数据增强策略并更改网络卷积步长,解决了小目标像素低、 占比小、易重叠和难以分辨等问题;同时依托真实检测场景制作一个全新的针对飞机检测的卫星影像数据集,该数 据集的待检测小目标占比达61%,飞机姿态及场景丰富,有助于客观全面地验证网络精度。将改进后的算法与原始 的YOLOv5 模型进行对比,结果表明,其平均精确率AP 值较原始YOLOv5 模型提升约3%。     

基于SSD 的小目标特征强化检测算法

为解决原始单次多框目标检测(single shot multibox detector,SSD)目标检测算法中对小目标物体检测能力不足的问题,提出一种改进的SSD目标检测算法.采用VGG19作为特征提取网络,在低层特征图部分引入Conv3_3卷积特征图,对Conv4_4进行转置卷积操作,将转置卷积后得到的Conv4_3同Conv3_3的特征图进行特征拼接,实验部分使用VOC数据集对模型进行训练与测试.结果表明:该算法可提高检测能力,目标检测精度能比原始SSD算法提高3.6％,小目标检测效果比改进前也有明显提升.     

一种基于条件生成对抗网络的单幅图像去雾算法

针对雾(霾)会显著降低基于图像制导武器的可见光侦测设备成像质量,从而干扰对目标精确识别的问题,提出一种基于条件生成对抗网络的单幅图像去雾算法。在生成器下采样中使用软池化运算,以提高细粒度特征的提取能力;加入全局平均池化层,旨在消除图像边缘的震荡效应,提高去雾图像清晰度;简化判别器结构,优化损失函数权重值确定方法,提升网络模型训练效率。实验结果表明:去雾后的图像清晰锐利,色彩自然,在结构相似性、峰值信噪比和图像信息熵等客观定量指标上优于经典去雾算法,对去雾后图像进行目标检测的平均精度均值提升了4.13%。     

某型机枪枪管的结构优化设计

为了提高武器的射击精度,以某型机枪枪管为研究对象,建立枪管的有限元分析模型和以刚度与重量为目标的枪管多目标优化模型。该模型基于对枪管结构优化的分析以及枪管设计时的多目标要求,采用多目标遗传算法与有限元计算相结合的优化算法对枪管进行多目标优化,获得了枪管结构优化方案。实验结果表明:优化后枪管的固有频率提高了12.9%,最大应变量则减小了19.59%,枪管的综合性能有所提高。     

一种基于注意力机制RetinaNet的小目标检测方法

针对遥感影像小目标难以检测的问题,在RetinaNet网络基础上,提出了一种基于注意力机制的RetinaNet网络。通过使用旋转锚点框实现任意方向目标的检测,并通过添加通道注意力机制改善了原网络对小目标检测准确度低的问题。实验结果表明:该目标检测方法使得平均检测精度提高了7.5%,较好解决了遥感影像中密集分布、任意方向的小目标检测识别问题。     

战车火控系统目标信息处理的设计与实验研究

机动目标建模与目标信息处理是当前战车火控系统的重要发展方向。在目标模型精度提高以后，只有通过先进的目标信息处理，才能最终提高火控系统的战技性能。本文提出了交互式双循环目标信息处理算法的设计，并在实验室条件下进行了大量的实验研究，为信息处理的工程设计提供了重要的设计规律和丰富的实验数据。     

基于语义分割的二阶段舰船目标检测算法研究

为提高图像制导弹药对大型舰船目标的毁伤效能，解决大型舰船目标关键部位漏检和定位精度差等问题，以Yolo v3为基线网络，提出了基于语义分割的二阶段目标检测算法。在主体目标准确检测的基础上，利用DeepLab v3plus网络在主体目标区域进行像素级检测，确定舰船关键部位的轮廓边界，提高了舰船关键部位的检测精度和定位精度。利用Linear bottlenecks结构在低分辨率主体目标中提取特征，减少特征损失，降低模型计算量和参数量，获得了较高的检测精度和定位精度，同时提高了算法的处理速度。     

基于改进YOLOv4-tiny 的舰面多目标检测算法

针对舰面多目标的检测问题,提出一种改进YOLOv4-tiny 的舰面多目标检测算法。在卷积神经网络中引 入卷积注意力模块(convolutional block attention module,CBAM),通过混合通道特征和空间特征来关注舰面目标和 抑制背景特征,提高网络的抗背景干扰能力;针对目标尺度变化加入空间金字塔池化结构(spatial pyramid pooling, SPP)以融合不同尺度的特征,提高对不同大小目标的检测能力;使用Mish 激活函数替代Leaky ReLU 激活函数以获 得更好的泛化能力。实验结果表明：5 类舰面目标的平均检测精度为92.22%,接近YOLOv4 算法的96.48%,而检测 速度(frames per second,FPS)达到了42.5 帧/s,远高于YOLOv4 的18 帧/s;该算法能较好地平衡准确率和速度的关 系,可以对舰面目标进行实时检测。     

