基于CNN 的多目标航迹融合算法

针对传统的航迹融合算法精度较低、计算过程需要先验状态估计的缺点,提出了一种基于卷积神经网络(CNN)的航迹融合算法。各局部航迹在融合中心已经过时空校准和航迹关联。由于目标运动轨迹具有时间相关性的特点,采用连续多周期的局部航迹估计,结合深度学习积累经验的能力,解析出当前时刻的更精确的系统航迹估计,实现航迹融合。实验表明,该种融合算法能够处理具有共同过程噪声复杂环境干扰下的综合误差,并且在不同传感器和环境情况下,以相同的CNN模型结构训练,融合后的系统航迹误差均方差都低于各局部航迹误差均方差,证明了该算法能够提高航迹精度,具有可行性。     

基于改进的全卷积网络的视频摘要算法

面对海量的视频数据,视频摘要技术在视频检索、视频浏览等领域发挥着越来越重要的作用,其旨在通过生成简短的视频片段或选择关键帧集合来获取输入视频中的重要信息.现有的方法大多集中在研究视频摘要的代表性和多样性上,没有考虑到视频结构等多尺度上下文信息.针对上述问题,提出了一种基于全卷积序列网络的视频摘要模型,模型中利用时间金字...     

基于图像差分与卷积深度置信网络的表情识别

针对传统的人脸表情识别方法中提取表情特征时 没有去除个体性差异及突出表情关键部位的高层次 特征,本文提出一种将图像差分与改进的卷积深度置信网络(CDBN)相结合的表情识别方法 。首先对人 脸表情图片进行裁剪、降维等预处理,之后将各类表情图像与中性表情图像做差分运算提取 各类表情的差 分图像,为了提取表情关键部位的深层次特征,本文将卷积受限玻尔兹曼机(CRBM)的可见层 单元划分为多 个区域,分区进行特征学习,并将此CRBM堆叠起来,形成分区卷积深度置信网络(PCDBN), 之后将各表 情的差分图像作为PCDBN可视层的输入,并利用对比散度算法逐层训练网络,最后在顶层添 加softmax 分类器作为输出层以实现表情识别。在JAFFE和CK+表情库上的实验结果均达到了95%以上的识别率,扩 大训练样本后,在CK+表情库上的识别率可达99%以上。     

自适应航迹融合算法研究

本文主要推导了多传感器下航迹融合的自适应航迹融合算法,自适应融合算法的最大优点是对系统特性的变化具有自动适应能力。     

基于多模型深度卷积网络融合的人群计数算法

为了避免景深和遮挡的干扰, 提高人群计数的准确性, 采用了LeNet-5, AlexNet和VGG-16 3种模型, 提取图像中不同景深目标的特性, 调整上述模型的卷积核尺寸和网络结构, 并进行了模型融合。构造出一种基于多模型融合的深度卷积神经网络结构, 网络最后两层采用卷积核大小为1×1的卷积层取代传统的全连接层, 对提取的特征图进行信息整合并输出密度图, 极大地降低了网络参量且取得了一定提升的数据, 兼顾了算法效率和精度, 进行了理论分析和实验验证。结果表明, 在公开人群计数数据集shanghaitech两个子集和UCF_CC_50子集上, 本文中计数方法的平均绝对误差和均方误差分别是97.99和158.02, 23.36和41.86, 354.27和491.68, 取得比现有传统人群计数方法更好的性能; 通过迁移实验证明所提出的人群计数模型具有良好的泛化能力。该研究对人群计数精度的提高是有帮助的。     

