共查询到20条相似文献,搜索用时 490 毫秒
1.
针对现有识别对抗算法对小尺度目标攻击效果差、对抗样本中存在大量无意义扰动、扰动生成效率低等问题,以红外遥感为应用背景,基于对抗生成攻击理论提出一种具有较强泛化性的目标识别对抗算法。算法引入空洞卷积和注意力机制构造多通道变尺度扰动生成网络以克服红外遥感图像存在的小目标问题;同时,基于检测热力图设计滤波器对生成扰动信息进行筛选,实现无意义扰动消除;最后,以第三届“空天杯”全国创新创意大赛复赛所公布数据集为例进行实验分析。与次最优攻击算法相比,本文所提算法的平均攻击成功率提升了0.313,同时将生成对抗样本的平均耗时降低了57.409 s;此外,利用生成的对抗样本去迁移攻击其他类型的检测器,使得YOLOv3检测器、 YOLOv5检测器和Faster-RCNN检测器的平均检测精度分别下降了0.032, 0.287和0.09。实验结果表明,本文算法在对抗样本物理可实现性、迁移性和生成速度方面都具有显著优势。 相似文献
2.
针对传统目标检测算法存在对小目标检测的识别精度低和不稳定的问题,提出基于YOLOv5 改进的小目
标检测算法。基于卷积神经网络加入额外的检测头,采用数据增强策略并更改网络卷积步长,解决了小目标像素低、
占比小、易重叠和难以分辨等问题;同时依托真实检测场景制作一个全新的针对飞机检测的卫星影像数据集,该数
据集的待检测小目标占比达61%,飞机姿态及场景丰富,有助于客观全面地验证网络精度。将改进后的算法与原始
的YOLOv5 模型进行对比,结果表明,其平均精确率AP 值较原始YOLOv5 模型提升约3%。 相似文献
3.
临近空间高超声速飞行器具有非惯性轨迹形式和大范围、强机动的突防能力,对目标飞行轨迹的准确预测能够为反导拦截系统有效拦截提供有力技术支持。针对高超声速飞行器的滑翔式和跳跃式飞行轨迹预测问题,提出一种基于注意力机制的Seq2Seq轨迹预测模型,利用LSTM网络设计编码器和解码器,同时利用注意力机制提取的信息进行解码预测。该网络以目标轨迹的位置、速度、弹道倾角和攻角六维特征序列作为输入网络,网络输出为未来一段时间内的连续轨迹序列,利用弹道仿真模型获得的目标飞行器轨迹数据作为训练集对网络进行训练与优化。实验结果表明,该网络能够对高超声速飞行器的多种飞行轨迹进行有效的轨迹预测,预测误差小,能够为反导拦截系统提供有利参考。 相似文献
4.
针对在小样本情况下目标检测的问题,对当前小样本条件下的目标检测方法进行归纳总结。列举4 类小
样本学习方法并介绍其优缺点,介绍目前这几类方法的典型算法;进行小样本目标检测实验设计,通过分析各方法
的特点得出其可应用方向;对目前的小样本图像目标检测存在的问题进行讨论。结果表明,该分析能为相关领域的
研究者提供更多的思路。 相似文献
5.
在遥感探测领域,实现复杂环境条件下机场跑道类地物目标和轮廓的精确检测具有重要意义。以YOLOv3为代表的主流深度学习算法在目标检测领域取得了显著的成绩,但该方法只能以矩形框给出目标的粗略位置,检测结果具有一定的背景区域且无法准确得到角点位置。针对以上问题,提出一种基于典型几何形状精确回归的机场跑道检测方法。综合利用典型四边形角点回归策略、四边形锚框机制、四边形的非极大值抑制模块以及目标几何拓扑关系,通过网络的轻量化设计和模型压缩,实现对目标在仿射畸变下成像特征的学习,能够快速预测目标的角点坐标,并以目标的四边形轮廓给出其位置。仿真实验结果表明,该算法具备机场跑道目标类型区分和轮廓提取的功能,有效地解决了实际应用中的目标精确定位难题;在不损失精度基础上网络经压缩后较压缩前的检测速度提高了1倍,大幅提升了自动目标检测的准确性和高效性。 相似文献
6.
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。 相似文献
7.
8.
