基于深度学习的GPR B-SCAN图像双曲线检测方法

利用深度学习方法来处理探地雷达(Ground Penetrating Radar,GPR)数据以提高GPR B-SCAN双曲线检测准确率.为了解决数据集样本不够的问题采用循环生成对抗网络(Cycle Generative Adversarial Networks,Cy-cleGAN)算法对GPR B-SCAN图像数据进行增强.采用Faster R-CNN算子来定位双曲线图像区域,充分利用双曲线结构对称性及其方向差异性特征,设计与之对应的卷积核模板,通过卷积运算实现对B-SCAN图像中双曲线目标的有效分割.对双曲线目标采用最小二乘法进行二次曲线拟合得到精确的双曲线图像.与基于迁移学习的方法、HOG算法以及基于Hough变换的B-SCAN检测算法等相比,本文方法得到的结果在综合指标度量F上是最优的.     

用统计方法和Hough变换进行GPR目标检测与定位

本文所提出的GPR目标检测方法包含两个步骤.首先基于对GPR一维回波(A-Scan)统计特性的研究,应用加窗统计法从海量数据中实现快速高效的目标检测和感兴趣区域的提取;进而根据GPR二维回波图像(B-Scan)中目标回波的双曲线特征,对经过图像分割的ROI区域采用改进的Hough变换检测目标双曲线,去除虚假目标并实现目标的精确定位.对实测数据检测结果表明:此法水平和纵深向定位误差均小于1cm,输入数据信杂比可低至2dB左右.     

基于多尺度圆周频率滤波与卷积神经网络的遥感图像飞机目标检测方法研究

针对遥感图像飞机目标检测因目标尺度不一存在漏警、虚警等问题,该文基于遥感图像中飞机目标形状特征和灰度变化特点提出了一种多尺度圆周频率滤波(MSCFF)与卷积神经网络(CNN)相结合的MSCFF+CNN飞机目标自动检测算法.该算法首先采用多尺度圆周频率滤波器滤除遥感图像复杂背景,实现不同尺度飞机目标候选区域提取;然后,通过构建卷积神经网络(CNN)模型实现候选区域有效分类,最终精确确定飞机目标位置.最后,基于获取的真实遥感图像进行目标检测算法实验验证,经统计该算法的飞机目标检测率为94.38%,虚警率为3.76%,实验结果充分验证了该文算法的有效性,该算法可为机场监管、军事侦察等应用提供重要的技术支持.     

基于多尺度圆周频率滤波与卷积神经网络的遥感图像飞机目标检测方法研究

针对遥感图像飞机目标检测因目标尺度不一存在漏警、虚警等问题,该文基于遥感图像中飞机目标形状特征和灰度变化特点提出了一种多尺度圆周频率滤波(MSCFF)与卷积神经网络(CNN)相结合的MSCFF+CNN飞机目标自动检测算法。该算法首先采用多尺度圆周频率滤波器滤除遥感图像复杂背景,实现不同尺度飞机目标候选区域提取;然后,通过构建卷积神经网络(CNN)模型实现候选区域有效分类,最终精确确定飞机目标位置。最后,基于获取的真实遥感图像进行目标检测算法实验验证,经统计该算法的飞机目标检测率为94.38%,虚警率为3.76%,实验结果充分验证了该文算法的有效性,该算法可为机场监管、军事侦察等应用提供重要的技术支持。     

基于属性散射中心卷积核调制的SAR目标识别深层网络

卷积神经网络(CNN)的特征提取能力与其参数量有关,一般来说,参数量越多,CNN的特征提取能力越强。但要学好这些参数需要大量的训练数据,而在实际应用中,可用于模型训练的合成孔径雷达(SAR)图像往往是有限的。减少CNN的参数量可以降低对训练样本的需求,但同时也会降低CNN的特征表达能力,影响其目标识别性能。针对此问题,该文提出一种基于属性散射中心(ASC)卷积核调制的SAR目标识别深层网络。由于SAR图像具有电磁散射特性,为了提取更符合SAR目标特性的散射结构和边缘特征,所提网络使用预先设定的具有不同指向和长度的ASC核对少量CNN卷积核进行调制以生成更多卷积核,从而在降低网络参数量的同时保证其特征提取能力。此外,该网络在浅层使用ASC调制卷积核来提取更符合SAR图像特性的散射结构和边缘特征,而在高层使用CNN卷积核来提取SAR图像的语义特征。由于同时使用ASC调制卷积核和CNN卷积核,该网络能够兼顾SAR目标的电磁散射特性和CNN的特征提取优势。使用实测SAR图像进行的实验证明了所提网络可以在降低对训练样本需求的同时保证优秀的SAR目标识别性能。     

