基于改进Faster R-CNN的红外舰船目标检测算法

针对Faster R-CNN算法中对于红外舰船目标特征提取不充分、容易出现重复检测的问题,提出了一种基于改进Faster R-CNN的红外舰船目标检测算法.首先通过在主干网络VGG-16中依次引出三段卷积后的3个特征图,将其进行特征拼接形成多尺度特征图,得到具有更丰富语义信息的特征向量;其次基于数据集进行Anchor的...     

基于Faster R-CNN的航拍图像中绝缘子识别

为了解决传统绝缘子识别方法存在适用性不强、识别效率低的问题,结合深度卷积神经网络思想,提出一种从电网巡检航拍图像中自动识别绝缘子的方法。应用Faster R-CNN框架,结合电网巡检航拍图像数据库,构建绝缘子识别系统,自动识别航拍图像中的绝缘子,并分析不同模型和参数对识别精确度的影响。实验结果表明,相比于传统航拍绝缘子识别方法,采用深度卷积神经网络对航拍绝缘子进行学习和识别,具有较高的识别准确率和效率,可以很好地识别各种类型的绝缘子,识别性能大幅度提高。     

基于Faster R-CNN网络的海面目标检测方法北大核心CSCD

为解决强海杂波条件下虚警率高、杂波多普勒较宽、信杂比低或低速目标落入杂波多普勒通道时海面目标难以检测的难题,提出了基于深度卷积网络(Faster R-CNN)的海面目标检测算法。利用深度卷积神经网络自动提取特征的能力,对输入含有目标的海面回波样本进行一系列非线性操作,逐层提取样本中目标抽象的特征;然后利用提取的特征对未知目标样本进行检测和定位,检测是否含有目标以及目标的位置。最后在实测南非海杂波数据集上进行实验验证,所提方法在虚警率为10~(-3)时,海面目标的检测率高达57.98%,比传统的恒虚警率检测提高约28%,比稀疏可调Q小波变换检测方法提高了21%,验证了该方法的准确性和有效性,为海面目标检测提供了新的技术途径。     

基于Faster R-CNN模型的低空平台偏振高光谱目标检测

随着无人机等低空平台在侦察领域的不断扩展以及对性能要求的不断提高,各应用场景对目标检测精度和速度也提出了越来越高的要求.传统的目标成像方法难以满足图像质量需求,人工识别目标的方法也无法应对战场环境的快速变化.结合深度学习和偏振高光谱成像技术的发展,通过模拟偏振高光谱低空目标检测平台,提出基于Faster R-CNN的地面军事目标检测方法.采用区域建议网络模块进行模型训练,而在目标检测阶段通过对特征图进行兴趣区域池化操作得到建议特征图,最后利用建议特征图完成目标类别判定.实验选取3种典型的军事车辆缩比模型,通过偏振高光谱相机在室内外模拟环境中获取目标在不同场景条件的图像数据,以及某型无人机在低空条件下的地面车辆目标数据进行实验验证.实验表明,该方法在有效完成地面目标的检测时,能够达到理想的检测精度和速度.     

基于改进的Faster R-CNN图像目标检测方法研究

随着科技的不断发展,图像充斥在人类生活的任何角落,因此如何提取出图像中包含的信息,完成对图像目标的检测是当前研究的热点问题。针对一阶段目标检测算法可能会对目标图像产生漏检的情况,本文使用MobileNet V2和ResNet50网络对传统的Faster R-CNN的主干特征提取网络进行改进。在公开数据集上的实验结果表明,基于MobileNet V2特征提取的Faster R-CNN网络占用的计算资源和存储资源最少,基于ResNet50特征提取的Faster R-CNN网络的检测效果最优。此外,两种改进的Faster R-CNN网络均能有效克服一阶段目标检测算法中的漏检问题。     

基于深度学习的高分辨率遥感图像识别与分类研究

高分辨率遥感图像,作为卫星及其它航空器拍摄的一种特殊图像类型,不论在军用还是民用领域都具有着极其重要的价值和地位。当前,卫星遥感技术发展迅速,传统的图像识别与分类技术已经不能满足人们对高分辨率遥感图像信息获取的需求。文章在传统图像预处理技术的基础上,结合了深度学习的方法,实现了高分辨率遥感图像的识别与分类。     

