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.     

基于FPGA+DSP的弹载组合导航系统设计

针对常规弹制导化改造过程中对组部件小型化的需求,本文基于“FPGA+DSP”的双核处理器,搭建了一种新型组合导航系统硬件平台。该平台能够完成对模拟信号和数字信号的混合采编功能,即能够实时采集惯性测量信息和GNSS卫导信息,并予以同步处理;同时,该平台具备体积小、功耗低、解算能力强、数据存储可靠等特点,能够实时解算出弹体的位置、速度和姿态信息。通过试验论证,本文设计的组合导航系统硬件平台性能可靠、数据有效,具有一定的工程价值。     

基于改进Faster R-CNN的红外舰船目标检测算法

针对Faster R-CNN算法中对于红外舰船目标特征提取不充分、容易出现重复检测的问题,提出了一种基于改进Faster R-CNN的红外舰船目标检测算法。首先通过在主干网络VGG-16中依次引出三段卷积后的3个特征图,将其进行特征拼接形成多尺度特征图,得到具有更丰富语义信息的特征向量;其次基于数据集进行Anchor的改进,重新设置Anchor boxes的个数与尺寸;最后优化改进后Faster R-CNN的损失函数,提高检测算法的整体性能。通过对测试数据集进行分析实验,结果表明改进后的检测算法平均精确度达到83.98%,较之于原Faster R-CNN,精确度提升了3.95%。     

基于双级互补滤波的姿态测量算法设计

陀螺仪的漂移、载体的线性加速度和磁场的干扰是影响MARG传感器姿态测量精度的主要原因。针对传统姿态测量算法在磁干扰环境下由于航向角误差导致水平角测量精度降低以及载体线性加速度影响水平角精度的问题,提出了一种基于四 元数的双级互补滤波姿态融合算法。该算法利用加速度计和磁力计测量数据分别对估计四元数进行补偿修正,避免了磁干扰环境下航向角误差对水平姿态测量的影响。同时引入线性加速度误差和磁干扰误差自适应补偿方案,以降低线性加速度与磁干扰的影响,为了验证算法的有效性,进行了静态与动态实验。实验结果表明该姿态测量算法能显著提高姿态测量精度和抗干扰能力,与传统的Mahony算法相比,俯仰/滚动角的测量精度完全不受磁干扰的影响,性能得到了明显的提升。     

基于改进YOLO V3的舰船目标检测算法

针对YOLO V3算法中对于小目标检测精度不高、容易出现漏检误检的问题,提出了一种基于改进YOLO V3的舰船目标检测算法.首先,通过在YOLO V3原网络结构基础上额外从主干网络引出一个输出尺度,将其与上一个输出尺度中的特征信息进行特征拼接,得到具有更丰富语义信息的特征向量;其次,基于数据集进行聚类改进,改进度量距离公式、重新设置anchor box的个数与相应参数;最后,优化改进YOLO V3的损失函数,提高模型的整体性能.对测试数据集进行分析实验,结果表明改进后的检测算法平均精确度达到83.98％,较之于原YOLO V3,平均精确度提升了6.72％.     

卷积神经网络研究综述

回顾了卷积神经网络的发展历程,介绍了卷积神经网络的基本运算单元.在查阅大量资料基础上,重点介绍了有代表性的AlexNet、VGGNet、GoogLeNet、ResNet等,对他们所用到的技术进行剖析,归纳、总结、分析其优缺点,并指出卷积神经网络未来的研究方向.     

灵渠的航运

名闻遐迩的古灵渠,地当三楚两粤之咽喉,历史上是中原与岭南的水路交通要道。“是渠当南服往来喉舌之地,田畴之灌溉,舟楫之通塞系焉”。现将历史上对航运情况的载速,就其荦荦大者略列一二。