卷积神经网络在雷达自动目标识别中的研究进展

自动目标识别(ATR)是雷达信息处理领域的重要研究方向。由于卷积神经网络(CNN)无需进行特征工程,图像分类性能优越,因此在雷达自动目标识别领域研究中受到越来越多的关注。该文综合论述了CNN在雷达图像处理中的应用进展。首先介绍了雷达自动目标识别相关知识,包括雷达图像的特性,并指出了传统的雷达自动目标识别方法局限性。给出了CNN卷积神经网络原理、组成和在计算机视觉领域的发展历程。然后着重介绍了CNN在雷达自动目标识别中的研究现状,其中详细介绍了合成孔径雷达(SAR)图像目标的检测与识别方法。接下来对雷达自动目标识别面临的挑战进行了深入分析。最后对CNN新理论、新模型,以及雷达新成像技术和未来复杂环境下的应用进行了展望。

     

基于卷积神经网络的SAR图像目标识别研究

针对合成孔径雷达(Synthetic Aperture Radar, SAR)的图像目标识别应用, 该文提出了一种基于卷积神经网络(Convolutional Neural Network, CNN)的SAR图像目标识别方法。首先通过在误差代价函数中引入类别可分性度量, 提高了卷积神经网络的类别区分能力;然后利用改进后的卷积神经网络对SAR图像进行特征提取;最后利用支持向量机(Support Vector Machine, SVM)对特征进行分类。使用美国运动和静止目标获取与识别(Moving and Stationary Target Acquisition and Recognition, MSTAR)SAR图像数据进行实验, 识别结果证明了所提方法的有效性。      

基于深度卷积神经网络的协作频谱感知方法

针对传统卷积神经网络(CNN)频谱感知方法提取特征能力受限于网络结构简单,增加网络结构又容易出现梯度消失等问题,该文通过在传统卷积神经网络中添加捷径连接,实现输入层恒等映射更深的网络,提出一种基于深度卷积神经网络(DCNN)的协作频谱感知方法.该方法将频谱感知问题转化为图像二分类问题,对正交相移键控(QPSK)信号的协方差矩阵进行归一化灰度处理,并作为深度卷积神经网络的输入,通过残差学习训练深度卷积神经网络模型,提取2维灰度图像的深层特征,将测试数据输入到训练好的模型中,完成基于图像分类的频谱感知.实验结果表明:与传统的频谱感知方法相比,在低信噪比(SNR)下、多用户协作感知时,所提方法具有更高的检测概率和更低的虚警概率.     

基于深度卷积神经网络的协作频谱感知方法

针对传统卷积神经网络(CNN)频谱感知方法提取特征能力受限于网络结构简单,增加网络结构又容易出现梯度消失等问题,该文通过在传统卷积神经网络中添加捷径连接,实现输入层恒等映射更深的网络,提出一种基于深度卷积神经网络(DCNN)的协作频谱感知方法。该方法将频谱感知问题转化为图像二分类问题,对正交相移键控(QPSK)信号的协方差矩阵进行归一化灰度处理,并作为深度卷积神经网络的输入,通过残差学习训练深度卷积神经网络模型,提取2维灰度图像的深层特征,将测试数据输入到训练好的模型中,完成基于图像分类的频谱感知。实验结果表明：与传统的频谱感知方法相比,在低信噪比(SNR)下、多用户协作感知时,所提方法具有更高的检测概率和更低的虚警概率。     

CNN联合BI-LSTM混合模型的手势识别算法

基于视觉的手势识别是人机交互的热点.针对手势图像易受环境影响造成部分图像缺失,进而导致手势识别精度难以提升的问题,提出了一种基于静态手势图片数据的卷积神经网络(CNN)联合双向长短时记忆循环神经网络(Bi-LSTM)的混合模型.通过随机擦除算法处理手势数据集,可以充分模拟手势缺失问题,首先利用CNN提取手势的空间特征,...     

