基于注意力机制特征重建网络的舰船目标检测

深度学习为遥感领域诸多应用提供了重要的技术支撑,光学遥感图像的舰船目标检测对国防侦察和预警具有重要意义。真实场景中的舰船往往呈不同方向任意排列,且小目标的占比大,经典的深度学习目标检测算法在这种复杂条件下精度低、易漏检。为此,本文设计了基于注意力机制特征重建网络的舰船目标检测算法。首先,通过引入注意力机制对多尺度特征融合网络模型进行训练,以高召回率产生水平锚框;然后,旋转锚框以缓解密集排列目标引起的噪声问题,并利用特征重建模块来缓解特征不对齐的问题,实现模型精炼。在HRSC2016和DOTA数据集上的测试结果表明:舰船目标检测平均精度分别达到90.20和87.52,相比经典的深度学习目标检测算法得到了有效提升,并在模拟星载嵌入式智能图像处理平台上验证了算法在轨应用的可行性。     

基于改进SSD算法的航拍目标检测算法研究

研究基于深度学习技术的无人机航拍图像目标检测算法，首先介绍目标检测算法SSD（Single Shot MultiBox Detector），并对其特征提取网络进行改进，采用稠密特征提取网络替换原网络的主干特征提取网络，提高算法的特征提取能力，从而提升了算法的检测精度。针对网络实时性问题，在算法中引入分组卷积，极大地减少了网络参数量，提升了网络推理速度。为解决训练中出现的正负样本不均衡问题，利用焦点损失（Focal Loss）改进了原算法的损失函数，进一步提升了网络的收敛速度和精度。最后，通过仿真验证了改进算法在目标检测精度上的优越性。     

边界片段模板方法在空间探测识别中的应用

以对具有复杂边缘的空间目标进行准确的检测识别为目的,提出一种基于边界片段模板(BoundaryFragment Model)训练模式的空间目标识别方法.方法的步骤是:首先从训练集中提取目标的边界片段组成弱分类器;然后使用Adaboost算法将它们提升训练成为强分类器;对方法进行旋转、尺度、视点的不变性增强;最后将训练好的强分类器模板应用到待识别图像上,进行目标的检测识别.实验结果表明,本方法对带有各种旋转,尺度,以及视点变化的具有复杂边缘空间有形目标具有较好的识别效果.     

基于对比度和梯度分布的红外弱小目标检测

红外弱小目标检测技术是目标自动检测系统中的核心技术之一。在复杂背景以及强杂波存在的情形下,红外弱小目标检测往往会有高虚警率的问题。对于这一问题,提出了一种基于多尺度局部对比度与局部梯度分布的红外弱小目标检测算法,具有重要意义。相比于以前的算法,该方法利用多尺度局部对比度机制增强红外图像中的疑似红外弱小目标的区域,再利用红外图像的局部梯度分布信息对这些疑似红外弱小目标的区域进行判别,剔除其中的虚警区域,得到有低虚警率红外弱小目标检测结果。实验结果表明:该算法结果可靠,检测准确率高。可见,新算法可以有效地提高在复杂背景以及存在强杂波情形下红外图像中弱小目标的检测准确率。     

多波段红外目标的空谱关联检测算法

针对高速运动空中目标在远距离探测过程中能量微弱、信噪比低的问题,本文提出了多波段红外目标的空谱关联检测算法.首先利用目标的红外成像特性实现噪声滤除、目标增强与背景抑制,提升图像对比度,并利用连通域分割方法实现潜在目标区域提取.在此基础上,构建目标和背景的多波段光谱特征库,采用RX异常检测算法有效剔除单一波段的虚警,得到多波段红外图像的空谱关联目标检测结果.基于不同背景、不同光照条件场景下的多波段红外图像数据进行仿真实验.实验结果表明,多波段空谱关联检测结果优于任意单一波段的检测结果,目标检测准确率达到98.35％,而虚警率仅为7.5×10-7,验证了本文算法对于远距离目标检测的有效性.     

