基于深度学习的红外目标检测综述

红外图像由于分辨率低、纹理细节不足,且缺乏颜色信息,导致目标成像模糊,检测难度大。基于深度学习的红外目标检测技术,通过运用神经网络自动提取复杂的目标特征,大大提高了检测精度和检测效率,在自动驾驶、安防监控、军事侦察等领域得到了非常广泛的应用。该文对红外目标检测面临的困难和挑战进行了详细分析,并从数据增强、迁移学习、视觉注意力机制、多尺度特征融合、多模态图像融合和轻量化改进等六个方面,对基于深度学习的红外目标检测研究改进方向进行了系统阐述。针对红外目标检测数据集缺乏的问题,梳理汇总了11个红外目标检测数据集。同时,结合当前发展现状,对红外目标检测的未来发展方向进行了展望,可为其他研究者提供参考借鉴。     

S36.50型风扇磨煤机打击轮在运行中存在的问题及改造措施

对富拉尔基发电总厂S36.50型风扇磨煤机打击轮运行中存在打击板、前盘、后盘等磨损问题进行了分析,提出了改进打击板型线、改变打击板布置角度和加装前盘热风吹抚装置等措施,节省了大量更换设备费用.     

西石门铁矿自落顶设回收进路的无底柱分段崩落法试验研究

将无底柱分段崩落法用于开采顶板与矿体稳固、底板不稳固的缓倾斜中厚与厚矿体,依据岩体自然冒落规律与散体运动规律,解决了顶板处理与底板残留矿量回收等问题,在西石门铁矿实现了安全、低耗、高效开采,取得了良好的技术经济效果.     

基于特征融合与核局部Fisher判别分析的行人重识别

行人重识别精度主要取决于特征描述和度量学习两个方面。在特征描述方面,现有特征难以解决行人图像视角变化的问题,因此考虑将颜色标签特征与颜色和纹理特征融合,并通过区域和块划分的方式提取直方图获得图像特征;在度量学习方面,传统的核局部Fisher判别分析度量学习方法对所有查询图像统一映射到相同的特征空间中,忽略了查询图像不同区域的重要性,为此在核局部Fisher判别分析的基础上对特征进行区域分组,采用查询自适应得分融合方法来描述图像不同区域的重要性,由此实现度量学习。在VIPeR和iLIDS数据集上,实验结果表明融合后的特征描述能力明显优于原始特征,同时改进的度量学习方法有效提高了行人重识别精度。     

基于特征融合的行人重识别方法

针对行人重识别中已有方法难以解决行人图像光照、视角变化大的问题,提出了一种基于特征融合的行人重识别方法。首先利用Retinex变换对图像进行预处理;然后将CN特征与原有的颜色和纹理特征融合,并通过区域和块划分的方式提取直方图获得图像特征;最后采用不同的距离学习方法在4个数据集上进行行人重识别。实验结果表明,融合后的特征对行人图像具有更好的表述能力,实现了重识别精度的较大提升,验证了方法的有效性。     

基于轨迹聚类的公共安全异常检测

公共安全异常检测的需求越来越迫切,监控中基于轨迹聚类的检测方法越来越流行,但是现有方法在处理高维不等长轨迹数据时效果并不理想。提出一个新的轨迹聚类方法,该方法通过组合动态时间弯曲和密度峰算法实现。动态时间弯曲用于度量轨迹间的距离,密度峰算法根据距离进行聚类。前者可直接度量不等长轨迹聚类,后者是近年提出的非球体分布数据聚类算法,以局部密度和最近邻聚类组合实现。实验在PETS2006监控视频数据集上进行,测试结果表明该方法有效地发现了异常的轨迹行为模式。     

