一种深度神经网络SAR遮挡目标识别方法

提出了一种利用深度神经网络的合成孔径雷达图像部分遮挡目标的特征提取和目标识别新方法.该方法首先对合成孔径雷达图像进行预处理,然后提取预处理后合成孔径雷达目标的小波域低频子带图像作为训练数据,最后利用深层稀疏编码模型进一步提取合成孔径雷达遮挡目标的有效特征向量作为目标的特征以完成目标识别.采用MSTAR数据库中的3类目标进行目标遮挡模拟及识别实验.结果表明,新方法可以综合利用遮挡目标的局部和整体结构信息以提高目标的正确识别率,是一种有效的合成孔径雷达遮挡目标特征提取和目标识别方法.     

大场景 SAR图像舰船目标快速检测

基于SAR图像的舰船目标检测是海洋监视应用的重要方面,随着SAR图像资源的不断丰富,计算速度成为衡量舰船目标检测算法的重要指标。针对大场景SAR图像,提出一种基于分块CFAR的舰船目标快速检测算法。首先通过图像增强提高舰船目标与海洋杂波之间的对比度,然后利用差异性参数进行分块筛选,剔除不包含目标的区域,最后对待检测区域实现基于积分图的快速CFAR检测。TerraSAR_X实测数据的实验结果验证了该方法的有效性。     

基于旋转损失函数RCIoU的SAR图像舰船目标检测方法

提出一种合成孔径雷达(synthetic aperture radar,SAR)图像旋转舰船检测方法,以提高SAR图像中旋转舰船的检测精度.从先验框设计和边界框回归公式对YOLOv4-CSP目标检测网络进行改进,加入旋转角度使其适用于基于旋转框的检测场景;提出一种基于旋转边界框外接圆和交并比的损失函数,该函数不仅考虑预...     

输气管道微泄漏检测的深度神经网络模型研究

建立了基于声音信号的深度神经网络模型,用于解决半导体制造业气体输送管道的微泄漏检测问题;设计了一种声音信号的预处理方法,用于去噪和特征提取,将预处理后的声音信号作为模型输入,该模型由7层神经元构成,通过对声音信号的训练和学习,获得管道微泄漏的概率。大量仿真实验结果表明,与半导体企业现采用的流量和压力传感器检测方法相比,该模型能更精确、更快速地实现管道微泄漏检测;与常规神经网络相比,该模型能更有效且稳定地进行检测。     

基于深度神经网络的低空弱小无人机目标检测研究

针对低空无人机目标视觉特征较弱,传统识别模型在目标尺度较小时易受干扰导致识别精度下降等问题,提出了一种基于多隐含层深度神经网络的弱小无人机目标检测模型。根据低空监视图像输入特性和弱小无人机目标视觉表征特点,设计了包含多个隐含层的多通道深度神经网络模型结构,并通过建立多尺度、多角度、多背景条件下的无人机目标图像数据库,完成了对深度网络模型参数的训练及优化。仿真结果表明,所设计的深度模型对低空无人机目标具有较好的变尺度检测能力和抗干扰效果,体现出良好的鲁棒性和潜在工程应用前景。     

区分服务模型下的多目标最优化选播路由

针对常见的单目标最优化选播路由算法存在的问题,通过改进链路上的带宽分配机制,提出了一种基于区分服务模型的多目标最优化选播QoS路由算法,为用户提供了分等级的服务,使用户公平有效地使用网络资源．并根据建立的多目标最优化选播模型,采用改进的非支配排序遗传算法来求解此模型．随机网络模型的仿真结果表明:此算法快速、有效,是一种值得推广的快速算法．     

低信噪比条件下SAR多目标检测方法

针对STFT-Hough-Wavelet变换和Wigner-Hough变换(WHT)在低信噪比条件下对机载合成孔径雷达(SAR)多目标检测的局限性,提出了一种新的低信噪比条件下SAR多目标检测方法.该方法首先应用统计噪声的伪逆对SAR信号噪声模型进行估计,再对估计信号进行WH变换,即可对SAR多目标进行检测.仿真结果表明,该算法更有利于控制虚警概率.     

输气管道微泄漏检测的深度神经网络模型研究利节

【摘要】目的：探讨原发性十二指肠腺癌MSCT三期增强扫描的影像学特征,总结分析其误诊、漏诊原因。方法：回顾性分析21例经病理证实的十二指肠腺癌的临床、病理及CT表现特征。结果：21例十二指肠腺癌中14例呈肿块型,表现为腔内息肉状或菜花状软组织肿块,边界清晰,多呈轻中度均匀强化;6例呈缩窄型,表现为肠壁不规则或环形增厚,肠腔狭窄,常伴有近段肠管扩张,边界清楚或毛糙,可突破浆膜面,呈中度或重度均匀、不均匀强化;1例因图像质量差难以评价。累及十二指肠乳头部的腺癌常伴有肝内外胆管、胰管扩张。21例十二指肠腺癌中正确诊断13例,3例误诊为十二指肠腺瘤,1例误诊为胰头癌,2例误诊为壶腹癌。2例因CT检查仅表现为肝内胆管轻度扩张而漏诊。1例肝内转移灶漏诊。结论：MSCT对十二指肠腺癌的诊断具有重要价值,保证十二指肠的充盈、重视门脉期对肝转移灶的检出以及肝内胆管轻度扩张这一间接征象,有助于更好地发现病变,降低误诊、漏诊率。     