基于改进YOLOv3的SAR舰船图像目标识别技术

合成孔径雷达(SAR)图像自动目标识别(ATR)技术是人工图像解译的关键技术之一。针对传统的SAR舰船目标检测算法大多受限于场景且泛化能力较差的问题,设计了一种基于改进YOLOv3网络的检测模型。将YOLOv3与DenseNet网络融合,使用稠密网络模块代替用于提取中小尺度特征的残差网络模块,通过训练得到模型的最优权重,实现端到端的目标检测。使用综合交并比(GIoU)损失代替交并比(IoU)边界框回归损失,提供更加准确的边界框位置信息,提高检测精度,采用中国科学院空天信息研究院制作的SAR图像船舶检测数据集进行测试。测试结果表明:与原YOLOv3算法相比,改进后的YOLOv3检测准确率提高了1.4%。     

复杂环境下少样本域自适应雷达RD智能识别技术

针对复杂电磁环境下，传统基于雷达回波的目标识别方法定位精度差和识别能力不足的问题，以典型海背景环境下的雷达时频二维像目标为研究对象，提出了复杂环境下少样本域自适应雷达智能RD识别技术，通过设计基于分离注意力的偏移区间配准目标识别算法架构，实现了对目标的精确定位和识别，同时设计了域自适应技术对源域和目标域进行特征配准，解决少样本条件下算法场景适应性不足的问题。通过在雷达回波仿真数据和真实数据上对算法测试验证，取得了较优的结果，证明了该算法的有效性。     

基于YOLOV3的改进目标检测识别算法

经过近几十年不断的研究和发展，红外目标检测识别在侦察、导弹制导等领域取得了卓越的成就和广泛的应用，亦成为当今的热门话题。为进一步提高模型的检测识别性能，提出一种基于YOLOV3改进的目标检测识别算法。首先，通过分析红外目标的检测特性，改进了原始算法的特征提取网络，融合KL-LOSS，在原网络预测目标位置的基础上，进一步预测了位置的准确度标准差，并结合Soft-NMS算法用于改善网络的检测准确度;其次，针对红外目标相对三通道彩色图像的特征量少的问题，在检测层前融合了SKNET模块，使网络更加关注目标的有用特征;最后，给出改进网络训练的新的损失函数及前向传播算法流程。实验结果表明:改进的KS-YOLO网络在目标域(实拍空中红外目标数据集)上的平均AP性能值要优于原来的YOLOV3网络2.4个百分点，预测时间比YOLOV3实用性更好、更快。     

基于YOLOv5的近岸SAR舰船目标检测方法

由于类似舰船的陆地目标的干扰和舰船的紧密排列,基于合成孔径雷达(SAR)图像的近岸舰船检测会出现较多漏检和误检,提出了一种基于YOLOv5网络的近岸舰船的检测方法。为提高近岸背景下的检测精度,使用了注意力机制模型和CSL的技术用于改进网络;分析了YOLOv5网络、注意力模型和CSL算法,基于YOLOv5进行了检测实验,引入注意力模型来改进网络;结合CSL算法,重构了YOLOv5旋转检测网络。通过调整训练参数和改进注意力,近岸目标检测网络的测试结果达到mAP 80%以上,证实了CSL+YOLOv5算法实现旋转检测的可行性。     

基于深度学习的雷达干扰识别方法研究

针对复杂电磁环境下雷达干扰信号识别问题，从优化卷积神经网络结构的角度出发，本文提出了一种对卷积神经网络结构LeNet-5增加批量归一化层和改变激活函数的方法。该方法能够加速网络收敛，提升网络的学习效率。本文首先建立舰船目标模型，分析了噪声调幅干扰、噪声调频干扰、梳状谱干扰和无干扰的真实目标回波信号在时频域的差异，然后利用四种信号对舰船目标模型生成数据集，最后通过本文所提方法实现雷达干扰的自动识别。仿真结果表明：在全信噪比条件下，本文所提方法对四种信号的识别准确率达到98.1%，表明所提方法有着较好的稳定性和鲁棒性。     

一种基于迁移学习的遥测数据异常检测方法

为解决卫星遥测数据异常检测面临的数据不平衡且缺乏有标签样本的问题，提出一种基于一维卷积神经网络(1dCNN)迁移学习的异常检测方法。首先利用源域卫星的遥测数据对1dCNN进行预训练，使得模型的卷积层具有卫星状态特征的提取能力；然后将训练好的模型迁移到缺乏标签数据的目标域卫星中；利用目标域有标签样本对预训练模型进行微调，从而实现了对目标域测试集样本的异常检测。为了使1dCNN能够适应遥测数据样本的不平衡性，引入了代价敏感训练策略，建立动态损失函数，从而提升代价敏感一维卷积神经网络(cs 1dCNN)对于异常样本的识别能力。以某两个卫星的电源分系统遥测数据进行了验证，实验结果表明该异常检测迁移方法具有较好的有效性和鲁棒性。     