多通道特征融合Y型全卷积网络的对流云检测

强对流天气具有生命周期短、突发性强、破坏性 大等特点,并时常伴随着多种灾难性天气,给经济 发展、环境保护、人民生命财产安全等带来巨大威胁。目前目视解译的卫星云图对流云检测 方法依赖于人 的经验和知识,存在难于界定对流云团边界、云图的多光谱信息利用不足、小尺度对流云易 出现漏检与误 检等问题。本文基于FY-2G卫星的红外1通道云图及水汽与红外通道的亮温差,并借鉴U-ne t网络在图像 分割中所具有的精确定位能力,提出了一种新的多通道特征融合Y型全卷积网络的对流云检 测方法。该方 法将U-net网络改造成具有双路输入的Y型全卷积网络,并将红外1通道云图和亮温差图像分 别作为Y型 网络的两路输入,经过卷积及下采样处理,提取不同通道的特征信息;为了使网络具有精细 的目标检测能 力,Y型全卷积网络保留U-net网络的卷积及上采样结构,同时通过卷积和上采样将两个输 入分支不同层 次的特征图融合,从而实现一种多层次、多通道特征融合的对流云检测方法;不同层次特征 图的可视化及 其与融合特征图的对比,表明了所构造的Y型网络在利用云图不同通道特征信息中的有效性 。实验结果表 明,本文方法的对流云检测准确率为87.34%,精确率为89.77%,召回率为82.10%,F1-综合评价指标为 84.82%,各项性能指标均优于基于DeconvNet、U-net等传统网络模 型的对流云检测方法;与阈值法、亮温 差法和SVM等传统对流云检测方法相比,本文方法不仅在对流云边缘界定及小尺度对流云的 检测上具有明显优势,而且检测准确率和计算效率均得到了显著的提高。     

基于航迹隶属度的分布式系统数据融合算法

航迹关联与航迹融合是分布式目标跟踪系统数据融合的关键.本文研究了基于航迹隶属度的数据融合算法.综合各传感器航迹估计形成的目标运动状态特征向量与传感器分辨率,根据模糊聚类算法建立各观测时刻航迹隶属度矩阵与系统航迹关联决策矩阵,解决融合中心航迹关联问题.根据加权融合算法思想,结合各观测时刻航迹隶属度矩阵,实时、动态分配航迹号集合中各局部航迹权值,解决目标航迹融合问题.蒙特卡罗仿真表明,算法航迹关联效果明显优于加权航迹关联算法,并得到与简单航迹融合算法一致的目标融合航迹.     

基于孪生神经网络的航迹关联方法

日益复杂的电磁环境对战场目标探测提出了很高的要求。由于多雷达融合系统的不断发展,如何准确快速地完成多雷达的航迹关联成为一个亟待解决的问题。现有的关于航迹关联算法的研究大多只考虑雷达上报的最新目标航迹点,而没有考虑先前的航迹信息。除此之外,大多数航迹关联算法对于航迹异步问题的解决方法是进行时间配准,这不仅增加了算法本身的计算开销,还放大了航迹信息中包含的误差,因此难以应用于目前复杂的电磁环境中。本文提出一种适用于对异步航迹进行关联的、且无需进行时间配准工作的基于孪生神经网络的航迹关联算法(TTCSN)。该算法首先将待关联航迹两两组成一对,将其成对地送入特征提取网络中,再利用共享权重的双向LSTM网络提取输入航迹的隐含特征,之后对两条航迹的特征向量进行相似度计算,得到相似度向量,最终送入分类器完成关联航迹与非关联航迹的判别。实验表明,TTCSN算法能够有效地解决异步航迹关联问题。     

基于全卷积网络的遥感图像自动云检测

气象卫星图像云检测是气象预报领域中的一项重要任务。包含降水预测,气象灾害预测在内的若干气象预报任务都依赖精确的云检测结果。依据气象卫星遥感图像数据,本文提出了一种基于全卷积网络模型的遥感图像云分割算法,实现了高分辨率、大尺度、多通道遥感图像的云分割。我们的算法包含: 1)图像分块;2)块状图像分割;3)分割图像拼接三个主要步骤,实现了像素级精度的云分割。相比传统算法,我们的算法不依赖人工经验,完全由数据驱动,并在极端数据情形下具有更好的鲁棒性。测试数据结果显示,我们的算法能够满足气象预报的需要,且具有商业应用的潜力。      

基于深度卷积神经网络算法改进

深度卷积神经网络在近年发展迅速,特别是在深度学习被提出来后。但在真实的人脸检测中,大的视觉变化,如背景,照明等,需要一种精确的判别模型来区分人脸和背景。于是,本文给出基于深度卷积网络算法的改进。     

