面向智能感知的小样本学习研究综述

小样本学习指只利用目标类别的少量监督信息来训练机器学习模型。由于其实用价值，学术界和工业界提出很多针对该问题的解决方案，但是目前国内缺少该问题的综述。本文对国内外学者提出的小样本学习算法及基于小样本学习的目标检测算法进行了系统的总结和探索。首先，给出了小样本学习的问题定义，列举其与其他一些经典的机器学习问题之间的联系，同时从理论上阐述小样本学习问题面临的挑战；接着，对基于小样本学习的图像分类进行了概述，并对其中代表性的工作进行介绍与分析；在此基础上，重点针对基于小样本学习的目标检测，特别是零样本条件下的目标检测问题，详细介绍和分析了现有的研究工作；最后，立足于现有方法的优缺点，从问题设定、理论研究、实现技术以及应用场景等几个方面对小样本学习的未来发展进行了展望，期望为该领域后续的研究工作提供启示。     

基于迁移学习的无人机对地面目标识别研究

无人机对地面目标的识别精度受到数据集少和目标小的影响。传统深度学习需要大量有标注的数据集,限制了在具有小样本下的无人机对地面目标识别领域的应用。将迁移学习的方法用于卷积神经网络VGG16,并修改VGG16网络最后的3个连接层;同时利用单样本数据增强法将UC Merced数据集扩大到原来的8倍,对其进行验证和对比分析。实验结果表明,基于迁移学习的VGG16网络对地面目标识别的准确度可达97.62%,相较于未使用迁移学习的VGG16网络模型,整体提高了23.53%。并且在相同训练参数的设置下,模型比SqueezeNet、AlexNet、Inceptionv3、MobileNet-v2以及EfficientNetb0模型验证精度提高了3.63%～17.38%,收敛速度最快,可基本满足对地面目标的识别。     

基于深度学习的小目标检测研究进展

随着深度学习方法的快速发展,目标检测作为计算机视觉领域中最基本、最具有挑战性的任务之一,已取得了令人瞩目的进展。现有的算法大多针对于具有一定尺寸或比例的大中型目标,但由于待测目标尺寸小、特征弱等原因,对小目标的检测性能还远远不能令人满意。小目标检测（SOT）作为一种广泛应用于室外远程拍摄和航空遥感场景的技术,近年来受到了广泛的关注,各种方法层出不穷,但是目前对该问题的全面综述较少。从问题定义、算法分析、应用介绍、方向展望等方面对基于深度学习的小目标检测研究进展进行了综述。首先,给出了小目标检测问题的定义,阐述了其技术难点及在实际应用中面临的挑战;接着,从8个不同角度分析了检测器对小目标检测精度较低的主要原因及相应的改进方法,详细归纳总结了小目标检测在各技术方面的研究工作;然后介绍了几个特定场景下小目标检测算法的典型应用;最后,对小目标检测未来的发展趋势进行展望,提出可行的研究方向,期望为该领域的研究工作提供可借鉴和参考的思路。     

面向目标分类识别的多任务学习算法综述

多任务学习(MTL)可以在训练中联合利用多个任务的监督信号，并通过共享多个相关任务之间的有用信息来提升模型性能。本文从目标分类识别应用角度，全面梳理和分析了多任务学习的机制及其主流方法。首先，对多任务学习的定义、原理和方法进行阐述。其次，以应用较为广泛、具有代表性且具有共性特点的细粒度分类和目标重识别为例，重点介绍多任务学习机制在目标分类和识别任务应用的2类方法：基于任务层的多任务学习和基于特征层的多任务学习，并针对每种类型进一步分类分析不同的多任务学习算法的设计思想和优缺点。接着，对本文综述的各种多任务学习算法在通用数据集上开展性能对比。最后，对面向目标分类和识别任务的多任务学习方法的未来趋势进行展望。     

AIS和光学遥感图像引导的星载SAR舰船目标识别网络

星载SAR作为全天时、全天候的感知手段广泛应用于海洋目标识别任务中,由于SAR图像分辨率低、难解译、样本不均衡导致现有单一模态目标识别算法识别精度低。提出了一种AIS和光学遥感图像引导的星载SAR舰船目标识别网络,针对不同模态数据特征维度不同导致难度量问题,利用特征迁移模块在保留各自模态独有特征属性前提下将异构特征映射到共同的空间中度量;针对不同模态不同类别数据存在样本不均衡问题,利用异构特征对齐模块充分挖掘不同模态的互补信息,以细粒度的方式进一步对齐不同模态的异构特征,同时将各个模态的判别性特征作为先验信息迁移至SAR图像模态中。实验部分利用AIS历史数据和光学遥感数据集作为辅助信息,在2个公开的SAR图像舰船目标数据集中进行测试,实验结果表明所提算法通过迁移不同模态信息,有效提升了SAR图像舰船目标的识别准确率。     

小样本目标检测综述

小样本学习是指在样本数据不足或质量较低的情况下进行的深度学习训练和预测的方法.针对深度学习目标检测应用中可能会面对的样本数据不足的问题,分析了小样本目标检测的数学模型和误差来源,将适用于小样本目标检测的方法分成数据、模型和算法三个类别进行了归纳总结,简述了各个方案的缺点与不足,并枚举了近年来在小样本目标检测上的可行方法实践探索,简要介绍了其实现的效果.在此基础上,简单介绍了与小样本学习相类似的深度学习应用,并在分析了目前小样本检测中存在的问题后,对未来小样本目标检测的发展方向和研究趋势进行了讨论.     

