基于[KG-*9]Ghost卷积与注意力机制的SAR图像建筑物检测算法

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。     

基于改进YOLOv4的X射线图像违禁品检测算法

为提高安检速度、实现X射线图像中违禁物品的自动检测,提出一种基于改进YOLOv4的X射线图像违禁品检测算法。该算法在单阶段目标检测算法YOLOv4基础上设计一种空洞密集卷积模块。将上采样链路融合后特征输入空洞密集卷积模块中,增强特征表达能力和卷积视野。对融合后特征信息加入注意力机制,用来增强有效特征和抑制无效特征,最终得到表征图像信息的特征图输入检测头部。采用Mosaic数据增强方法训练网络,提升网络的鲁棒性。结果表明：该算法在公开SIXray数据集上的均值平均精度达到80.16%,检测速度为25帧/s;该算法在公开SIXray数据集上多类违禁物品能够取得较高的检测精度,且满足检测的实时性要求。     

面向合成孔径雷达图像任意方向舰船检测的改进YOLOv3模型

为实现合成孔径雷达(SAR)图像舰船检测能同时输出目标位置和方位角估计信息,提出基于改进YOLOv3的任意方向舰船目标检测模型。定义有利于模型参数回归稳定性的角度范围,根据垂直框和旋转框预测结果定义多任务损失函数。通过融合垂直框和旋转框预测结果进行目标方位角估计校正,以进一步提高检测性能。采用SAR舰船目标检测数据集(SSDD+)和高分辨率SAR图像数据集(HRSID)分别进行改进模型的性能测试和迁移测试。实验结果表明：对于SSDD+,当交并比为0.5时平均精度均值mAP_0.5达到了0.841;对HRSID进行迁移测试时,mAP_0.5能够达到0.530;当网络输入尺寸为416×416时处理一帧图像耗时约为25 ms;采用高分辨率可见光舰船数据集(HRSC2016)进行改进模型的适用性测试,mAP_0.5为0.888,超过了部分已知模型的精度;该改进模型适用于纯海洋背景下SAR图像中的舰船目标检测,能够满足舰船目标检测的实时性需求。     

基于CNN的弹载图像目标检测方法研究

针对弹载图像目标检测存在适应性不足和智能度不高的问题,阐述了基于卷积神经网络的单帧和多帧图像目标检测算法;提出了在应对恶劣天气、目标旋转及尺度变化、精度速度权衡等难点中的解决策略,包括了在模型、网络结构、训练手段等方面的改进方法。同时,在通用数据集和构建的军事目标专用数据集上进行监督学习训练,对主要算法进行性能比较。结果表明,基于CNN算法能够满足实时性要求,有效提高检测能力,具有更强的环境适应性。     

基于国产嵌入式智能计算平台的无人机检测方法

面向陆地战场上对反无人机侦察的现实需求,提出一种基于国产嵌入式智能计算平台的无人机检测方法。针对无人机体型小、易受战场环境影响而不易察觉的难题,采用红外、可见光图像和视频流等多源输入进行目标检测;针对嵌入式平台算力和存储能力有限的特性,构建轻量化深度神经网络,通过将单次多盒检测器(SSD)中的特征提取网络替换为MobileNet进行模型优化;选用国产嵌入式平台比特大陆SE5智能计算盒进行验证,完成模型转换和移植。实验结果表明：所提基于轻量化深度神经网络MobileNet-SSD的无人机检测方法在国产嵌入式智能计算平台上能够准确判断出目标的类别,且平均识别精度和帧率与在开发环境中运行差距不大。充分表明所提方法在国产嵌入式智能计算平台上进行移植后,能够在速度和精度方面满足应用环境对无人机检测算法实时性与准确性的要求。     

基于嵌入式平台与优化YOLOv3 的航拍目标检测方法

针对部署在嵌入式平台的目标检测模型在检测航拍目标时存在的检测速率低、耗时高、存储容量低的问 题,提出一种基于优化YOLOv3 算法的航拍目标检测方法。通过模型剪枝极大地减少了模型参数量,使用二分 K-means 对传统的锚框聚类算法进行优化改进,引入CIOU 损失函数加强边界框回归效果,再经TensorRT 对模型优 化加速后将该检测模型部署到JetsonTX2 平台上。选取大量不同类别不同环境的航拍图像制作数据集进行实验对比。 结果表明：优化后的算法在检验不同航拍图像目标时平均精度可达到83.9%,对每张图片的检测速度从2.8 FPS 提升 至14.7 FPS,满足精确性和实时性要求。     

