公开SAR图像目标数据集及其在深度学习中的应用综述

由于合成孔径雷达(SAR)图像可读性较差,所以对其进行目标检测与识别处理的难度也较大.近年来,随着深度学习(DL)方法的不断发展,许多学者将其引入SAR图像目标检测与识别研究中.该类方法以数据为驱动.其中,监督学习方法更以已标注的数据为基础.但是,SAR图像目标的标注通常是昂贵且耗时的.鉴于此,本文对已公开的SAR图像...     

无人机载多传感器图像融合评述

为了能为作战指挥系统提供清晰的局部战场信息,提高对局部战场低可观测目标的检测概率、定位精度及识别概率,迫切需要对无人机载SAR、可见光传感器、红外探测器等图像信息及其他非图像信息融合处理。提出了无人机载多传感器图像融合技术需要研究的内容,如: 图像融合新方法研究;无人机载SAR图像的非平稳性处理;基于图像融合目标检测和处理技术; 无人机载图像和非图像信息的融合问题;无人机载多传感器图像融合的实现及评估;多无人机载合成孔径雷达的协同成像;用图像融合的方法实现对运动目标检测等。分析了所提出研究内容的可行性,剖析了其中的关键技术,拟定了可能的技术路线。     

基于区域的卷积神经网络在空对地车辆检测中的应用

针对传统空对地车辆检测算法在光照变换、场景变化时检测效果不佳的问题,提出了基于区域卷积神经网络Faster RCNN模型的空对地车辆检测方法,介绍了Faster RCNN模型以及模型训练过程.实验结果表明,基于Faster RCNN的空对地车辆检测方法是可行的,对不同光照和场景下的车辆检测可以取得较好的效果.     

合成孔径雷达回波模拟方法研究

合成孔径雷达回波模拟技术在SAR系统的研制、SAR图像处理等方面具有十分重要的作用.目前对于SAR回波模拟技术的研究还不够深入.针对该问题开展SAR回波模拟方法研究,通过对合成孔径雷达基本原理的分析及回波信号数学模型的推导,提出了一种较为通用的合成孔径雷达回波模拟方法,根据该方法采用Matlab进行了不同类型SAR回波模拟仿真试验.试验结果表明:该方法适用于单点目标、多点目标、面目标、分布目标及真实场景等多种类型的SAR回波信号仿真,对SAR系统设计及性能分析具有重要的参考意义.     

基于杂波对消-自聚焦的多通道SAR-GMTI

对超高频(UHF)波段多通道合成孔径雷达(SAR)动目标检测技术进行研究,解决了长相干积累时间导致动目标在方位向散焦严重的问题。采用分块自聚焦技术对多通道SAR地面移动目标指示(GMTI)系统自适应杂波抑制后的SAR图像进行处理,改善杂波抑制后的SAR图像中动目标的聚焦情况,增强动目标与周围剩余杂波的对比度,进而提高恒虚警率(CFAR)检测的性能。与传统杂波抑制后直接进行CFAR检测方法相比较,该方法降低了检测虚警概率。实测数据处理结果显示动目标的信杂比明显提高,动目标方位向聚焦成功,证明了该方法的有效性。     

三维模型在SAR图像自动目标识别中的应用

提高高分辨率SAR图像在复杂战场环境中的目标识别能力,对防御未来战争中来自地面目标的威胁具有重要意义。针对地面特定目标的大小、方位、旋转等变化以及强杂波背景给目标识别带来的严重影响,提出将目标的三维模型投影到二维平面,采用余弦傅里叶矩和瑞利分布的CFAR检测方法分别对其矩特征和峰值特征进行提取,利用级联组合分类器对目标识别进行建模分析,并通过试验验证该方法的有效性。结果表明:该方法实现了在特征维数高和姿态变化下的目标识别,而且无需额外增加对制导控制系统的开销。     

目标SAR数据库试验获取技术研究

目标SAR(合成孔径雷达)数据库是目标特征识别与提取研究的基础,目标SAR数据库试验获取的关键是地面目标摆放和SAR载机航线设计。为了获取目标多姿态SAR数据库,首先研究了地面目标距离间隔和角度间隔的配置要求,给出了SAR载机航线设计原理,包括航线长度、航向角度间隔、成像中心直角坐标系试验航线设计;推算出地心惯性坐标系下航线经度、纬度和海拔计算方法,开发了自动化试验航线设计软件;最后设计并完成了目标SAR数据库获取试验。相关研究在试验中得到了验证,并通过试验建立了军用卡车、通信车和坦克等多类目标多姿态SAR数据库,为SAR目标分类和识别技术研究提供了支撑,对其他军用目标SAR数据库的建立具有重要指导意义。     

