基于雷达传感器和改进深度学习的无人机目标检测方法

针对当前无人机目标检测技术精确度低、受环境影响大的缺点,依托运动相机与激光雷达设备,提出了基于改进深度学习的无人机目标检测方法：在深度图像网络架构的基础上,引入残差网络提升算法精度,利用MobileNet加速深度学习的过程,从而利用改进的RetinaNet算法实现无人机精确目标识别与定位;针对点云数据无法通过二维投影准确计算距离的问题,提出通过直方图网络精确估计检测目标的视觉距离。实验结果表明,在不同的复杂环境条件下,与Faster R-CNN相比,所提方法检测精度更高、使用场景更广、运算速度更快,平均精度比Faster R-CNN算法高出1.5%。     

复杂场景下基于改进YOLO算法的遥感图像目标检测

遥感图像普遍目标尺度变化较大,背景较为复杂,这些问题导致当前目标检测算法出现漏检或检测效果不佳等现象。文章选择YOLOv3算法作为基础网络进行改进,对训练数据做Mosaic数据增强,增加困难样本数量。结合ECA通道注意力机制,丰富特征的表达能力。使用CIOU损失作为定位损失,增强了目标回归框的检测精度和收敛速度。在遥感图像数据集RSOD上进行训练和测试,实验结果表明,改进的YOLOv3检测效果更佳,鲁棒性更强,具有很好的实用价值。     

面向遥感图像旋转目标检测的双向衰减损失方法研究

遥感图像中的目标检测技术是计算机视觉领域的热点研究之一。为了适应遥感图像中的复杂背景和任意方向的目标,主流的目标检测模型均采用旋转检测方法。然而,用于旋转检测的定位损失函数通常存在变化趋势与实际偏斜交并比(Intersection-over-Union, IoU)的变化趋势不一致的问题。为此,该文提出一种新的面向旋转目标检测的双向衰减损失方法。具体而言,该方法通过高斯乘积模拟偏斜IoU,并依据预测位置的偏差从两个方向衰减乘积。双向衰减损失能够反映由位置偏差引起的偏斜IoU变化,其变化趋势与偏斜IoU有着更强的一致性,并且与其他相关方法相比性能更好。在DOTAv1.0数据集上的实验表明,所提方法在多种基底函数和不同精度条件下都是有效的。     

基于红外与可见光图像的目标检测算法

针对现有基于可见光的目标检测算法存在的不足,提出了一种红外和可见光图像融合的目标检测方法。该方法将深度可分离卷积与残差结构相结合,构建并列的高效率特征提取网络,分别提取红外和可见光图像目标信息;同时,引入自适应特征融合模块以自主学习的方式融合两支路对应尺度的特征,使两类图像信息互补;最后,利用特征金字塔结构将深层特征逐层与浅层融合,提升网络对不同尺度目标的检测精度。实验结果表明,所提网络能够充分融合红外和可见光图像中的有效信息,并在保障精度与效率的前提下实现目标识别与定位;同时,在实际变电站设备检测场景中,该网络也体现出较好的鲁棒性和泛化能力,可以高效完成检测任务。     

基于改进PointPillars的激光雷达三维目标检测

针对汽车自动驾驶时通过激光雷达进行三维目标检测时识别结果不准确、目标朝向检测偏差较大的问题,提出一种基于改进PointPillars的激光雷达三维目标检测方法。首先,基于Swin Transformer改进PointPillars的二维卷积降采样模块,使得网络特征提取阶段能够使用自注意力机制来丰富上下文语义并获取全局特征,增强算法的特征提取能力。其次,利用点云立柱的特性将点云的地面部分去除,降低冗余点云的影响,从而提高三维目标检测的识别精度。在公开数据集KITTI上进行的验证实验结果表明：所提方法具有更高的检测精度,相较于原PointPillars,平均检测精度提升了1.3个百分点,验证了该方法的有效性。     

基于形态学图像融合的目标检测方法

提出了一种新的海空背景下受强杂波、噪声污染的红外图像目标检测算法。采用多尺度的形态算子对输入的图像进行并行滤波，既抑制噪声又能提取目标边缘细节。对并行处理后的图像进行基于树状小波帧变换的图像信息融合。仿真实验表明，该算法要优于传统的小波、中值滤波算法，适用于舰载红外警戒系统。     

