基于时间卷积网络的通信信号调制识别算法

针对基于深度学习的端到端调制识别方法存在识别率较低、神经网络参数量大的问题,提出了一种基于时间卷积网络(Temporal Convolutional Network, TCN)的调制识别算法。利用一维因果膨胀卷积,提取信号的时域和频域特征,并加入批归一化(Batch Normalization, BN)和Dropout提高算法的拟合能力;使用全局平均池化(Global Average Pooling, GAP)层替代Flatten层,整合向量特征信息,进一步实现信号的准确分类。在RML 2016.10a数据集上验证了TCN算法的识别性能,在不同信噪比(Signal to Noise Ratio, SNR)下对11种调制信号的平均识别率达到62.3%,与CNN,LSTM和SCRNN算法相比分别提高了10.5%、4.1%、1.1%,参数量分别降低了98.8%、82.5%、91.2%。所提方法对于通信调制信号识别的研究领域具有理论参考价值,对复杂环境下的空间信号智能分类的研究具有工程借鉴意义。     

低秩大模板二维卷积算法的脉动阵列设计

本文针对低秩大模板二维卷积运算的特点,给出了其快速算法,并利用基于相关图的三步骤映射法设计了其脉动阵列实现结构。该结构并行效率高,并可达到线性加速比。     

应用GhostNet卷积特征的ECO目标跟踪算法改进

为了减少有效卷积算子(ECO)跟踪算法的特征提取网络参数量和计算量,采用了一种基于端侧神经网络(GhostNet)改进的ECO目标跟踪算法.首先,采用GhostNet网络作为主干特征提取网络提取图像浅层与深层的卷积特征,运用全局平均池化对卷积特征下采样增加特征对图像的表征能力;其次,将卷积特征与手工特征插值后,与当前滤...     

利用低秩先验的噪声模糊图像盲去卷积

单幅图像盲去卷积的目的是从一幅观测的模糊图像估计出模糊核和清晰图像。该问题是严重病态的,尤其是观测图像中噪声不可忽略时更具挑战性。该文主要针对如何有效利用低秩先验约束进行噪声模糊图像盲去卷积问题,提出一种在交替最大后验(MAP)估计框架下利用低秩先验约束的单幅噪声模糊图像盲去卷积方法。首先,在估计中间复原图像时,利用低秩先验约束对复原图像中的噪声进行抑制。然后,采用降噪后的中间复原图像估计模糊核,得到更好质量的模糊核估计。迭代上述两个操作获得最终可靠的模糊核估计。最后,根据所估计的模糊核,通过非盲去卷积方法复原出清晰图像。实验结果表明：所提方法在定量和定性评价指标上优于已有的代表性方法。     

基于低秩分解和卷积稀疏编码的多源图像融合

针对卷积稀疏编码能够较好地保留图像信息特征的这一特点,提出基于低秩分解和卷积稀疏编码的多源图像融合方法.为了避免图像分块处理对图像结构的影响,将每幅待融合图像进行全局处理.首先,通过低秩分解将图像分解成低秩和稀疏两部分;接着,对稀疏部分进行卷积分解,可以训练得到一组稀疏滤波器字典,再将卷积稀疏编码应用到图像的融合中;然...     

基于改进YOLOv5s的道路裂缝检测算法

为了解决道路巡检系统光学传感器采集的裂缝图像中颜色特征不明显且尺寸不规则造成检测精度不高、泛化能力不足的问题,提出改进YOLOv5s的裂缝检测算法。将结合深度可分离卷积(Depthwise Separable Convolution, DSC)的全局注意力(Global Attention Mechanism, GAM)引入主干特征提取网络,在降低注意力复杂度的同时获得丰富的跨维度特征,增强了裂缝的识别能力;采用空间金字塔软池化网络(Spatial Pyramid Softpool, SPSF),通过Softpool池化保留多维语义以减少信息弥散,提高了边界框回归的准确性;在颈部特征增强网络,运用空洞深度可分离卷积(Atrous DSC)进行下采样,通过扩大感受野加强深层和浅层信息的聚合能力,提高裂缝识别的泛化性。经过在自制道路裂缝数据集上的实验,相较于YOLOv5s,改进算法的mAP提高2.2%,有效提升了道路裂缝检测的准确性和对不同背景下裂缝识别的泛化能力。     