基于ResNet的智能恒虚警目标检测方法

传统恒虚警检测方法通常假设待测单元的杂波与训练杂波满足独立同分布,然而在实际雷达工作环境中,强杂波呈现出非均匀特性,沿距离单元的杂波统计特性差异变化较大,使得传统恒虚警目标检测方法在复杂环境下的检测性能下降。为解决该问题,本文从杂波统计特征提取分类出发,通过深度学习方法对杂波进行分类,提出了一种基于残差神经网络(ResNet)的智能恒虚警目标检测方法。首先,根据雷达实测杂波数据建立ResNet的训练集和测试集;其次,构建ResNet对数据进行智能特征提取,得到杂波的统计特征,并用训练好的网络对测试集进行测试;最后,以阈值可设的Softmax分类器对所得统计特征进行分类,根据分类结果实现智能恒虚警目标检测。实验结果表明:相比传统恒虚警检测方法,本文提出的方法具有自适应能力更强、检测性能更好等优点。     

面向高光谱图像的目标检测研究

现有的高光谱目标检测方法是通过逐像素分类而实现,导致了检测速度缓慢。物体级目标检测的发展为高光谱图像实时目标检测带来了希望。为了实现实时高光谱图像目标检测,文章提出了一种基于目标检测模型YOLO的卷积神经网络算法。首先,该算法提出了用多尺度光谱注意力网络（Res2NetSE）来提取空谱特征,能够提升多尺度目标检测效果并能更有效地提取关键波段信息;其次,该算法提出了一个空间增强的特征金字塔模块（Spatial Enhanced FPN,SFPN）用于特征融合,提升了神经网络的感受野和多尺度性能;最后,该算法设计了FIOU(Fantastic IoU)损失函数,提升了预测框定位精度。实验结果表明,所提出的算法能够有效提取空间域和光谱域信息特征,分别在平均准确率上提升了14.19%、8.01%和5.38%,与现有方法相比表现出更出色的性能。文章的算法为高光谱图像的物体级目标检测提供了一种有效的解决方案,有望推动高光谱图像分析领域的进一步发展。     

基于视觉显著性和卷积神经网络的机场目标快速检测

针对现有的机场目标检测算法用于大幅面遥感图像时检测速度慢、准确率低的问题,文章提出了一种基于视觉显著性和卷积神经网络相结合的高效、精确的机场目标检测方法。首先,根据机场形状特征,采用基于直线分布特征的视觉显著性检测方法提取候选区域,对机场的可能位置进行粗定位;然后,设计了一种改进的卷积神经网络分类模型判断候选区域是否为机场;最后,使用非极大值抑制的方法去除冗余的预测框,获得最终的检测结果。利用从谷歌地球收集的图像数据集对该神经网络模型进行训练和测试,结果表明其在精准率和召回率上均具有较大优势。此外,文章所提算法在来自不同卫星平台的大量大幅面遥感图像上进行了机场目标检测,结果显示其适应性强且检测效率有大幅度提升。     

基于梯度关系和局部连通性的红外小目标检测方法

红外图像中的弱小目标检测技术在精确制导等领域有着广泛的应用,是提升现代军事实力的关键环节。传统的目标检测算法主要基于背景抑制和目标显著性两个方面,但往往不适用于色差较大、干扰较多的复杂环境。本文提出一种基于梯度检测和局部连通性判断的弱小目标检测算法,利用弱小目标在局部区域的梯度特性和连通特性识别可疑目标,并采用区域生长算法进一步剔除检测到的干扰点。同时采用自适应策略确定相关阈值,提升算法的灵活性与应用范围。本文算法在反映多种检测环境的图片和视频序列中进行检测,并与传统方法比较。检测结果表明:该方法准确率较高,可保证较低的虚警率,同时处理速度较快。     