基于改进YOLOv5与嵌入式平台的多旋翼无人机检测算法

针对在嵌入式平台上检测无人机时面临的资源占用率高、实时性差的问题,提出一种改进YOLOv5网络的目标检测算法。以YOLOv5s网络为基础模型,使用MobileNetV3网络代替CSP-Darknet53作为骨干网络进行特征提取,并优化改进特征加强网络以及算法的回归框损失函数。基于自建无人机数据集分别在PC机和嵌入式平台RK3399上进行测试,实验结果表明：改进后的YOLOv5算法与原算法相比,在保持较高检测精度的同时,检测速度提升了38%,模型大小降低了45%,有效提升了算法的检测性能,满足应用于嵌入式设备的实际需求。     

基于级联式Snappy-CenterNet 的锥套目标检测算法

针对空中加油因场景光照变化、环境遮挡等情况造成的锥套目标识别精度低、实时性差的问题,提出一种基于级联式Snappy-CenterNet深度网络的锥套目标检测算法。在CenterNet网络的基础上,以HourglassNet为主干网络,改进其bottleneck结构并引入中心池化的方法,对整体的网络结构进行优化,通过级联式的网络提升整体检测精度。实验结果表明：该算法可实现在多种复杂场景下对锥套目标的可靠检测,检测结果的精确率与召回率均可达99%,位置精度与区域精度分别可达99%与96%,更新率可达33.68 Hz,满足空中加油近距视觉导航阶段对于锥套识别的指标要求。     

基于生成式对抗网络的合成孔径雷达舰船数据增广在改进单次多盒检测器中的应用

针对合成孔径雷达（SAR）图像舰船目标检测领域舰船数据获取成本较高、数据集稀少的问题,提出一种基于像素对像素（pix2pix）生成式对抗网络(GAN)的数据增广技术。制作一个用于pix2pix GAN的数据集,通过对GAN网络的训练和测试得到800张新的SAR舰船样本,并对生成的典型样本进行了客观评价;针对传统SAR舰船目标检测算法鲁棒性差、易受斑点噪声影响的缺点,提出一种基于改进单次多盒检测器(SSD)的SAR舰船检测算法,通过在SSD加入Inception模块增强其对多尺寸目标适应性,提高检测器性能;将pix2pix GAN生成的SAR舰船数据进行标注后加入改进的SSD中,在SAR舰船检测数据集上进行大量对比实验。实验结果表明：当将生成的样本加入原SSD后,检测精度比原SSD检测算法提高了4.3%;当将生成的样本加入改进的SSD后,检测精度相比改进的SSD提高了1.9%;检测器中没有加入生成样本的情况下,改进SSD算法相比原SSD检测算法,检测精度提升了4.7%.     

基于单阶段网络模型的目标检测改进算法

针对目前单阶段目标检测算法中存在的误检、漏检以及检测精度不够高等问题,提出一种基于单阶段网络模型的目标检测改进算法。该算法使用深度残差网络对基础网络进行替换,提取更优秀的特征;增加一层用于检测小目标的底层特征图;结合反卷积和特征融合的方法,对提取出的高层特征图与底层特征图进行融合,使新的特征图中包含更丰富的上下文信息;设计更密集的检测框且在每层卷积层后都添加批规范化操作以提升模型训练速度,防止过拟合。仿真实验结果表明,改进算法在PASCAL VOC2007数据集上较原始算法检测精度提升1.3%,检测效果更加准确,同时改进算法显著改善了误检、漏检等问题;但由于网络复杂度过高,导致检测速度有所下降。     

