基于注意力机制的残差网络超分辨率重建方法

针对现有方法在图像超分辨率重建中高频信息遗漏的问题,提出一种基于注意力机制的多层嵌套残差网 络超分辨率重建方法,对不同的频次信息采用不同的特征提取方案。利用跨越残差网络结构将前端的特征信息利用 恒等映射连接直接传送到后端的注意力机制模块,添加注意力机制的多层嵌套残差网络来捕捉原始图像中隐含的特 征信息,通过深度并行残差网络结构融合图像特征信息。实验结果表明,改进后算法可有效提高图像超分辨率重建 精度。     

深度学习轻量化侦察图像压缩网络

为了满足小型侦察平台对低复杂度图像编码算法的应用需求,提出基于深度学习轻量化侦察图像压缩网络。轻量化侦察图像压缩网络编码端利用三个卷积模块直接将图像映射为服从均匀分布的二进制码流,得到压缩数据;在卷积模块中采用深度可分离卷积、分组卷积+通道重排等方式降低了编码端参数量和计算量。轻量化侦察图像压缩网络解码端采用转置卷积和残差连接等方式提高特征提取能力,进而提高解码图像质量。对分辨率为128×128实际采集图像的测试结果表明,与JPGE2000算法相比,基于深度学习轻量化侦察图像压缩网络PSNR提高了3.85 dB,编码时间降低了91%,实现了图像的轻量化编码压缩。     

基于改进的期望值最大化自适应光学图像多帧迭代去卷积算法

为提高自适应光学图像复原的效果,基于期望值最大化理论,提出了一种基于改进期望值最大化（EM）算法的自适应光学（AO）图像多帧联合去卷积算法。通过建立多帧AO图像退化的数学模型,推导出基于相位误差并随时间变化的点扩散函数(PSF)模型,根据图像功率谱密度及约束图像支持域的方法对AO图像进行去噪处理。应用AO成像系统参数与正则化技术相结合对EM算法进行改进,建立多帧AO图像联合去卷积的代价函数及其参数估计的优化模型。利用所建模型对模拟图像和实际观测的AO图像进行图像复原实验验证文中算法的复原效果。实验结果表明,与Wiener迭代盲去卷积、Richardson-Lucy迭代盲去卷积算法相比,文中算法迭代次数减少14.3%,估算精度有了明显提高,辨识出了AO图像的PSF,复原出了清晰的观测目标图像。研究结果对实际AO图像复原有一定的应用价值。     

基于立体视觉的3 维模型重建

为实现智能机器人清晰把握周围环境的3 维信息,提出一种基于坐标变换的3 维模型重建方式。采用双 目立体视觉结构,经过图像获取、摄相机标定-校正、立体匹配和3 维特征提取等操作,获取单一视图下物体的3 维 几何信息。将多个不同坐标系下的3 维几何信息归一化为同一坐标系下的信息,并选取具有代表性的长方体纸箱进 行实验验证。结果表明：该方法能实现3 维模型的重建工作,对环境几何信息的理解和避障导航有一定的参考价值。     

基于改进YOLOv3的合成孔径雷达图像中建筑物检测算法

传统合成孔径雷达（SAR）图像中建筑物检测算法主要是在特定场景下通过人工提取特征进行特定类别的建筑物检测,存在平均检测精度不高、检测效率低的问题,为此提出一种基于改进YOLOv3的SAR图像中建筑物检测算法,通过深度学习实现建筑物的自动检测。制作SAR图像中建筑物数据集,针对建筑物的尺寸特点,通过改进的K均值聚类算法重新设置先验框大小;在结构上借鉴深度神经网络的聚合残差转换思想,将YOLOv3骨架网络中用于构建特征层的单路卷积残差模块改进为多路卷积残差模块,提高通道信息利用率的同时降低计算量;加入浅层特征融合模块,增加特征图中建筑物的形状特征所占比重,在特征融合层之前,使用转置卷积进行上采样,增加细节特征;使用改进YOLOv3算法进行建筑物检测模型的训练,并在测试集上进行测试。实验结果表明,相比原始YOLOv3算法,改进YOLOv3算法在SAR图像中建筑物数据集上平均检测精度提高了9.2%,召回率提高了6.3%,同时保持了较快的检测速度。     

作战辅助系统中基于深度学习的投影图像颜色补偿方法

为了在复杂环境下实现显示系统的快速布置，提高现代战争中野外指挥系统建立的机动性，提出一种基于深度学习的投影图像颜色补偿方法，实现大规模数据在任意复杂颜色平面的可视化显示。该方法利用端到端的深度学习网络，基于一个模型和一个目标函数，规避了深度学习中多模块固有的缺陷；通过增加CompenNet网络层数，增加训练模型中图像特征的提取数量；采用改进的损失函数SSIM+Smooth L1计算图像相似度，增强损失函数的鲁棒性和稳定性，同时加快网络的收敛速度。实验结果显示，改进的CompenNet网络在相同24个数据集上训练迭代1 000次后，生成的图像峰值信噪比平均值提高5.54%，结构相似性平均值提高0.14%，均方根误差平均值降低0.14%，人眼主观感知投影效果也表现得更好。     