基于改进YOLOv7的无人机图像目标检测算法

针对无人机图像中由于目标微小且相互遮挡、特征信息少导致检测精度低的问题,提出一种基于改进YOLOv7的无人机图像目标检测算法。在颈部和检测头中加入了坐标卷积,能更好地感受特征图中目标的位置信息;增加P2检测层,减少小目标特征丢失、提高小目标检测能力;提出多信息流融合注意力机制——Spatial and Channel Attention Mechanism(SCA),动态调整注意力对空间信息流和语义信息流的关注,获得更丰富的特征信息以提高捕获目标的能力;更换损失函数为SIoU,加快模型收敛速度。在公开数据集VisDrone2019上进行对比实验,改进后算法的mAP50值相比YOLOv7提高了4%,达到了52.4%,FPS为37,消融实验验证了每个模块均提升了检测精度。实验表明,改进后的算法能较好地检测无人机图像中的目标。     

基于深度学习的SAR目标检测方法

高分辨率合成孔径雷达（Synthetic Aperture Radar,SAR）图像中不同目标的尺寸区别较大,这使得小目标的特征不明显,为目标检测带来了极大的挑战。针对这一问题,提出了SAR YOLO 960算法。该算法首先改进了图像输入大小的限制,将输入图像提升到960×960像素;进而改善了YOLOv3(You Only Look Once v3)网络的整体结构,修改并添加了卷积层和残差层,整体采用64倍降采样,使其速度大大提升;最后,根据SAR图像目标的特点,改进了损失函数,从而得到了SAR YOLO 960算法。在手工制作的高分辨率SAR图像数据集中的目标检测结果表明,相对于当前主流的检测算法,该算法性能显著提高;检测速度达32.8帧/秒,准确率达95.7%,召回率达94.5%。     

基于注意力机制的红外目标检测方法

由于红外探测器感应波段与可见光不同,不依赖于大气光的反射传播,而是取决于环境中物体自身散发的辐射强度,所以其在雾霾、夜晚等可见度低的条件下往往比可见光具有更好的目标检测效果。针对红外场景中目标检测精度低、实行性差的问题,提出一种基于注意力机制的红外目标检测方法。首先,设计一种轻量化网络结构;其次,采用注意力机制提高网络的特征提取能力;然后,改进迭代特征金字塔结构提高对不同尺度目标的检测能力;最后,在训练过程中引入complete intersection over union(CIoU)损失函数和梯度均衡机制（GHM）损失函数改善正负样本不平衡问题。与其他算法的对比实验结果表明,所提算法的检测精度和速度显著提高。     

基于深度学习的轻量化遥感图像目标检测方法

深度学习技术强大的特征表征能力为遥感图像目标检测提供了一个非常有效的工具。现有的主流深度学习模型参数数量巨大,存储和计算代价高,限制了其应用的推广。文中提出一种轻量化的深度学习模型用于遥感图像目标检测。实验结果表明,文中提出的方法在保持与Tiny_YOLOv3检测精度相当的情况下,模型大小仅为Tiny_YOLOv3的44. 7%。文中提出的模型在检测精度、模型大小和计算开销上可达到更好的平衡。     

基于最近迭代点的毫米波雷达点云数据处理方法

毫米波雷达具有小型化、低成本等特点,可全天候、全天时工作,在高级辅助驾驶系统中发挥着重要作用。基于多芯片级联方案的多发多收（multiple-input multiple-out, MIMO）技术可有效提高毫米波雷达的角度分辨率,使得毫米波雷达点云成像成为可能。针对毫米波雷达图像点云稀疏、噪点多等问题,本文提出了一种基于最近迭代点的毫米波雷达多帧融合和自适应邻域半径的DBSCAN算法。首先,利用MIMO毫米波雷达技术获得多帧观测场景目标点云图像。其次,利用辅助信息得到点云匹配的初值,通过最近迭代点算法估计平移旋转矩阵进行精确匹配,实现多帧数据融合以改善图像点云稀疏问题。然后,设计自适应阈值的DBSCAN算法去除噪声,获得目标的点簇信息,再对聚类后的点簇目标求取最小外接矩形,结合目标散射强度,实现对车辆和围栏等不同类型目标区分。最后,利用外场（典型停车场场景）测试数据,对本文所提算法的有效性进行了验证。     

基于RDA-Net模型的遥感影像云与云阴影检测方法

针对目前大多数云与云阴影检测方法容易产生误检、边缘细节丢失严重以及检测不够精确的问题,提出一种基于双注意力卷积神经网络模型(RDA Net)的遥感影像云与云阴影检测方法.模型中引入双注意力模块可以有效捕获全局特征的依赖关系,使用递归残差模块可以避免深层网络出现退化,改进空洞空间金字塔池化模块在不改变特征图尺寸的前提下可以提取图像的多尺度特征.首先对遥感影像数据集进行预处理并制作对应的标签,然后利用高分一号WFV遥感影像数据集进行训练和测试.实验结果表明,所提方法有效提高云与云阴影的检测精度,在复杂条件下仍能获得较好的云与云阴影的边缘细节.     