搅拌时间和乳化剂对海绵蛋糕表面气泡的影响

比较研究蔗糖酯型乳化剂和单甘酯型乳化剂对海绵蛋糕起泡和消泡阶段面糊特性的影响,并重点比较了在相同面糊比重情况下,不同搅拌时间组合对海绵蛋糕表面气泡的控制及对面糊比重、黏度、微观气相结构、蛋糕烘焙特性的影响,并探讨了乳化剂与搅拌时间控制表面气泡的机理。结果表明:使用蔗糖酯型乳化剂可以控制海绵蛋糕表面气泡生成,并保持较佳的烘焙特性。在工艺方面,采用合适的搅拌组合(起泡时间3.50min,消泡时间6.33min)可以减少面糊异常气泡数量,从而减少海绵蛋糕表面气泡生成。     

基于图形几何特征相似度的点阵比较

在工程实践中,需要从具有多个相似点阵的已知点阵（Spot Array）集[S]中匹配出一个与未知点阵[P]最相似的点阵[P*],然后对两个点阵做样本点匹配。完成这个任务的关键挑战在于如何匹配出与未知点阵[P]最相似的已知点阵[P*]。这个问题比较新颖,目前少有理论研究,文中探索出一种基于图形的几何特征分析的描述算法,算法首先将每个点阵构建成一个唯一的简单图（Simple Graph）轮廓图形,同时为每个图形构建一个链式结构,然后利用轮廓图形的几何特征计算未知点阵与各已知点阵的相似程度,匹配出相似度最高的一个,最后利用链式结构完成两个点阵间的样本点匹配。该算法不受点阵的坐标系旋转和尺度缩放的影响。通过实验表明,该算法能够快速、准确地完成点阵相似度比较和样本点匹配任务。     

贪心非对称深度有监督哈希图像检索方法

近年来,深度有监督哈希检索方法已成功应用于众多图像检索系统中。但现有方法仍然存在一些不足：一是大部分深度哈希学习方法都采用对称策略来训练网络,但该策略训练通常比较耗时,难以用于大规模哈希学习过程;二是哈希学习过程中存在离散优化问题,现有方法将该问题进行松弛,但难以保证得到最优解。为解决上述问题,提出了一种贪心非对称深度有监督哈希图像检索方法,该方法将贪心算法和非对称策略的优势充分结合,进一步提高了哈希检索性能。在两个常用数据集上与17种先进方法进行比较。在CIFAR-10数据集上48 bit条件下,与性能最好的方法相比mAP提高1.3%;在NUS-WIDE数据集上所有bit下,mAP平均提高2.3%。在两个数据集上的实验结果表明,该方法可以进一步提高哈希检索性能。     

噪声鲁棒的轻量级深度遥感场景图像分类检索

目的 基于深度神经网络的遥感图像处理方法在训练过程中往往需要大量准确标注的数据,一旦标注数据中存在标签噪声,将导致深度神经网络性能显著降低。为了解决噪声造成的性能下降问题,提出了一种噪声鲁棒的轻量级深度遥感场景图像分类检索方法,能够同时完成分类和哈希检索任务,有效提高深度神经网络在有标签噪声遥感数据上的分类和哈希检索性能。方法 选取轻量级神经网络作为骨干网,而后设计能够同时完成分类和哈希检索任务的双分支结构,最后通过设置损失基准的正则化方法,有效减轻模型对噪声的过拟合,得到噪声鲁棒的分类检索模型。结果 本文在两个公开遥感场景数据集上进行分类测试,并与8种方法进行比较。本文方法在AID（aerial image datasets）数据集上,所有噪声比例下的分类精度比次优方法平均高出7.8%,在NWPU-RESISC45（benchmark created by Northwestern Polytechnical University for remote sensing image scene classification covering 45 scene classes）数据集上,分类精度比次优方法平均高出8.1%。在效率方面,本文方法的推理速度比CLEOT（classification loss with entropic optimal transport）方法提升了2.8倍,而计算量和参数量均不超过CLEOT方法的5%。在遥感图像哈希检索任务中,在AID数据集上,本文方法的平均精度均值（mean average precision,mAP）在3种不同哈希比特下比MiLaN（metric-learning based deep hashing network）方法平均提高了5.9%。结论 本文方法可以同时完成遥感图像分类和哈希检索任务,在保持模型轻量高效的情况下,有效提升了深度神经网络在有标签噪声遥感数据上的鲁棒性。