面向合成孔径雷达图像任意方向舰船检测的改进YOLOv3模型

为实现合成孔径雷达(SAR)图像舰船检测能同时输出目标位置和方位角估计信息,提出基于改进YOLOv3的任意方向舰船目标检测模型。定义有利于模型参数回归稳定性的角度范围,根据垂直框和旋转框预测结果定义多任务损失函数。通过融合垂直框和旋转框预测结果进行目标方位角估计校正,以进一步提高检测性能。采用SAR舰船目标检测数据集(SSDD+)和高分辨率SAR图像数据集(HRSID)分别进行改进模型的性能测试和迁移测试。实验结果表明：对于SSDD+,当交并比为0.5时平均精度均值mAP_0.5达到了0.841;对HRSID进行迁移测试时,mAP_0.5能够达到0.530;当网络输入尺寸为416×416时处理一帧图像耗时约为25 ms;采用高分辨率可见光舰船数据集(HRSC2016)进行改进模型的适用性测试,mAP_0.5为0.888,超过了部分已知模型的精度;该改进模型适用于纯海洋背景下SAR图像中的舰船目标检测,能够满足舰船目标检测的实时性需求。     

基于嵌入式平台与优化YOLOv3 的航拍目标检测方法

针对部署在嵌入式平台的目标检测模型在检测航拍目标时存在的检测速率低、耗时高、存储容量低的问 题,提出一种基于优化YOLOv3 算法的航拍目标检测方法。通过模型剪枝极大地减少了模型参数量,使用二分 K-means 对传统的锚框聚类算法进行优化改进,引入CIOU 损失函数加强边界框回归效果,再经TensorRT 对模型优 化加速后将该检测模型部署到JetsonTX2 平台上。选取大量不同类别不同环境的航拍图像制作数据集进行实验对比。 结果表明：优化后的算法在检验不同航拍图像目标时平均精度可达到83.9%,对每张图片的检测速度从2.8 FPS 提升 至14.7 FPS,满足精确性和实时性要求。     

一种基于分层多尺度卷积特征提取的坦克装甲目标图像检测方法

针对坦克装甲目标的图像检测任务,提出一种基于分层多尺度卷积特征提取的目标检测方法。采用迁移学习的设计思路,在VGG-16网络的基础上针对目标检测任务对网络的结构和参数进行修改和微调,结合建议区域提取网络和目标检测子网络来实现对目标的精确检测。对于建议区域提取网络,在多个不同分辨率的卷积特征图上分层提取多种尺度的建议区域,增强对弱小目标的检测能力;对于目标检测子网络,选用分辨率更高的卷积特征图来提取目标,并额外增加了一个上采样层来提升特征图的分辨率。通过结合多尺度训练、困难负样本挖掘等多种设计和训练方法,所提出的方法在构建的坦克装甲目标数据集上取得了优异的检测效果,目标检测的精度和速度均优于目前主流的检测方法。     

基于级联式Snappy-CenterNet 的锥套目标检测算法

针对空中加油因场景光照变化、环境遮挡等情况造成的锥套目标识别精度低、实时性差的问题,提出一种基于级联式Snappy-CenterNet深度网络的锥套目标检测算法。在CenterNet网络的基础上,以HourglassNet为主干网络,改进其bottleneck结构并引入中心池化的方法,对整体的网络结构进行优化,通过级联式的网络提升整体检测精度。实验结果表明：该算法可实现在多种复杂场景下对锥套目标的可靠检测,检测结果的精确率与召回率均可达99%,位置精度与区域精度分别可达99%与96%,更新率可达33.68 Hz,满足空中加油近距视觉导航阶段对于锥套识别的指标要求。     

基于MCNN-GRU 的舰面目标碰撞预警方法

为提升甲板舰面目标的转运安全性,提出一种多个CNN-GRU(multiple CNN-GRU,MCNN-GRU)碰撞 预警网络模型。该网络融合了卷积神经网络(convolutional neural network,CNN)对单时间步信息特征的提取能力以 及门控循环单元(gate recurrent unit,GRU)对时序序列的记忆能力,通过多通道网络结构提升对多时间步信息特征的 处理性能;在数据集上,利用目标检测网络和关键点检测网络、位姿解算模型及碰撞检测方法制作舰面目标碰撞预 警数据集。通过不同网络在数据集上进行实验的结果表明：该模型对舰面目标的双机碰撞预警精度为92.44%,具有 较好的效果。     

改进的YOLOv3算法及其在军事目标检测中的应用

复杂环境下军事目标检测技术是提高战场态势生成、分析能力的基础和关键.针对军事目标检测任务在复杂环境下传统检测算法的检测性能较低问题,提出一种基于改进YOLOv3的军事目标检测算法,通过深度学习实现复杂环境下军事目标的自动检测.构建军事目标图像数据集,为各类目标检测算法提供测试环境;在网络结构上通过引入可形变卷积改进的R...     

水中高速小目标被动检测模型及其应用

针对水中高速小目标难以准确检测的问题,结合3D超波束形成(3D-HBF)方法具有灵活控制窄波束和低旁瓣的特性,以及模糊支持向量数据描述(FSVDD)检测器具有优良的目标检测性能这两者的优势,构建了水中高速小目标被动检测模型和具体实施方法。在该方法中,高速小目标的辐射噪声信号经过3D-HBF后,将获得的波束响应输出向量输入到FSVDD检测器中,从而实现目标的自动检测和测向。将该方法应用于水下高速小目标检测的实航试验中,结果表明,同基于常规波束形成的检测器相比,其具有更好的检测性能、目标检测准确率和较高的方位估计精度。