一种基于SOPC的雷达数据采集和图像显示方法

针对传统处理器＋FPGA（或DSP）方案在处理器主频较低时难以实现雷达数据采集和图像显示系统的问题,提出了一种基于SOPC软核技术解决该问题的方法。通过在Xilinx公司Spartan-6系列FPGA的开发板上实验,实现对模拟的雷达信号的采集、处理和图像显示,验证了该方法的可行性。     

基于SLR数据的雷达探测精度分析方法

空间安全已成为各航天大国国家安全中的重要一环,空间目标监视技术也已成为空间技术新的制高点。雷达凭借其全天时、全天候的特点,已成为空间目标监视的骨干设备,其探测精度直接影响太空态势掌控的准确性,因此准确分析雷达探测精度有着重要意义。本文以卫星激光测距（SLR）数据为基础,首先分析了不同阶数插值算法以及滑动式内插、非滑动式内插的插值精度,而后介绍了坐标转换方式与雷达精度分析方法。仿真结果表明,滑动式九阶拉格朗日插值算法有较好的插值效果,满足雷达精度分析的需求。     

一种基于曲面约束的点云数据滤波方法

针对机载LIDAR点云数据滤波问题,结合机载LIDAR点云数据的特点,引入虚拟格网技术,提出一种基于多尺度虚拟格网与曲面约束的机载LIDAR点云数据滤波方法。该方法首先根据点云密度等点云数据特点构建多尺度虚拟格网;其次基于多尺度虚拟格网分别获取一级、二级地面种子点;然后依据一级、二级地面种子点基于曲面约束进行滤波获取三级地面种子点;最后将所有地面种子点合并得到地面点集。实验方面,通过两组实验验证了该方法的可行性和适用性。     

基于GMS-5卫星资料的云检测方法研究

由于云对地球气候变化起着重要作用,对云进行监测是研究全球气候 变化的重要环节。目前,各国的气象专家和爱好者们都十分关注对云的监测研究,因此云检 测已经成为了当前的热点话题。利用日本的GMS-5气象卫星资料进行了云检测研究。采 用红外亮温法对云进行粗检测,然后利用相似离度法、空间一致性检测以及可见光反射率进行晴 空检测。最终结果表明,通过结合使用这三种方法进行云检测,能够很好地判断是晴空辐 射还是含云辐射。     

GridNet-3D:A Novel Real-Time 3D Object Detection Algorithm Based on Point Cloud

3D object detection based on point cloud has an important application prospect in automatic driving technology.Aiming at the low precision of 3D object detectio...     

综合高分卫星图像多维特征的云检测方法

云是遥感图像分析处理的一大障碍,为了解决这一问题,基于高分1号遥感影像光谱和纹理的多维特征信息,提出一种综合优化的云检测方法。针对光谱检测出的似云区域,该算法采用新的子图分割方法,结合动态阈值设置,有效提高了纹理检测的正确率。由于固定的光谱阈值设置和纹理检测都无法获取复杂环境下的云层边界信息,算法采用大津法予以修复。结果表明,该算法可有效地检测出影像中的云覆盖区域,实现薄云、厚云以及厚云边界信息的最佳提取。     

毫米波雷达自适应门限点云成像方法研究

毫米波雷达作为一种重要的车载传感器,在自动驾驶领域得到了广泛地应用。近年来随着汽车智能化程度的提高,高质量雷达点云的生成受到了人们的极大关注。传统毫米波雷达点云成像由于存在杂波点太多、有效点云稀疏等缺点而限制了其在自动驾驶领域的发展。因此,如何提高毫米波雷达点云密度和质量成为了业界研究的重点问题。近年来,随着多输入多输出（MIMO）技术以及控制多片级联同步技术的成熟,使得毫米波雷达天线的角度分辨率得到了极大提升,推动了毫米波雷达在点云成像上的发展。在此基础上,本文设计了一套完整的毫米波雷达系统级点云成像算法,并使用TI公司的AWR2243级联雷达开发套件对实际场景进行数据采集,生成了较为致密可信的毫米波雷达三维点云图像,基本实现了对车载平台侧面场景的有效还原。     

基于图像配准的运动目标检测

针对导弹训练模拟器探讨一种基于图像配准运动的目标检测方法.由于差分法在动态背景下不能有效地检测出目标,故使用一种快速的基于图像亮度的角点检测,并通过考虑实际的跟踪速度与方向,建立图像间角点的对应关系,采用最小二乘法得到最佳仿射系数,再对图像进行仿射变换,由帧差法得到目标.