基于改进卷积神经网络的工频水下磁目标探测

针对工频水下磁目标信号特征提取难、目标数据样本少、识别精度低等问题，提出一种基于深度卷积生成对抗网络(DCGAN)与优化卷积神经网络(CNN)相结合的水下工频磁目标识别方法。该方法通过滑动时间窗将信号由一维时序空间映射到二维灰度值图像，将实测水下磁异常信号利用DCGAN进行数据增强，之后构建卷积神经网络并引入DY-ReLU动态激活函数对CNN网络结构进行优化，以达到对目标信号的分类识别的目的。实验结果表明，经由数据增强的网络模型识别率提高了10%;相较于其他常用的静态激活函数，优化的CNN识别率分别提高了4.5%、4%、3%和2.5%,识别精度达到92.5%。验证了该方法的有效性，为水下磁异常检测提供一种新思路。     

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。     

空中侦察图像立体重建方法研究

基于双目视觉原理，通过对空中侦察所拍摄的相邻两帧不同角度的二维侦察图像的匹配和分析计算，重建出相应区域的地面三维立体模型，并通过纹理映射等方法得到较为逼真的侦察区域立体影像，恢复出了侦察区域的三维场景概貌。     

基于深度卷积生成对抗网络的航拍图像去厚云方法

针对航空图像中厚云去除的难题,提出一种基于深度卷积生成对抗网络的航拍图像去厚云方法。将图像中被云遮挡的区域看作图像修复问题中的缺失部分,利用卷积神经网络的对抗学习补偿缺失信息。设计了包括生成器-鉴别器的深度卷积生成对抗网络模型。生成器采用编码器-解码器结构,构建了包含重建损失、对抗损失和总变差损失的联合损失函数,不断训练以生成云区的预测图像;鉴别器衡量生成图像的真实性,以对抗损失作为损失函数。通过不断迭代联合优化生成器和鉴别器,以使网络预测性能提高。引入泊松图像编辑平滑边界,以降低颜色差异和边界伪迹的影响。在模拟含云图像与真实含云图像上实验结果表明,所提出方法的去云效果在峰值信噪比、结构相似性、自然图像无参考质量评价算法及其改进算法指标优于经典方法,更符合人眼主观感受,且具有较小的运算复杂度。     

基于字典学习的实时运动目标跟踪算法

采用提取图像的尺度不变特征可以获得较好的匹配跟踪效果,但该特征提取方法比较耗时。针对这一问题,提出了一种鲁棒的实时目标跟踪方法。该方法通过提取目标的多尺度平移、旋转特征来构建字典,提高了算法的鲁棒性。利用所构建的字典来表示待跟踪目标集特征,查找与目标模板最近邻的待跟踪目标,即可确定跟踪的最终结果。试验结果表明,这种基于字典学习的实时跟踪算法可以鲁棒实时地跟踪单目标。     

基于深度学习的红外图像遮挡干扰检测方法

红外成像体制进行目标探测和识别时,烟幕、云雾等遮挡类干扰会改变目标特征导致目标识别错误。通过对遮挡干扰区域进行定位和类型判断,在识别处理时进行针对性处理可大大降低识别虚警率,提高识别的抗干扰能力。为此,提出一种基于深度学习单通道检测器改进的红外图像厚云、烟幕遮挡干扰检测方法。该方法通过网络多层特征的复用和融合,实现了多尺度预测;利用动态锚框模块改进锚框机制,提高了检测精度;将网络中的卷积层与批归一化层合并,提高了检测速度;引入中心损失函数对分类函数进行优化,提高了网络对遮挡物的分类能力。在网络训练过程中,提出一种红外样本增广方法,对数据量进行有效扩充,解决了红外图像训练样本获取难的问题。实验结果表明,与未改进前的算法相比,在速度基本相同情况下改进的遮挡干扰检测方法检测精度提高3.7％,有效地解决了复杂环境下红外自动目标识别系统抗干扰能力较弱的问题。     

复杂场景下自适应特征融合的图像运动目标跟踪算法研究

针对目标跟踪所面临的尺度变化、快速运动导致的跟踪漂移或失败问题,提出一种复杂场景下自适应特征融合的图像运动目标跟踪算法。本文分别设计了目标分类和目标估计模块,并将其有效结合。在目标分类模块,设计了一种自适应特征融合机制。该机制融合了多层深度特征以实现有效的在线跟踪。此外,设计的联合更新策略通过优化投影矩阵层和相关层,在处理运动模糊、严重目标形变时具有更强的鲁棒性。在目标估计模块,引入IoU(Intersection over Union)最大化的理念,预测目标和估计边界框之间的IoU分数,在跟踪过程中,通过使用梯度上升最大化IoU分数来估计目标状态,获得更加精确的边界框。实验结果表明,本文所提出的算法具有更出色的跟踪性能,其在OTB100, UAV123及LaSOT数据集上的S_AUC分别为70.1%, 47.6%和51.6%,优于其他相关算法。     