基于低秩稀疏分解的红外弱小目标检测算法研究进展

红外探测系统具有隐蔽性好、抗干扰能力强等特点,广泛应用于军事和民用领域,红外弱小目标的检测是红外探测系统中的重要组成部分,已成为了当前的研究热点。近年来,学者们在基于低秩稀疏分解的红外弱小目标检测算法研究方面取得了丰硕的成果,为此,重点阐述了基于低秩稀疏分解的红外弱小目标检测算法的研究现状和研究进展。从背景分量约束、目标分量约束和联合时域信息约束等3个方面详细地综述了基于低秩稀疏分解的红外弱小目标检测算法。首先把背景分量约束划分为块图像的低秩约束、张量的低秩约束和全变分约束,其次从目标的稀疏性表示和融合局部先验的目标分量加权策略两方面分析了目标分量的约束,然后分析了联合时域信息约束,将典型的基于低秩稀疏分解的检测算法和单帧检测算法进行了性能对比,最后讨论了该领域下一步的研究方向。     

复杂海背景下的自适应舰船目标检测

光学遥感图像海面舰船目标检测易受云雾、海岛、海杂波、阴影等多种复杂因素的干扰。同时,由于卫星遥感图像的幅宽较大,若需要满足实时检测和硬件移植的需求,还要考虑算法的计算量和可移植性。鉴于实际工程的需要,本文提出了一种基于视觉显著性适用于复杂背景下的自适应舰船目标快速定位与检测方法。本算法首先基于图像梯度自适应获取全局最优尺度,通过谱残差显著性模型获得全局显著性区域。对于显著区域局部存在全局阈值分割效果不佳的区域(称为复杂区域),本文通过设计轮廓等形状特征来筛选出局部复杂区域,并对其进一步计算显著图,之后将处理结果与原显著图进行融合,获取最终的疑似区域提取结果。最后使用支持向量机对候选区域进行进一步判别。结果表明,本文算法可以有效检测出复杂背景下不同尺寸和方向的舰船目标区域,算法检测正确率为91.4%,召回率为91.2%,优于大多数同类算法,接近深度学习算法精度。同时在算法体量上,本文算法的计算量和参数量远远低于大多数深度学习框架,更适合硬件移植,同时算法的迁移性更强,易于修改和维护。     

深度密集卷积神经网络协同检测的多聚焦图像融合方法

针对传统方法不能充分挖掘图像聚焦关联信息导致融合细节失真的问题,提出了一种基于深度密集卷积神经网络协同检测的多聚焦图像融合方法。将多聚焦源图像进行集成实现协同聚焦特征检测,利用深度密集卷积神经网络的特征复用、低级特征与高级特征相结合等特点,来加强多聚焦图像特征表达能力,可以更好地挖掘图像语义信息。采用多尺度金字塔池化策略聚合不同聚焦区域的全局上下文信息,增强聚焦与离焦的区分能力,得到粗略融合概率决策图。进一步采用卷积条件随机场对其进行优化,获得精细化概率决策图,最终得到细节保持的融合图像。将一对多聚焦图像合并为6通道送入网络进行训练,保证了训练时聚焦图像相关性。利用公开数据集对提出的融合方法进行主观与客观评价,实验结果表明该方法具有较好的融合效果,能够充分挖掘聚焦关联信息、保留足够的图像细节。     

复杂背景下红外目标的检测算法研究

复杂背景下红外目标的检测一直都是研究的重点和难点,在总结国内外现有算法研究的基础上,针对非独立同分布情况下的目标运动提出了一种新的检测算法.该算法首先建立了GLR和GALR两个模型,然后在此基础上对影响检测算法性能的两个主要参数--虚警概率和平均检测延时进行了分析和计算,最后对两种模型进行了对比和仿真验证,结果表明在低信噪比的环境下检测算法的有效性和可行性.     

