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%.     

基于多尺度GAN 网络的SAR 舰船目标扩充

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。     

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。     

基于改进快速区域卷积网络的目标检测轻量化算法

基于深度学习的目标检测算法已成为合成孔径雷达（SAR）图像目标检测任务的主流。深层网络通常具有大量参数,运行速度不能满足实时要求,难以在资源受限的设备(如移动端)上部署。考虑到对模型实时性和可移植性的要求,对双阶段目标检测算法快速区域卷积神经网络进行轻量化改进,比较不同改进方法对算法速度与精度的影响。结合SAR图像的特点,优化轻量化模型,与单阶段目标检测算法的单脉冲多盒检测网络对比。仿真实验结果表明,改进轻量化模型在保持原有精度水平下,模型占用内存和算法运算量大大减少,可有效满足SAR图像目标检测的实时性要求。     

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。     

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。     

基于改进Focus的小目标检测技术

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。     

基于改进YOLOv3和核相关滤波算法的旋转弹目标探测算法

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。     

一种基于小波变换的卫星SAR海洋图像舰船目标检测方法

本文依据SAR图像海洋背景和舰船目标特点分析,提出了基于小波交换的卫星SAR海洋图像船舶目标检测方法,仿真分析结果表明该方法实用、有效.     

SAR 图像目标检测方法综述

目标检测是合成孔径雷达(synthetic aperture radar,SAR)图像方面的研究热点,综述SAR图像目标检测的几种方法.通过对传统方法SAR图像目标检测和基于深度学习的SAR图像目标检测进行梳理总结,从实验方面验证深度学习在复杂背景下SAR图像舰船检测存在的问题,分析目前SAR图像目标检测算法的优势和存在的不足,明确SAR图像目标检测急需解决的问题.     

一种合成孔径雷达原始信号模拟方法

合成孔径雷达是一种高分辨率的雷达体制, 原始信号的模拟是合成孔径雷达研制的一个重要方面.说明了原始信号模拟系统的构成, 并介绍了现有的原始信号模拟方法, 最后给出了点目标的数学模型.     

一种基于改进SIFT的SAR图像配准算法

为克服SIFT (scale-invariant feature transform)描述子应用于SAR图像配准领域时配准精度低的不足,提出一种基于改进SIFT的SAR图像精确配准算法.该方法首先提取特征点的SIFT描述子和改进的旋转不变纹理化特征描述子,再利用典型相关分析特征融合算法将2种描述子融合,形成新的特征描述子,计算2幅图像中各个特征点间的改进加权距离并通过预先设定好的阈值完成粗匹配,最后通过随机抽样一致性算法去除误匹配实现精匹配,并代入仿射变换模型以求得变换参数,完成图像的配准.仿真结果表明:该方法的匹配性能明显优于SIFT及PCA-SIFT算法,能够有效处理图像在尺度变化、灰度变化、旋转角度变化的情况下SAR图像配准问题,且配准精度达到了亚像素级.     

一种改进的AABB包围盒树更新算法

包围盒树的更新效率是基于AABB包围盒树碰撞检测算法的瓶颈之一。利用时间相关性原理,在底层包围盒更新之后进行预处理,判断是否继续更新,从而减少更新的包围盒的数目,节省包围盒树更新所消耗的时间。实验证明在基元数目为4万个时,采用改进方法更新包围盒树比常用的SOLID算法库节省了20%的时间,提高了算法效率。