一种提高SAR目标识别率的有效方法

在合成孔径雷达自动目标识别SAR ATR中，SAR像的预处理是提高识别率的关键技术之一。给出了一种简单有效的SAR图像预处理方法，该方法首先对SAR目标像进行对数变换后，再做傅立叶变换。经预处理后的SAR像用支持矢量机SVM分类器进行目标识别。实验结果表明：本方法不但有效地提高了目标识别率，而且保证了目标的平移不变性并具有良好的推广能力。     

SAR图像识别提取与选择特征

阐述了SAR图像在模式识别中特征提取与选择的概念、任务和基本原则,结合国内外图像特征提取与选择的最新研究动态,介绍了在SAR图像目标识别中普遍采用的一些特征提取与选择方法,并对提取纹理特征采用的灰值共生矩阵及其统计量进行了研究。     

一种基于改进核主成分分析的SAR图像识别方法研究

针对传统核主成分分析方法识别SAR图像时,存在图像像素之间关联性差、对目标姿态角依赖性强等局限性,研究了一种基于改进核主成分分析的SAR图像识别方法。其研究思想是,结合SAR图像的特点提出了一种基于局部特征核主成分分析的特征提取方法,并设计了一种基于灰关联分析的双分类器对提取特征进行分类。NSTAR仿真实验表明：该方法不仅可以增强图像像素之间的相关性,而且对目标姿态角不存在依赖性,仿真结果验证了方法的有效性和可行性。     

面向目标识别的多特征图像融合技术综述

目标识别是计算机视觉领域重要的研究课题.图像融合由于能对信息进行多级别、多层次以及多方面的处理与综合,因此可以获得更为精确和更为可靠的信息.近年来,基于多特征融合的目标识别方法由于无需精密的图像配准,计算简便的优点得到研究者的重视.本文首先简要介绍了特征融合的基本原理和基本框架;然后梳理了特征融合的几类重要方法;最后,...     

Softmax分类器深度学习图像分类方法应用综述

基于深度学习的人工智能图像分类方法研究是当前计算机视觉领域的研究热点。面向深度学习中的Softmax图像分类方法，首先回顾了图像分类技术的发展历程，接着介绍了图像识别技术中的分类器，并解释了Softmax回归函数的分类实现原理。基于Softmax回归分类器的应用，详细阐述了多种图像分类技术，具体包括浅层神经网络、深度置信网络、深度自编码器和卷积神经网络。同时，对比介绍了各种级联模型的具体结构、训练方法、实际应用、分类效果以及优缺点。最后，从Softmax回归分类器、深度学习网络模型和高维数据分类三个方面对基于Softmax回归分类器的深度学习模型在图像分类方面的发展与应用前景进行了展望。     

基于注意力YOLO-V3的合成孔径雷达舰船检测识别一体化方法

传统的合成孔径雷达舰船检测识别需要分两步实现，检测识别精度和效率难以满足实际应用需求。本文结合注意力机制和YOLO-V3网络提出了注意力YOLO-V3网络实现合成孔径雷达舰船检测识别一体化。同时，利用公开的AIR-SARShip-1.0数据集和OpenSARShip数据集构建了大场景舰船检测识别数据集，用于验证目标检测识别性能。实验结果表明，本文提出的注意力YOLO-V3网络可以获得较高的检测识别精度，证明了本文方法的有效性。     

Large-scale real-world radio signal recognition with deep learning

In the past ten years, many high-quality datasets have been released to support the rapid development of deep learning in the fields of computer vision, voice, and natural language processing. Nowadays, deep learning has become a key research component of the Sixth-Generation wireless systems (6G) with numerous regulatory and defense applications. In order to facilitate the application of deep learning in radio signal recognition, in this work, a large-scale real-world radio signal dataset is created based on a special aeronautical monitoring system - Automatic Dependent Surveillance-Broadcast (ADS-B). This paper makes two main contributions. First, an automatic data collection and labeling system is designed to capture over-the-air ADS-B signals in the open and real-world scenario without human participation. Through data cleaning and sorting, a high-quality dataset of ADS-B signals is created for radio signal recognition. Second, we conduct an in-depth study on the performance of deep learning models using the new dataset, as well as comparison with a recognition benchmark using machine learning and deep learning methods. Finally, we conclude this paper with a discussion of open problems in this area.     