基于改进CenterNet的航拍图像目标检测算法

为提高航拍图像目标检测精度以及检测速度,提出了基于自适应阈值的改进CenterNet航拍图像目标检测算法.以目标的中心点作为关键点代替锚框进行分类和边界回归,设计自适应阈值预测分支对预处理结果进行筛选优化.同时设计了编码-解码结构的主干网络,通过可变形空洞卷积结构以及基于注意力机制的卷积连接结构,将浅层空间信息以及深层...     

基于局部多尺度低秩分解的红外小目标检测算法

针对红外低秩块模型计算复杂度大,容易误判等不足,提出了一种更加有效的红外小目标局部多尺度低秩分解检测算法。该算法首先利用非下采样金字塔变换对红外小目标图像做多尺度分解;接着,将分解出的高频子带进行融合,通过融合后的高频信息提取出目标感兴趣区域;最后,利用红外小目标背景的非局部自相关性质对感兴趣区域进行分块,并对各块进行重新排列构成一个新的矩阵;最后,对该矩阵做低秩分解,提取出红外小目标。实验结果表明,与其他低秩分解类方法相比,所提出算法速度更快,提取效果更好,是一种性能优越的方法。     

基于多尺度低秩模型的网络异常流量检测方法

现有刻画流量异常检测所需的流特征集通常是高维的,增加了检测和分类的复杂度。通过研究发现网络中异常通常是稀疏性分布的,单个异常仅仅表现在低维流特征中。基于这一现象提出了一种异常流量检测模型—多尺度低秩(MRLR,multi-resolution low rank)模型,该模型能够动态筛选出"合适的"特征集并准确分类异常。基于人工标记的实际网络流量异常和注入异常的数据集验证结果表明:MRLR对特征集的缩减率可达10%以下;并且基于MRLR的分类算法复杂度为O(n)。     

动态背景下基于低秩及稀疏分解的动目标检测方法

针对背景运动引起动目标检测精度显著下降的问题,该文提出一种基于低秩及稀疏分解的动目标检测方法。所提方法首先引入伽马范数($\gamma {\rm{ - norm}}$)近乎无偏地逼近秩函数以解决核范数过度惩罚较大奇异值从而导致所得最小化问题无法获得最优解进而降低检测性能的问题,而后利用${L_{{1 / 2}}}$范数抽取稀疏前景目标以增强对噪声的稳健性,同时基于虚警像素所具有稀疏且空间不连续特性提出空间连续性约束以抑制动态背景像素,进而构建目标检测模型。最后利用基于交替方向最小化(ADM)策略扩展的增广拉格朗日乘子(ALM)法对所得优化问题求解。实验结果表明,与现有主流算法对比,所提方法可显著改善动态背景情况下动目标检测精度。     

基于卷积神经网络的低截获概率雷达信号检测算法

为了解决雷达截获接收机对低截获概率(LPI)雷达信号检测效果不理想的问题,针对截获信号中有效信号脉宽长度来定义信号和噪声,该文提出一种基于卷积神经网络(CNN)的LPI雷达信号检测方法,利用卷积核与匹配滤波器结构上的相似性,在低信噪比下能够提高信号的检测准确率。利用大量的基于4种典型LPI雷达信号(线性调频信号(LFM)、非线性调频信号(NLFM)、二相编码信号(BPSK)、COSTAS频率编码信号)和白噪声信号的模拟数据集进行CNN模型训练,同时增加少量实测信号(LFM, BPSK)作为验证集进行适配,更好地拟合实测信号的检测模型。最终利用实际信号进行测试,实验结果表明：该文算法在低信噪比的情况下具有较好的检测效果,对多种调制方式、不同信噪比下的LPI雷达信号具有泛化能力。     

基于全卷积网络的复杂背景红外弱小目标检测研究

针对复杂背景红外弱小目标检测过程中存在的检测误差率高,检测时间过长等问题,提出基于全卷积网络的复杂背景红外弱小目标检测方法。分析复杂背景红外弱小目标检测的研究进展,找出不同方法的缺陷,采集红外图像,提取目标检测特征,并采用全卷积网络设计弱小目标检测的分类器,实现复杂背景红外弱小目标检测。实验结果表明,该方法的复杂背景红外弱小目标检测精度超过97%,具有较高的实际应用价值。