基于深度学习的红外小目标检测算法综述

红外检测技术具有受环境负面影响小、抗外界干扰能力强等优势,在众多领域皆有极为重要的应用价值。然而,由于红外小目标存在缺少明显的可用信息、边界模糊等问题,对其检测的难度较大,因而成为目标检测领域的研究热点与难点。本文通过分析困扰红外小目标检测研究发展的难题所在,首先就目前针对其检测的传统算法原理进行简要说明。其次,详细阐述了基于深度学习的多类型红外小目标检测算法,并对相关算法的分类、评估指标、相关数据集等多方面内容进行了介绍,随之以实例说明对当前算法改进的有效方式。最后,归纳总结现有检测算法的优缺点,探讨了红外小目标检测研究领域的未来发展趋势,即向高精度、高实时性、强鲁棒性、低复杂度的算法方面深入研究。     

基于小波变换和深层稀疏编码的SAR目标识别

针对SAR图像预处理算法自适应能力差、带标签图像不足、目标特征提取困难等问题,提出了一种基于小波变换和深层稀疏编码的SAR图像目标自动识别算法。首先利用灰度值和尺度缩放获得大量的无标签SAR目标,并采用离散小波变换对图像进行高效的降维,再结合深层稀疏编码提取目标的深层抽象特征并完成识别任务。采用MSTAR数据库中3类军事目标进行算法仿真与验证。实验结果表明,在没有预处理的情况下,该算法能够有效地完成多目标SAR图像分类,且具有较高的识别率和鲁棒性。     

基于DCResNet的SAR图像车辆目标识别

合成孔径雷达（SAR）图像自动目标识别中,特征提取和目标分类是两个重要环节。残差网络（ResNet）作为一种较新的卷积神经网络,凭借其对目标特征的自适应学习能力,在SAR图像分类领域表现突出。本文在ResNet基础上,设计出了密集连接型残差网络（DCResNet）,用于SAR图像目标识别。DCResNet在残差模块中增加了跳跃性连接的密度,不仅继承了ResNet的易学习的优点,还加强了特征的传播和利用率。除此之外,DCResNet采用平均池化的方式进行下采样,抑制了SAR图像中噪声对识别精度造成的影响。关于SAR图像目标识别的实验结果证明,本文提出的DCResNet与ResNet、AlexNet相比,不仅具有更快的收敛速度和推理速度,而且目标分类的准确率更高。     

基于DRFP网络的无人机对地车辆目标识别算法

针对无人机在复杂战场环境的侦察任务中,目标在视场中尺寸过小、边缘和纹理信息较少所造成的目标识别难题,提出一种新的基于深度学习的单阶段目标识别网络DRFP。DRFP网络以残差结构为骨架,使用特征金字塔结构实现特征融合;其次在损失函数中使用添加了调整因子的交叉熵函数,实现对难样本的重点关注、训练;最后使用高斯型非极大值抑制算法（G-NMS）,提高目标密集区检出率。使用无人机航拍图像数据集进行地面车辆目标识别的实验结果表明：所提出的单阶段模型的精度（mAP值）为83.16%,达到了两阶段网络模型的水平;同时,识别速度符合实时性的要求。     

采用改进型AlexNet的辐射源目标个体识别方法

针对辐射源目标精确识别需求,结合以深度学习为代表的机器学习理论技术,提出将改进型AlexNet作为特征提取器,实现目标细微特征提取固化,形成智能化识别网络模型。以广播式自动相关监视（ADS-B）信号为实验对象,在机场实地采集了13个目标的ADS-B脉冲信号数据作为辐射源目标个体识别的训练和测试样本,利用AlexNet和改进的AlexNet验证了算法的有效性。结果表明,改进的AlexNet网络训练时间更快,综合识别率达到98.32%.     