基于特征增强与损失优化的水下遮挡目标检测算法

针对水下探测机器人在海洋作业时由于目标密集、形态重叠等原因容易产生误检、漏检的问题，提出一种基于特征增强与损失优化的水下遮挡目标检测算法。算法以YOLOv4骨干网络为基础，首先在随机通道上引入邻域融合的残差结构模块，通过通道注意力机制，提升通道的信息交互能力；其后，利用α-IoU优化CIoU-Loss损失函数，并采用真值排斥因子与预测排斥因子改进坐标回归损失函数，提高目标位置回归的精度；最后，针对水下图像数据干扰信息多的问题，采用基于密集度引导的自适应非极大值抑制方法完成对输出信息的处理，提升目标检测的召回率。通过对水下海洋生物的检测实验，算法在通用场景与密集遮挡场景下目标探测的mAP值分别提高了1.43%和4.4%,验证了算法的有效性。     

基于非下采样轮廓波变换与引导滤波器的红外及可见光图像融合

为克服传统融合方法对灰度相关性较弱的红外与可见光图像融合存在的不足,提出一种基于 非下采样轮廓波变换（NSCT）与引导滤波器的融合方法。利用NSCT对源图像进行多尺度多方向分解,分离出包含在不同频带内的特征信息,得到一个低频近似图像和多个高频方向细节图像;局域窗口加权平均能量和改进拉普拉斯能量分别作为低频近似图像的活性测度,构造显著特征图对近似图像进行加权平均,以解决能量保持和细节提取两个关键问题;在方向细节图像中,基于活性测度取大规则获得决策映射图,将源图像作为引导图、决策映射图作为输入图像进行引导滤波,得到权重分配图,对方向细节图像进行加权平均,降低噪声的敏感度。对融合后的近似图像和方向细节图像进行NSCT逆变换,得到最后的融合图像。采用多组红外与可见光图像进行融合实验,并对融合结果进行客观评价。实验结果表明,该融合方法在主观和客观评价上均优于已有文献的一些典型融合方法,如基于两尺度分解的引导滤波融合方法、NSCT域内稀疏表示融合方法、基于像素显著性的交叉双边滤波融合方法、基于深度学习的卷积神经网络融合方法、基于显著性检测的双尺度融合方法,可获得更好的融合效果。     

基于改进Focus的小目标检测技术

为解决深度神经网络模型小目标检测效果不佳的问题,对Focus结构进行改进,提出一种即插即用的轻量级结构Focus+。搜集相关图像并建立包含5类目标的军事小目标数据集,将Focus+插入常用的目标检测模型,使用不同尺度的输入进行了多组对比实验。实验结果表明：引入Focus+模块后,模型检测的平均精度均值平均提高了0.8 %,说明其能够在占用较少算力的同时提取到浅层网络的高分辨率特征,有效提高小目标的检测精度。     

一种基于边缘匹配的前视红外目标识别算法

红外目标识别是影响精确制导武器命中精度的重要因素。针对因基准图与实时图存在差异导致模板匹配性能下降的问题,提出了一种基于边缘匹配的前视红外（FLIR）目标识别算法。在模板匹配的基础上,利用目标的邻域信息排除虚警,计算基于匹配代价矩阵的匹配置信度对候选匹配点进行排序,利用前面连续多帧图像的识别结果为当前帧识别提供信息,从而提高目标识别的准确性和鲁棒性。在2组不同目标类型的红外视频序列上所做的实验表明,该算法具有较好的识别性能。     

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。     

基于改进YOLO V3的海上弹着点水柱信号检测算法

在海上实弹射击训练的过程中，快速、准确地检测出弹着点处水柱信号对评估射击效果具有重要意义。针对传统的人工检靶方式效率低、误差大，且无法分辨重叠弹着点的问题，结合深度学习理论，提出了一种基于改进YOLO V3的目标检测算法。在网络输入端利用Mosaic数据增强方式，丰富了检测物体的背景和小目标，降低了网络训练门槛。将Mish函数作为网络基本组件中的激活函数，提高了网络泛化能力。构建新的检测模块，将输入的特征信息分为两个分支，通过特征压缩与拼接，实现通道间信息交互。同时，对不同尺度的特征进行融合，提高网络特征提取能力。目标数据集的实验结果表明，改进后的YOLO V3算法平均准确率提高了5.39%，达到了82.64%，检测速度由27.74 FPS提高到了29.61 FPS，可以更好地完成海上弹着点水柱信号检测任务。     

基于改进快速区域卷积网络的目标检测轻量化算法

基于深度学习的目标检测算法已成为合成孔径雷达（SAR）图像目标检测任务的主流。深层网络通常具有大量参数,运行速度不能满足实时要求,难以在资源受限的设备(如移动端)上部署。考虑到对模型实时性和可移植性的要求,对双阶段目标检测算法快速区域卷积神经网络进行轻量化改进,比较不同改进方法对算法速度与精度的影响。结合SAR图像的特点,优化轻量化模型,与单阶段目标检测算法的单脉冲多盒检测网络对比。仿真实验结果表明,改进轻量化模型在保持原有精度水平下,模型占用内存和算法运算量大大减少,可有效满足SAR图像目标检测的实时性要求。