基于卷积神经网络的网络入侵检测技术

随着互联网的发展,网络安全问题是互联网发展所面临的一个严峻挑战,网络入侵检测技术成为其中需要重点关注的问题。特别是随着攻击手段的进一步多样化和数据维度的不断增加,传统的机器学习算法已不能满足目前网络入侵检测系统的要求。卷积神经网络（CNN）具有强大的特征提取能力和数据分析能力,可以提高网络入侵检测的准确性和时效性。因此将CNN应用到网络入侵检测技术中,并通过交叉熵损失函数达到提升检测准确率的目的。首先,对公开数据集进行预处理;然后,构建CNN模型获取分类预测结果;最后,计算模型评价指标,并不断调整CNN模型,直到模型评价指标达到期望值。     

基于卷积神经网络的图像识别算法研究

针对深度学习下的图像识别技术,研究了图像识别和卷积神经网络的工作原理。分析了AlexNet模型、ResNet模型、MobileNet模型的卷积神经网络模型,以及三种算法模型的各自特点,实现了深度学习环境的搭建,通过实验对比三个模型的分类准确率和训练效率,为深度学习下的图像识别算法研究提供参考。     

基于线性最小方差估计的航迹融合算法

航迹融合是一种重要的数据融合方法.由于其具有众多优良特性,使得它在实际融合系统中被广泛采用.文中首先给出了远端传感器输出的目标状态估计以及状态估计误差协方差矩阵到融合中心的转换公式,其次给出了融合算法的相关波门,接着推导出了线性无偏最小均方误差估计的航迹融合公式,最后给出了仿真结果.     

基于超像素和全卷积网络的极化SAR图像分类

基于深度学习的方法在极化合成孔径雷达(Synthetic Aperture Rader,SAR)图像分类中取得了不错的分类结果,尤其是全卷积网络(Fully Convolution Network,FCN),得益于其端到端、点到点的分类架构,在极化SAR图像分类中有很大的应用前景。之前的基于FCN的极化SAR图像分类方法中,没有使用超像素去修正分类结果,影响了其分类结果的进一步提升。提出了基于超像素和FCN的极化SAR图像分类方法,得到了很好的分类结果。     

基于全卷积网络的红外弱小目标检测算法

在小天体探测、导弹制导和战场侦察等航空航天领域,由于目标信号较弱,占有像素数少,缺少目标形状和纹理信息,使用手工特征提取的传统算法容易出现大量虚警,而拥有强大特征提取能力的深度学习算法无法对微小且缺乏轮廓信息的目标训练.本文采用了滑动窗口取样训练,它源自基于人类视觉特性的传统目标检测算法中嵌套结构的思想,设计了一种使用...     

基于卷积神经网络的图像分类算法综述

随着大数据的到来以及计算能力的提高,深度学习(Deep Learning, DL)席卷全球。传统的图像分类方法难以处理庞大的图像数据以及无法满足人们对图像分类精度和速度上的要求,基于卷积神经网络(Convolutional Neural Network, CNN)的图像分类方法冲破了传统图像分类方法的瓶颈,成为目前图像分类的主流算法,如何有效利用卷积神经网络来进行图像分类成为国内外计算机视觉领域研究的热点。本文在对卷积神经网络进行系统的研究并且深入研究卷积神经网络在图像处理中的应用后,给出了基于卷积神经网络的图像分类所采用的主流结构模型、优缺点、时间/空间复杂度、模型训练过程中可能遇到的问题和相应的解决方案,与此同时也对基于深度学习的图像分类拓展模型的生成式对抗网络和胶囊网络进行介绍;然后通过仿真实验验证了在图像分类精度上,基于卷积神经网络的图像分类方法优于传统图像分类方法,同时综合比较了目前较为流行的卷积神经网络模型之间的性能差异并进一步验证了各种模型的优缺点;最后对于过拟合问题、数据集构建方法、生成式对抗网络及胶囊网络性能进行相关实验及分析。