针对构建合成孔径雷达(synthetic aperture radar,SAR)图像舰船目标数据集的过程中,某些舰船类型样本
不足的问题,提出一种基于多尺度生成对抗网络(IC-ConsinGAN)的SAR 舰船目标扩充方法。通过将注意力机制引
入并行多阶段多尺度GAN 网络中,提取SAR 舰船目标的关键特征,抑制背景特征,使得生成的SAR 图像舰船目标
不仅具有精细化结构,而且弥补了单幅图像生成过程中多样性不足的问题。实验结果表明:SIFID 指标比原始
ConsinGAN 网络模型下降了0.02,将扩充数据加入到SAR 舰船目标识别任务中,10 类舰船目标平均识别率提升了
8.4%,证实了IC-ConsinGAN 模型的有效性,具有一定的工程应用价值。 相似文献
9.
鲁棒的小目标检测是红外目标搜索与跟踪的关键技术,提出一种改进的单帧红外图像小目标检测算法。该方法将原始红外图像通过预处理变换到新的红外块图像模式,在红外块图像上,将红外图像小目标检测问题转换为低秩矩阵和稀疏矩阵分离的鲁棒主成分分析(RPCA)问题。考虑到红外图像中噪声和杂波的存在,用交替方向方法求解带噪声的RPCA问题,获得稀疏目标图像,并对获得的稀疏目标图像采用简单的图像分割算法进行目标检测。对空天、海天、天云、海面4种不 同场景的红外图像小目标检测,进行仿真实验,结果验证了所提出算法的有效性。 相似文献
10.
11.
12.
针对任意波形相关、任意阵列配置情况下分布式MIMO雷达目标检测问题,提出了一种基于Cholesky分解的MIMO雷达检测器;首先分析了分布式MIMO雷达回波的相关性,并给出了任意阵列配置时MIMO雷达检测算法;同时,为了解决发射波形相关矩阵出现奇异性导致无法获得检测统计量的问题,提出了基于Cholesky分解的分布式MIMO雷达检测方法,给出了统一框架下的检测统计量表达式,推导了虚警概率和检测概率的近似解析式;研究得出:在低信噪比情况下,相关性越大,检测性能越好;在高信噪比时,相关性越小,检测性能越优;最后数值仿真验证了理论分析的有效性和正确性. 相似文献
13.
14.
针对深度卷积神经网络存在模型参数量大、占用内存资源等问题,提出了一种基于轻量化网络的SAR图像建筑物检测算法。首先以旋转目标检测算法R-centernet为基础,将主干网络中的传统卷积替换为Ghost卷积,并构建Ghost-ResNet网络,降低模型参数量;其次提出了融合宽高信息的通道注意力模块,增强网络对图像中显著区域的精确定位能力;使用CARAFE上采样代替网络中的DCN模块,在上采样过程中充分结合特征图信息,提高目标检测能力;最后使用改进的R-centernet算法在旋转标注的SAR图像建筑物数据集上进行训练与测试。实验结果表明,相比于原始R-centernet算法,改进后的算法准确率提高了3.8%,召回率提高了1.2%,检测速度提高了12帧/s。 相似文献
15.
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。 相似文献
16.
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。 相似文献
17.
18.
旋转弹的电视摄像头拍摄画面会产生旋转及抖动模糊,在预先侦查目标数据较少且末制导段视野目标较小的情况下,目标难以精确探测,为此提出一种基于改进YOLOv3和核相关滤波(KCF)算法的目标检测与跟踪算法,通过深度学习实现目标的自动检测。制作模拟山地打击场景的数据集,基于少量数据样本的前提,模拟不同天气、光照、运动及旋转模糊等复杂环境,完成在网络学习中数据的增强和扩充;通过在YOLOv3网络基础上添加Inception多尺度分支结构,增加网络对于目标不同尺寸的适应性,减少网络层数,更能适应对小目标的检测;在实现目标定位方法上,将目标检测与跟踪算法相融合,提出一种目标丢失判别机制,并利用弹道的速度—时间信息更新目标跟踪框尺度。仿真实验结果表明,相比原始算法,改进算法能更有效实现复杂环境下的目标检测和跟踪。 相似文献
19.
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。 相似文献
20.
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。 相似文献