基于时空压缩特征表示学习的毫米波雷达手势识别算法

针对现有无线射频信号的手势识别研究中的数据预处理和特征利用问题,该文提出一种用于调频连续波(FMCW)雷达的时空压缩特征表示学习的手势识别算法。首先对手部反射的毫米波雷达回波信号的距离-多普勒(RD)图进行静态干扰去除和动目标点筛选,减少杂波对手势信号的干扰,同时减少计算数据量;然后提出一种压缩手势时空特征的表示方法,利用动目标点的主导速度来表示手势的运动特征,实现多维特征的压缩映射,并保留手势运动的关键特征信息;最后设计了一个单通道的卷积神经网络(CNN)来学习和分类多维手势特征信息并应用于多用户和多位置的手势识别。实验结果表明,与现有其他手势识别算法相比,该文提出的手势识别方法在识别精度、实时性以及泛化能力上都具有明显的优势。     

基于信噪比分类网络的调制信号分类识别算法

针对传统降噪算法损伤高信噪比(SNR)信号而造成信号识别准确率下降的问题,该文提出基于卷积神经网络的信噪比分类算法,该算法利用卷积神经网络对信号进行特征提取,用固定K均值(FK-means)算法对提取的特征进行聚类处理,准确分类高低信噪比信号。低信噪比信号采用改进的中值滤波算法降噪,改进的中值滤波算法在传统中值滤波的基础上增加了前后采样窗口的关联性机制,来改善传统中值滤波算法处理连续噪声效果不佳的问题。为充分提取信号的空间特征和时间特征,该文提出卷积神经网络和长短时记忆网络并联的卷积长短时(P-CL)网络,利用卷积神经网络和长短时记忆网络分别提取信号的空间特征与时间特征,并进行特征融合与分类。实验表明,该文提出的调制信号分类模型识别准确率为91%,相比于卷积长短时(CNN-LSTM)网络提高了6%。     

分离通道联合卷积神经网络的自动调制识别

针对通信信号的自动调制识别需要大量特征提取的问题,提出了一种分离通道卷积神经网络自动调制识别算法。该算法通过结合深度学习中卷积神经网络(CNN),分别提取时域信号的多通道和分离通道调制特征,再利用融合特征实现不同信号的分类。仿真结果表明,相比基于CNN的算法,所提算法在高信噪比下针对两个数据集的识别率分别提升7%和18%;此外,相比于基于特征提取的传统识别算法,其高阶调制识别性能平均提升3 dB。     

基于FCNN和ICAE的SAR图像目标识别方法

近年来,基于卷积神经网络(Convolutional Neural Network, CNN)的合成孔径雷达(Synthetic Aperture Radar, SAR)图像目标识别得到深入研究。全卷积神经网络(Fully Convolutional Neural Network, FCNN)是CNN结构上的改进,它比CNN能获得更高的识别率,但在训练过程中仍需要大量的带标签训练样本。该文提出一种基于FCNN和改进的卷积自编码器(Improved Convolutional Auto-Encoder, ICAE)的SAR图像目标识别方法,即先用ICAE无监督训练方式获得的编码器网络参数初始化FCNN的部分参数,后用带标签训练样本对FCNN进行训练。基于MSTAR数据集的十类目标分类实验结果表明,在不扩充带标签训练样本的情况下,该方法不仅能获得98.14%的平均正确识别率,而且具有较强的抗噪声能力。      

Applying Improved Convolutional Neural Network in Image Classification

In order to solve the poor accuracy problem which caused by the gradient descent easily fail into local optimum during the training process and the noise interference in process of feature extracting. This paper presents an integrated optimization method of simulated annealing (SA) and Gaussian convolution based on Convolutional Neural Network (CNN). Firstly, the improved algorithm extract some features from the central feature of a model as priori information, and find the optimal solution as initial weights of full-connection layer by simulating annealing, so as to accelerate the weight updating and convergence rate. Secondly, using the Gaussian convolution method, this paper can smooth image to reduce noise disturbing. Finally, the improved integrated optimization method is applied to the MNIST and CIFAR-10 databases. Simulation results show that the accuracy rate of the integrated network is improved through the contrastive analysis of different algorithms.

     

融合残差SENet的毫米波大规模MIMO信道估计

在户外光线追踪场景下,针对毫米波大规模多输入多输出(Multiple-Input Multiple-Output, MIMO)系统受户外环境噪声干扰导致估计精度低的问题,提出了一种融合残差挤压激励网络(Squeeze-and-Excitation Network, SENet)的条件生成对抗网络的信道估计方法。该方法采用条件生成对抗网络将低分辨率接收信号重建为高分辨率的原始信号完成信道估计,同时在生成器网络中引入SENet网络模块来抑制户外场景下显著性噪声干扰,提高估计精度;最后将残差网络中的残差块添加到SENet的放缩操作后,提高条件生成对抗网络的收敛速度。仿真结果表明,相较于正交匹配追踪算法、卷积神经网络、去噪卷积神经网络和条件生成对抗网络算法,所提方法在户外噪声环境下估计精度平均提高了约2.2 dB,且在高噪声强度下估计精度的提高更为显著。     