基于改进SSD的舰船目标精细化检测方法

以SSD为代表的主流深度学习方法在目标检测领域取得了显著的成绩，但由于该类方法只能以矩形框给出目标的概略位置，检测结果具有很大的背景冗余区域，特别是港口密集停泊的舰船在图像中会出现区域重叠，导致误检和漏检。针对以上问题，提出了一种具有旋转不变性的舰船目标精细化检测方法，该方法综合利用可变形卷积、可变形池化、旋转的边框回归和旋转的非极大值抑制等模块的优点，借鉴MobileNet架构对网络加速，通过学习密集区域目标的几何形变，有效预测目标的旋转角度，最终以旋转的矩形框给出目标的位置。实验结果表明，该算法可实现多类舰船目标类型区分和目标朝向判定的功能，有效地解决了实际应用中的目标精确定位定向难题，提高了自动目标识别的精确性，并满足工程应用的实时性要求。     

A novel visual attention method for target detection from SAR images

Synthetic Aperture Radar(SAR) imaging systems have been widely used in civil and military fields due to their all-weather and all-day abilities and various other advantages. However, due to image data exponentially increasing, there is a need for novel automatic target detection and recognition technologies. In recent years, the visual attention mechanism in the visual system has helped humans effectively deal with complex visual signals. In particular, biologically inspired top-down attention models have garnered much attention recently. This paper presents a visual attention model for SAR target detection, comprising a bottom-up stage and top-down process.In the bottom-up step, the Itti model is improved based on the difference between SAR and optical images. The top-down step fully utilizes prior information to further detect targets. Extensive detection experiments carried out on the benchmark Moving and Stationary Target Acquisition and Recognition(MSTAR) dataset show that, compared with typical visual models and other popular detection methods, our model has increased ability and robustness for SAR target detection, under a range of Signal to Clutter Ratio(SCR) conditions and scenes. In addition, results obtained using only the bottom-up stage are inferior to those of the proposed method, further demonstrating the effectiveness and rationality of a top-down strategy. In summary, our proposed visual attention method can be considered a potential benchmark resource for the SAR research community.     

基于红外视觉/激光雷达融合的目标识别与定位方法

近年来,基于可见光图像的目标识别在无人车感知领域得到了广泛应用.然而,可见光图像目标识别无法应用于弱光和黑暗环境.针对于此,提出了一种基于红外视觉/激光雷达融合的目标识别与定位算法.首先,通过基于颜色迁移的数据增强训练方法,提高了红外目标识别算法的泛化性能.继而,提出了一种基于激光雷达修正的单目深度估计方法,通过视觉图像与激光雷达点云的数据融合,实现了基于稠密深度图对目标位置的估计,提高了对小目标的定位能力.试验结果表明,与传统Yolov3目标识别算法相比,该算法平均识别准确率可提升5.8％;此外,相对定位算法将包含小目标在内的物体相对定位精度提高了13.4％.     

Deep learning enabled localization for UAV autolanding

This article concentrates on ground vision guided autonomous landing of a fixed-wing Unmanned Aerial Vehicle (UAV) within Global Navigation Satellite System (GNSS) denied environments. Cascaded deep learning models are developed and employed into image detection and its accuracy promoting for UAV autolanding, respectively. Firstly, we design a target bounding box detection network BboxLocate-Net to extract its image coordinate of the flying object. Secondly, the detected coordinate is fused into spatial localization with an extended Kalman filter estimator. Thirdly, a point regression network PointRefine-Net is developed for promoting detection accuracy once the flying vehicle’s motion continuity is checked unacceptable. The proposed approach definitely accomplishes the closed-loop mutual inspection of spatial positioning and image detection, and automatically improves the inaccurate coordinates within a certain range. Experimental results demonstrate and verify that our method outperforms the previous works in terms of accuracy, robustness and real-time criterions. Specifically, the newly developed BboxLocate-Net attaches over 500 fps, almost five times the published state-of-the-art in this field, with comparable localization accuracy.     

Automatic target recognition using enhanced resolution SAR data

Using advanced technology, a new automatic target recognition (ATR) system has been developed that provides significantly improved target recognition performance compared with ATR systems that use conventional synthetic aperture radar (SAR) image-processing techniques. This significant improvement in target recognition performance is achieved by using a new superresolution image-processing technique that enhances SAR image resolution (and image quality) prior to performing target recognition. A computationally efficient two-level implementation of a template-based classifier is used to perform target recognition. The improvement in target recognition performance achieved using superresolution image processing in this new ATR system is quantified