基于电偶极子模型的舰船静电场深度换算

为实现舰船静态电场的深度换算,给出了空气—海水—海床3层模型中电偶极子在海水中产生的电场强度解析式,并进行了数值仿真;基于电偶极子模型对舰船静态电场进行了建模,根据以往的舰船电场换算实例进行了验证.实验结果表明：可由水下标准测量面电场强度实时换算得到较大深度的电场各分量;实测数据与仿真结果两者吻合较好,显示了舰船静态电场深度换算方法的有效性.该模型需要的参数少、计算量小,能够实现电场的实时换算.     

基于显著性CNN的SAR图像靠岸舰船检测方法

为提高卷积神经网络(CNN)对SAR图像靠岸舰船的检测精度,提出一种基于显著性CNN方法．该方法使用视觉显著性机制对SAR图像进行预处理,将得到的场景注意力加权(即显著图)融合到原始SAR图像中,最终将带有场景注意力加权的SAR图像输入到CNN网络．在公开的SAR舰船检测数据集上的实验表明,与经典双阶段检测器Faster R-CNN方法相比,显著性CNN方法可抑制岸边背景干扰,有效提高SAR靠岸舰船的检测精度．     

基于蚁群优化算法的SAR图像舰船检测研究

边缘检测作为提取图像边缘的重要方法在舰船检测中占有重要位置。采用蚁群优化算法通过调整动态阈值进行边缘检测。与传统边缘检测算子和小波变换算法对比采用蚁群优化算法进行舰船检测大大的减少了计算时间和代价,同时有效地提取了SAR图像的舰船目标和结构信息,保证了检测结果的准确性。蚁群优化算法在处理图像边缘检测等离散优化问题上具有很大的优越性,在图像处理中具有广阔的应用前景。     

基于深度学习的多差分神经网络区分器及其应用

随着深度学习的发展,尤其是随着多层神经网络(MLP)、深度神经网络(DNN)、卷积神经网络(CNN)等网络的出现,其在多个领域得到广泛应用,如视觉识别、语音识别、自然语言处理等领域.在2019年的美密会上提出利用单差分深度残差网络区分器进行密钥恢复攻击的方法,将深度学习的应用扩展到密码算法分析领域.利用多差分残差网络区...     

舰船目标三维散射中心建模及SAR快速仿真方法

直接合成孔径雷达成像仿真方法在实现大型舰船目标回波仿真和合成孔径雷达成像时时效偏低,难以满足对海探测制导闭环验证过程中对合成孔径雷达快速生成的需求.因此,提出了基于三维散射中心的舰船目标合成孔径雷达回波和成像仿真方法.首先通过射线管积分三维快速成像和CLEAN三维散射中心提取得到不同视角下目标三维散射中心;然后通过对应...     

基于分维特征的舰船目标的检测

在分析少引目标雷达回波与海杂波分维特性的基础上,提出了一种基于海面散射分维特性的检测方法,该方法以分数布朗运动作为数学模型,提取出海杂波与目标回波在分形模型拟合误差和分维尺度变化量这两方面的特征,并利用产的固有差异进行检测,实验表明,该方法具有较高的可靠性和准确性。     

一种改进的卷积神经网络SAR目标识别算法

针对卷积神经网络在标签数据不足条件下易发生的过拟合现象及噪声条件下的合成孔径雷达目标识别问题,提出了一种改进的卷积神经网络目标识别算法．首先利用数据增强技术扩增训练集,以提高网络泛化能力;其次利用零相位成分分析对目标进行特征提取,得到一组特征集对卷积神经网络进行预训练．为优化网络结构,防止过拟合现象,在网络中采用了修正线性单元、Dropout、正则化、单位卷积核等稀疏性技术．实验表明,算法对各类目标及其变形目标子类具有较好的识别性能,并对噪声有较强的鲁棒性,是一种有效的目标识别算法．     

基于航迹特征和深度神经网络MobileNet的舰船分类识别方法

舰船类型的及时准确识别对于目标的意图识别、威胁预警和跟踪监视具有重要意义.提出一种基于航迹特征和深度神经网络MobileNet的舰船分类识别方法.首先,提出一种基于RGB色彩空间的航迹特征提取和转换方法,将历史航迹数据中的速度、航向和加速度等特征映射到RGB色彩空间,转换为航迹特征图像数据;其次,提出一种基于深度神经网...     

基于海天线的舰船弱小目标检测

针对复杂海天背景下,远距离成像的舰船弱小目标检测问题,提出一种基于海天线的检测方法。该方法首先采用基于全卷积网络的方法提取海天线,确定目标潜在区域,排除海天线区域外干扰,接着采用基于四向梯度的方法来检测舰船弱小目标。仿真结果表明:文中所提出的基于全卷积神经网络的海天线检测方法可以克服传统Otsu和行均值梯度法的缺点,在复杂海面背景中精确地检测出海天线;采用基于四向梯度的检测方法有效滤除了海面白色噪点,降低了虚警率,可以较好地实现舰船弱小目标的检测。