基于深度卷积神经网络的遥感影像目标检测

随着遥感影像数据规模的快速扩张,如何高效准确地识别遥感影像中的典型目标成为当前的研究热点。为解决传统遥感影像目标检测方法准确率低的问题,用基于深度卷积神经网络进行遥感影像目标检测,在遥感影像数据集上用基于Faster-RCNN的神经网络模型对VGG16卷积网络进行训练,对输入的遥感影像通过区域推荐网络标注出待检目标的包围框和置信度,实现对遥感影像的目标检测。以飞机和油罐为例,在TensorFlow深度学习框架下实现了数据预处理、网络训练、目标检测等功能,并在当前测试数据集上取得了较高的检测准确率和置信度。该研究成果可应用于遥感影像解译和处理等相关领域。     

基于改进YOLOv3网络的遥感目标快速检测方法

针对将来卫星在轨实时目标检测需求,且在其内存和算力都受限的条件下,提出一种改进的YOLOv3,利用轻量化网络代替YOLOv3的特征提取网络,实现遥感目标的高效检测。在目标检测精度相近的情况下,改进模型参数相比原先降低了1.5倍,计算量降低了3.3倍。同时提出了一种基于交并比的迭代聚类算法,分别在YOLOv3和改进YOLOv3上实现了7.0%和2.3%的平均精度均值(mAP)提升。实验表明:改进模型的检测速度最快能达到101 frame/s,当其mAP比YOLOv3高6%时,检测速度仍是YOLOv3的1.6倍。本文提出的改进YOLOv3是一种高效遥感目标检测方法,为未来星上应用打下基础。     

基于CNN-BiGRU的空间目标RCS异常检测方法

针对相控阵雷达获取单个空间目标RCS数据率低、传统姿态异常检测方法提取短RCS序列有效特征困难、检测准确率低的问题,提出了一种基于CNN-BiGRU网络的RCS异常检测方法。首先利用滑动窗口对一段时间空间目标RCS实时数据进行积累;之后采用一维CNN提取不同检测窗口RCS序列的多尺度高维特征向量,采用BiGRU提取特征向量的时序依赖特征。通过将两个网络级联,实现对RCS随目标姿态变化的多元特征信息的有效提取;最后基于全连接层实现对目标异常RCS序列的分类与识别。仿真实验结果表明：相较于传统方法,所提方法检测准确率更高,抗噪声干扰能力更强。实测实验结果表明：利用仿真数据训练的模型针对不同源的实测数据,在低数据率条件下能够保持较高的检测准确度,所提方法具有较好的泛化性,更适用于相控阵雷达体制下RCS的异常检测。     

复杂背景中红外多光谱目标检测算法研究

针对多光谱红外探测器,对复杂背景条件下红外弱小目标检测算法进行了研究。根据弱小目标缺乏纹理等相关信息的特点,给出了一种用于多光谱图像的弱小目标检测算法。对多光谱图像,构建数据立方体,对多光谱信息建立稳定的目标特征向量,用多光谱背景抑制滤波器以提升图像信噪比,将一种基于统计判别的低信噪比条件下红外序列图像弱小目标检测算法与传统多级假设检验跟踪(MHT)算法综合,形成了改进的连续帧目标检测跟踪算法,对波门内疑似目标点用引入多光谱信息建立的特征向量进行目标的非监督检测判决。实验结果证明:在低信噪比下该算法能有效检测跟踪弱小目标,在保证检测概率前提下可有效抑制虚警,极大地降低了后续跟踪算法的计算爆炸风险。     

凝视视频卫星目标检测算法

为了实现对高分辨率光学遥感视频卫星成像视场范围内的飞机目标进行快速高效检测,提出一种遥感影像快速目标检测方案。文章借鉴深度卷积神经网络模型YOLO系列算法高速检测目标优点,引入端对端式全卷积神经网络构建检目标测算法,通过实验统计和探索光学卫星成像视场范围大小对目标检测准确率和检测速度的影响,结合目标尺度进行网络调优、改进检测模型,得到基于凝视成像视频卫星目标检测的高效算法。运用算法对来自"吉林一号"光学A星及视频3星的影像数据集进行目标检测实验统计,在413张800像素×800像素的静态遥感影像测试集中实现76.2%的平均检测准确率,在同等尺度的遥感视频序列中实现31帧/s的检测速度。该算法成功将深度卷积神经网络技术引入到凝视视频卫星遥感应用领域,有效证明了深度学习技术在遥感视频识别领域的可行性。