基于改进YOLOv3的合成孔径雷达图像中建筑物检测算法

传统合成孔径雷达（SAR）图像中建筑物检测算法主要是在特定场景下通过人工提取特征进行特定类别的建筑物检测,存在平均检测精度不高、检测效率低的问题,为此提出一种基于改进YOLOv3的SAR图像中建筑物检测算法,通过深度学习实现建筑物的自动检测。制作SAR图像中建筑物数据集,针对建筑物的尺寸特点,通过改进的K均值聚类算法重新设置先验框大小;在结构上借鉴深度神经网络的聚合残差转换思想,将YOLOv3骨架网络中用于构建特征层的单路卷积残差模块改进为多路卷积残差模块,提高通道信息利用率的同时降低计算量;加入浅层特征融合模块,增加特征图中建筑物的形状特征所占比重,在特征融合层之前,使用转置卷积进行上采样,增加细节特征;使用改进YOLOv3算法进行建筑物检测模型的训练,并在测试集上进行测试。实验结果表明,相比原始YOLOv3算法,改进YOLOv3算法在SAR图像中建筑物数据集上平均检测精度提高了9.2%,召回率提高了6.3%,同时保持了较快的检测速度。     

空空导弹弹载SAR回波信号模拟

雷达成像制导是空空导弹雷达制导的重要发展方向,根据空空导弹末制导中导弹与目标的特点和机理,讨论了空空导弹弹载SAR的回波信号数学模型,建立了空空导弹弹载SAR仿真系统的回波信号构成原理和仿真系统,为空空导弹弹载SAR工程化研究提供了理想的原始回波信号数据.     

一种基于SiameseRPN 的模糊视频目标跟踪算法

为提高追踪准确率, 提出一种针对模糊视频的轻量级视频跟踪算法。采用主流对抗生成网络模型 DeblurGAN V2 进行去模糊处理,交由基于改进SiameseRPN 目标跟踪算法进行目标跟踪。为实现轻量化,将目标跟 踪的特征网络替换为EfficientNet 网络,改进注意力机制为ECANet 以捕捉多通道信息,并在GoPro 数据集上进行测 试。测试结果表明：相比SiameseRPN 算法,该算法能实现更高的追踪准确率,帧率能达到实时性要求,具有一定 的借鉴意义。     

基于导向重构与降噪稀疏自编码器的合成孔径雷达目标识别

为解决现有合成孔径雷达（SAR）目标识别算法泛化能力差和算法复杂度高等问题,提出一种基于导向重构与降噪稀疏自编码器的SAR目标识别分类算法。利用导向重构算法对SAR图像进行两尺度融合预处理,生成一维图像矢量并作归一化处理,以降低图像输出特征的维度,提高预处理的速度;采用减少降噪自编码器隐层神经元方式对图像进行低维特征抽取和识别;使用Softmax分类器进行分类处理。实验结果表明,通过导向重构与降噪稀疏自编码器的SAR目标识别算法,不仅提高了目标识别性能以及泛化能力,而且降低了自编码器的隐层神经元数量和计算复杂度,网络结构也得到改进和优化。     

基于二维本征模态函数的 SAR 图像目标检测

合成孔径雷达（SAR）成像具有其独特的优势,能全天时全天候获取目标区域遥感数据,但是其成像机理复杂,获得的 SAR 图像解译困难。从 SAR 成像回波特点出发,结合二维经验模态分解（BEMD）理论,提出了一种基于二维本征模态函数（BIMF）的 SAR 图像目标检测算法。采用仿真和实际的 SAR 图像数据进行了验证实验,实验结果表明,利用融合的 BIMF 特征分量检测目标,其效果优于直接用原始 SAR 图像进行目标检测,并且对不同信噪比的 SAR图像,具有较强适应能力。     

基于合成孔径雷达图像的伪装遮障目标特性建模技术

针对高分辨率全极化合成孔径雷达（SAR）侦察条件下,伪装目标特性模型存在空白的问题,通过SAR图像特征参数的选取,建立特征向量。设置实验获取SAR图像,在此基础上,引入象限坐标系和变异系数分析不同极化方式下伪装遮障目标特征参数变化规律,构建极化方式与特征参数的数值变化及稳定性关系,实现伪装遮障目标特性模型的定性描述。研究结果表明,使用特征向量能够有效表征不同目标,建立的模型能够用于分析、预测伪装遮障目标的特性,为伪装目标检测与伪装效果评估等应用奠定了基础。