基于卷积神经网络联合多域特征提取的干扰识别算法

干扰识别技术是智能抗干扰通信系统中的关键技术,通过对接收信号中干扰类型的准确判别,可为无线通信系统生成最佳的抗干扰方式提供决策依据。针对无线通信系统中典型压制式干扰的识别问题,本文提出了一种基于卷积神经网络联合多域特征提取（Convolutional Neural Network-based Joint Multi-Domain Feature Extraction,CNN-JMDFE）的干扰识别算法,通过CNN同时对两种预处理增强的数据对象:时频图像与频域序列提取干扰特征,有效利用了两种数据对象的优势,提升了干扰识别性能。仿真结果表明,在对于包含动态和参数随机的干扰识别场景下,CNN-JMDFE算法在干噪比（Jamming-to-Noise Ratio,JNR）≥-2 dB时可准确识别14种类型的干扰,识别性能明显优于基于时频图像或频域序列单一数据对象的基于卷积神经网络自动特征提取（Automatic Feature Extraction-based Convolutional Neural Network,AFE-CNN）算法;与传统的人工特征提取的深度神经网络（Manual Feature Extraction-based Deep Neural Network,MFE-DNN）相比,本文算法显著提升了在低JNR下分类准确率,增强了干扰特征的抗噪性能;对于复合干扰,本文算法同样可取得良好的分类效果,当JNR≥0 dB时可准确分类10种复合干扰。      

一种易于初始化的类卷积神经网络视觉跟踪算法

该文针对视觉跟踪中运动目标的鲁棒性跟踪问题,基于主成分分析(PCA)和卷积神经网络(CNN),提出一种易于初始化的类CNN提取深度特征的视觉跟踪算法。该算法首先利用仿射变换对原始图像进行处理,然后对归一化尺寸的图像进行分层PCA学习,将学习得到的PCA特征向量作为CNN结构中的各阶滤波器,完成特征提取网络的初始化,再利用特征提取网络获取目标的深层次表达。最后结合粒子滤波,利用一个简单的逻辑回归分类器通过分类估计实现目标跟踪。结果表明,利用这种易于初始化的CNN提取到的深度特征能够有效地区分目标和背景,具有很好的可区分性,提出的视觉跟踪算法对光照变化、尺度变化、遮挡、旋转和摄像机抖动等都具有良好的适应性,在许多视频序列上表现出了较好的鲁棒性和准确性。     

基于多模复合探测方法的无人艇目标识别研究

随着水面无人艇技术的不断发展和应用,其对于舰船的威胁程度也日益加剧。以末敏弹打击水面无人艇为背景,为了提升多元激光/红外/毫米波探测器对水面小型目标的识别性能,提出了一种基于多通道卷积神经网络(Multi Channel Convolutional Neural Network,MCCNN)和极端梯度提升决策树(Extreme Gradient Boosting,XGBoost)的复合探测信号识别方法MCCNN XGB,同时构建了单通道CNN识别网络与基于人工特征提取的XGBoost识别算法作为对照,最终通过水面目标无人机载探测试验数据对上述三种模型的目标识别性能进行评估与对比。测试结果表明,基于MCCNN XGB的识别算法表现最佳,测试准确率达到了97.26。本文所提出的识别方法能够有效进行复合探测信号的特征提取,并且能够降低误识别率与漏识别率,具有较好的识别效果。     

Human object interaction detection based on feature optimization and key human-object enhancement

Aiming at the problem of unclear or missing human object interaction behavior objects in complex background, we propose a human object interaction detection algorithm based on feature optimization and key human-object enhancement. In order to solve the problem of missing human behavior objects, we propose Feature Optimized Faster Region Convolutional Neural Network (FOFR-CNN). FOFR-CNN is an object detection network optimized by multi-scale feature optimization algorithm, taking into account both image semantics and image structure. In order to reduce the interference of complex background, we propose a Key Human-Object Enhancement Network. The network uses an instance-based method to enhance the features of interactive objects. In order to enrich the interaction information, we use the graph convolutional network. Experimental results on HICO-DET, V-COCO and HOI-A datasets show that the proposed algorithm has significantly improved accuracy and multi-scale object detection ability compared with other human object interaction algorithms.