基于YOLOX网络的SAR图像舰船目标检测

针对SAR图像舰船目标尺寸大小不一、舰船分布密集、背景复杂等问题,本文提出一种改进YOLOX网络并用于SAR图像舰船目标检测。该网络包括主干特征提取网络、加强特征提取网络、解耦头、预测框优化及损失计算等4个部分。与常规YOLOX网络相比,本文作了如下改进：首先,在主干特征提取网络中,3个基础特征层之后都添加了CA模块;在加强特征提取网络中,两处下采样之后也都添加了CA模块。以强化对SAR图像中重要区域的特征提取。其次,在框回归损失函数中,引入CIOU替代IOU,以更好地利用预测框和真实框之间的相对位置信息和形状信息,提升预测框回归精度。本文基于AIR-SARSHIP-2.0数据集进行了大量的舰船目标检测实验,并选择了Faster-RCNN、YOLOv3和常规YOLOX等3种网络与本文的改进YOLOX网络进行对比。实验结果表明,本文的改进YOLOX网络整体性能优于其他3种对比网络,有更少的虚警和漏警、更高的检测精度。     

基于残差网络ResNet18-SVM的弹道中段目标识别

针对单纯基于深度学习的弹道目标识别算法在小样本下鲁棒性差、识别率低的问题,提出一种残差网络ResNet18与支持向量机(SVM)级联的分类模型,对弹头、重诱饵、轻诱饵和碎片四类典型弹道目标进行识别。该识别以雷达回波信号的时频图像作为输入,利用残差单元自动抽象出目标特征,再输入SVM识别分类,该模型结合了ResNet深层感受野大、SVM对高维特征样本拥有较好的分类能力的优势。文中实验采用的雷达回波数据集通过弹道仿真和目标电磁仿真获得,通过仿真实验表明级联模型ResNet18-SVM比单纯的ResNet18识别率平均提升1. 9%;文中模型具有良好的鲁棒性,在不同信噪比下相比于SqueezeNet、ZFNet、AlexNet 网络平均精准率分别高出14. 3%、16. 3%、4. 46%。     

基于分离卷积的战场目标聚集行为识别

针对大部分行为识别算法效率较低,难以应对大规模影像识别任务的问题,一方面,提出一种结合双流结构与多纤维网络的双流多纤维网络模型,分别以RGB序列、光流序列为输入提取视频的时空信息,然后将两条支路网络的识别结果进行决策相加,提高了对战场目标聚集行为的检测效率与识别准确率;另一方面,提出一种结合分离卷积思想与多纤维网络的双流分离卷积多纤维网络模型,进一步提高网络检测效率与抗过拟合能力。实验表明,在建立的情报影像仿真数据集中,上述算法能够有效识别出战场目标聚集行为,在大幅提升检测效率同时实现了识别准确率的提升。     

基于YOLOv4的空间红外弱目标检测

在空间红外弱目标检测问题中,相关模板法和帧间差分法等传统算法判别率较低,且对数据质量要求较高。针对这一问题,本文提出了一种基于改进YOLOV4的空间红外弱目标检测方法,该算法首先针对空间不同红外目标建立了相应的数据集;以YOLOv4为基础建立了空间目标检测任务专用的神经网络框架,利用k-means聚类算法重新构造先验框;针对红外弱目标的特性设计了多尺度融合算法来提高弱目标的检测精度;最后应用COCO数据集和实验室采集到的红外图像数据集对本算法进行了训练和测试。试验结果表明,本文改进算法较YOLOv4算法在检测的准确性上有明显提升,其平均准确率（AP）可达93.25%以上,检测速度达到了38.99ms/frame,验证了算法对于空间红外弱目标检测的有效性,很好地满足了空间红外弱目标检测任务的需求。     

深度复极限学习机在雷达HRRP目标识别中的应用

传统雷达高分辨一维距离像(High-resolution Range Profile,HRRP)目标识别方法只利用目标幅度信息而丢失其相位信息,这势必会造成信息不完备.为解决此问题,提出将深度极限学习机从实数域扩展到复数域,以有效提取复HRRP序列的深层潜在结构信息.同时为更好地保持数据间的邻域信息,将流形正则化引入到...