基于图注意力网络的半监督SAR舰船目标检测

基于深度学习的合成孔径雷达(SAR)舰船目标检测近年得到了快速发展。然而,传统有监督学习需要大量的标记样本来训练网络。针对此问题,该文提出一种基于图注意力网络(GAT)的半监督SAR舰船目标检测方法。首先,设计了对称卷积神经网络用于海陆分割。随后,完成超像素分割并将超像素块建模为GAT的节点,利用感兴趣区域池化层提取节点的多尺度特征。GAT采用注意力机制自适应地汇聚邻接节点特征实现对无标记节点的分类。最后,将预测为舰船目标的超像素块定位到SAR图像中并获得精细检测结果。在实测高分辨SAR图像数据集上验证了所提方法。结果表明该方法可以在少量标记样本下,以低虚警率实现对舰船目标的可靠检测。     

红外目标检测网络改进半监督迁移学习方法

针对红外数据集规模小,标记样本少的特点,提出了一种红外目标检测网络的半监督迁移学习方法,主要用于提高目标检测网络在小样本红外数据集上的训练效率和泛化能力,提高深度学习模型在训练样本较少的红外目标检测等场景当中的适应性。文中首先阐述了在标注样本较少时无标注样本对提高模型泛化能力、抑制过拟合方面的作用。然后提出了红外目标检测网络的半监督迁移学习流程:在大量的RGB图像数据集中训练预训练模型,后使用少量的有标注红外图像和无标注红外图像对网络进行半监督学习调优。另外,文中提出了一种特征相似度加权的伪监督损失函数,使用同一批次样本的预测结果相互作为标注,以充分利用无标注图像内相似目标的特征分布信息;为降低半监督训练的计算量,在伪监督损失函数的计算中,各目标仅将其特征向量邻域范围内的预测目标作为伪标注。实验结果表明,文中方法所训练的目标检测网络的测试准确率高于监督迁移学习所获得的网络,其在Faster R-CNN上实现了1.1%的提升,而在YOLO-v3上实现了4.8%的显著提升,验证了所提出方法的有效性。     

基于CNN的SAR车辆目标检测

传统的SAR目标检测算法容易受到复杂背景的干扰,因此利用被广泛应用于图像目标检测和识别领域的Faster-RCNN方法,对复杂背景下的SAR图像进行车辆目标检测实验。在对样本数据进行预处理后对车辆真实位置进行标记,采用可视化的深度学习客户端对样本进行裁剪和旋转,扩充样本数据库。利用已充分训练的模型权重对ZF和VGG-16网络进行预训练,再利用扩充的数据集进行训练和验证,并使用包含MiniSAR数据的测试集进行测试。实验证明,ZF网络和VGG-16的检测效果类似,但是ZF网络因为网络层数更少因而检测耗时更短。     

基于卷积神经网络的SAR图像目标检测算法

该文研究了训练样本不足的情况下利用卷积神经网络(Convolutional Neural Network, CNN)对合成孔径雷达(SAR)图像实现目标检测的问题。利用已有的完备数据集来辅助场景复杂且训练样本不足的数据集进行检测。首先用已有的完备数据集训练得到CNN分类模型,用于对候选区域提取网络和目标检测网络做参数初始化;然后利用完备数据集对训练数据集做扩充;最后通过四步训练法得到候选区域提取模型和目标检测模型。实测数据的实验结果证明,所提方法在SAR图像目标检测中可以获得较好的检测效果。     

基于迁移学习的SAR图像目标检测

针对深度卷积神经网络训练需要大数量样本,采用迁移学习的方法辅助网络训练,解决了SAR图像样本不足的问题。通过控制对比实验,对每个卷积块权重进行迁移与分析,使用微调与冻结相结合的训练方式有效提高网络的泛化性与稳定性;然后根据目标检测任务的时效性对网络模型进行改进,提高了网络检测速度的同时减少了网络参数;最后结合复杂场景杂波切片对网络进行训练,降低了背景杂波的虚警目标数量,复杂多目标场景的检测结果表明所提出方法具有较好的检测性能。     

基于改进YOLOv3网络的SAR图像舰船目标检测方法

在基于合成孔径雷达(SAR)图像的舰船目标检测中,针对图像背景复杂、舰船尺寸大小不一等问题,提出了一种改进的YOLOv3深度卷积神经网络(CNN),用于SAR图像中的舰船目标检测。该方法基于训练数据集中的尺寸标签信息,使用交并比作为距离度量,利用k-means聚类方法为舰船目标提取了九组先验锚点框作为后续候选框边框参数优化的初始值;引入r_GIOU来代替交并比r_IOU,用于更新框回归损失和置信度损失,从而得到更加合理的损失函数,能将候选框与标注框之间的相对位置信息引入候选框的边框参数优化。为了验证改进版YOLOv3网络的性能,文中基于高分辨SAR舰船检测数据集AIR-SARShip-2.0,利用平移、翻转、调整亮度等方法进行数据集扩充,得到训练数据集和测试数据集,并进行舰船目标检测实验。实验结果表明：相较于常规YOLOv3网络和Faster R-CNN网络,改进YOLOv3网络在舰船目标检测上的总体效果更好,具有更高的准确率和更少的虚警,提高了平均精度指标,且需要的计算时间更少。     

基于卷积神经网络和半监督学习的无线电信号检测和识别分析

阐述对未知信号进行精准检测与识别,采用半监督学习以及卷积神经网络技术,搭建全新的无线电信号检测与识别框架,并对现有的网络结构进行优化设计。     

基于半监督学习的自动驾驶场景下的目标检测

由于自动驾驶场景下拍摄的图像目标尺度变化剧烈和环境复杂多变,检测具有不小的难度;获取大量模型训练需要的标注数据图像存在困难,而获取大量未标注数据图像较容易.为了解决上述两个问题,提出一种基于半监督学习的自动驾驶场景下的目标检测模型TransDet.首先,在特征提取部分提出一个具有全局注意力的MSADark模块,以提取图像更多的全局信息以及捕获远程依赖关系;其次在特征融合部分提出一个位置注意力加权特征融合网络LAFFN,用于不同特征融合层捕获局部的位置和通道信息,增强多层次特征加权融合和网络特征表示能力,缓解目标尺度剧烈变化的影响;最后提出一种简单高效的半监督学习算法框架EODS,高效利用未标注数据的同时进一步提升了模型性能.实验结果表明：改进模型在保证实时性的情况下,mAP@50精度从55.1%提升到了61.6%,相比最新的YOLOv5模型精度增加了6.5%,在保证实时的检测速度的同时提升模型检测性能.特别是在仅使用少量未标注数据的情况下使用半监督学习算法EODS将mAP.50性能提升至65.4%,提升达到10.3%,表明了该模型在自动驾驶场景下的目标检测的有效性.     

基于深度学习的目标检测算法研究进展

目标检测是计算机视觉领域中一项十分重要的任务,指的是对图像或视频中的目标进行分类和定位,因其被广泛应用于视频检测、目标跟踪等任务中而受到关注。本文首先介绍了目标检测中经常使用的基准数据集和评估指标,同时列举说明了重要的主干网络架构和流行的目标检测算法。最后,我们比较了这些体系结构在多个指标上的性能,对所述算法进行了总结,并对未来前景进行了展望。     

基于全卷积神经网络的SAR图像目标分类

近年来,卷积神经网络(Convolutional Neural Network,CNN)在合成孔径雷达(Synthetic Aperture Radar,SAR)图像目标分类中取得了较好的分类结果。CNN结构中,前面若干层由交替的卷积层、池化层堆叠而成,后面若干层为全连接层。全卷积神经网络（All Convolutional Neural Network, A-CNN）是对CNN结构的一种改进,其中池化层和全连接层都用卷积层代替,该结构已在计算机视觉领域被应用。针对公布的MSTAR数据集,提出了基于A-CNN的SAR图像目标分类方法,并与基于CNN的SAR图像分类方法进行对比。实验结果表明,基于A-CNN的SAR图像目标分类正确率要高于基于CNN的分类正确率。     

基于深度学习的YOLO目标检测综述

目标检测是计算机视觉领域的一个基础任务和研究热点。YOLO将目标检测概括为一个回归问题,实现端到端的训练和检测,由于其良好的速度-精度平衡,近几年一直处于目标检测领域的领先地位,被成功地研究、改进和应用到众多不同领域。该文对YOLO系列算法及其重要改进、应用进行了详细调研。首先,系统地梳理了YOLO家族及重要改进,包含YOLOv1-v4, YOLOv5, Scaled-YOLOv4, YOLOR和最新的YOLOX。然后,对YOLO中重要的基础网络,损失函数进行了详细的分析和总结。其次,依据不同的改进思路或应用场景对YOLO算法进行了系统的分类归纳。例如,注意力机制、3D、航拍场景、边缘计算等。最后,总结了YOLO的特点,并结合最新的文献分析可能的改进思路和研究趋势。     

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。

     

基于无监督域适应的仿真辅助SAR目标分类方法及模型可解释性分析

卷积神经网络(CNN)在光学图像分类领域中得到广泛应用,然而,合成孔径雷达(SAR)图像样本标注难度大、成本高,难以获取满足CNN训练所需的样本数量.随着SAR仿真技术的发展,生成大量带标签的仿真SAR图像并不困难.然而仿真SAR图像样本与真实样本间难免存在差异,往往难以直接支撑实际样本的分类任务.为此,该文提出了一种...     

基于深度学习的探地雷达二维剖面图像结构特征检测方法

该文针对探地雷达(GPR) 2维剖面图像中目标特征提取困难及其识别精度较低等问题,采用深度学习方法来提取2维剖面图像中目标的特征双曲线。根据GPR工作的物理机制,设计了一种级联结构的卷积神经网络(CNN),先检测并去除回波数据中的直达波干扰信号,再利用CNN得到B扫描(B-SCAN)图像的特征图,并对特征信号进行分类识别以提取目标的特征双曲线。同时,为处理各种干扰信号影响目标特征双曲线结构完整性的问题,提出了一种基于方向引导的特征数据补全方法,提高了目标特征双曲线识别的准确率。与方向梯度直方图(HOG)算法、单级式目标检测(YOLOV3)算法和更快速的区域卷积神经网络(Faster RCNN)算法相比,在综合评价指标F上该文方法的检测结果是最优的。     

基于流量时空特征的fast-flux僵尸网络检测方法

僵尸网络已成为网络空间安全的主要威胁之一,虽然目前可通过逆向工程等技术来对其进行检测,但是使用了诸如fast-flux等隐蔽技术的僵尸网络可以绕过现有的安全检测并继续存活。现有的fast-flux僵尸网络检测方法主要分为主动和被动两种,前者会造成较大的网络负载,后者存在特征值提取繁琐的问题。因此为了有效检测fast-flux僵尸网络并解决传统检测方法中存在的问题,该文结合卷积神经网络和循环神经网络,提出了基于流量时空特征的fast-flux僵尸网络检测方法。结合CTU-13和ISOT公开数据集的实验结果表明,该文所提检测方法和其他方法相比,准确率提升至98.3%,召回率提升至96.7%,精确度提升至97.5%。

     

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...     

基于多层卷积特征的自适应决策融合目标跟踪算法

针对目标快速运动、遮挡等复杂视频场景中目标跟踪鲁棒性差和跟踪精度低的问题,该文提出一种基于多层卷积特征的自适应决策融合目标跟踪算法(ASFTT)。首先提取卷积神经网络(CNN)中帧图像的多层卷积特征,避免网络单层特征表征目标信息不全面的缺陷,增强算法的泛化能力;使用多层特征计算帧图像相关性响应,提高算法的跟踪精度;最后该文使用自适应决策融合算法将所有响应中目标位置决策动态融合以定位目标,融合算法综合考虑生成响应的各跟踪器的历史决策信息和当前决策信息,以保证算法的鲁棒性。采用标准数据集OTB2013对该文算法和6种当前主流跟踪算法进行了仿真对比,结果表明该文算法具有更加优秀的跟踪性能。