空间机器人深度学习识别捕获部位的应用探讨

针对空间机器人对捕获部位识别方法的普适性、实时性和准确性等要求，提出了采用深度学习方法对空间机器人捕获目标的特征部位进行识别。通过比较分析方法、数据驱动方法等传统识别方法和深度学习方法的优缺点，发现深度学习方法对于解决空间机器人捕获部位识别问题具有显著优势。进一步分析了应用深度学习方法解决捕获部位识别问题的几个关键技术问题，为后续空间机器人在轨捕获目标的研究与实践提供了新的思路。     

一种概率更新方法及在目标识别中的应用

信息更新问题是控制决策系统中普遍存在而又极为重要的研究课题。二阶概率技术在这些问题的研究中有着广泛的应用前景。文中结合一个目标识别问题中的应用实例,系统介绍了二阶概率技术的应用过程以及建立在二阶概率技术上的一种概率更新方法,并利用该方法解决了一个目标识别问题中的信息更新问题。     

海面舰船目标雷达距离高分辨特性测量

雷达距离高分辨特性,即目标的一维高分辨距离像特性,能够体现目标的形状及结构信息,且易获取,有利于对目标进行准确识别,这已成为目前雷达目标识别领域的一个重要研究方向。开展目标一维高分辨特性研究的一个重要基础是测量,因而通过测量目标的一维高分辨距离像并分析目标特性,对目标识别具有重大理论意义与实际应用价值。基于此,文章利用实验室现有全相参新体制雷达导引头目标测量平台,对海面舰船目标的距离高分辨特性进行了初步实测,获取了海面舰船的米级高分辨距离像,为今后深入开展海面舰船目标识别研究奠定了坚实基础。     

靶场偏振成像技术应用

偏振成像技术不仅能获取目标的辐射强度信息,还能获取到偏振信息,有助于复杂环境下目标的探测识别.靶场现有光电设备主要采用强度探测,通过目标-环境差别来区分目标,因此,在复杂环境下,目标容易湮没在背景中难以探测.通过分析偏振成像原理和技术特点,总结归纳国外在偏振成像方面的试验应用,阐述了偏振成像在靶场应用的前景和优势,提出了一种基于偏振成像的光学成像系统,并对现有设备提出了偏振化改造方案.通过利用目标、环境的偏振特性,利用强度+偏振的组合模式,可提升现有设备的目标探测和成像识别能力.最后,对偏振技术应用和发展进行了展望.     

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％.     

作战目标知识图谱构建与应用

针对高技术条件下的作战目标信息保障需求,根据知识图谱技术基本概念,分析了作战目标知识图谱的重要性,提出了作战目标知识图谱构建的基本架构,并对实体抽取、关系抽取、属性抽取、实体消歧、指代消解等主要环节的技术路线进行了详细阐述,提出了作战目标信息智能检索和信息推荐、作战目标多维知识表示、作战指挥辅助决策等作战目标知识图谱典型应用,对知识图谱技术在作战服务保障中的应用进行了展望,并提出了作战目标知识图谱在应用中面临的技术挑战。文章在作战目标信息保障中初步探索了知识图谱技术应用,对未来目标情报指挥认知能力形成具有一定指导意义。     

基于深度学习的无人机航拍目标检测研究综述

目标检测是提高无人机（UAV）感知能力的关键技术之一,其研究对于无人机的应用有着重要意义。与基于手工特征的传统方法相比,基于卷积神经网络的深度学习方法具有强大的特征学习和表达能力,成为目前目标检测任务的主流算法。近年来,目标检测技术已经在自然场景图像上取得了一系列突破性进展,在无人机领域的研究也逐渐成为热点。首先系统阐述了基于深度学习的目标检测算法的研究进展,并总结了相关算法的优缺点。对常见的航空影像数据集进行了梳理并介绍了迁移学习的方法;从无人机影像背景复杂、目标较小、视场大、目标具有旋转性的特点出发,对无人机目标检测在近期的研究进行了归纳和分析。最后讨论了存在的问题和未来可能的发展方向。     

面向自主空中加油任务的目标检测技术研究

针对软式空中加油任务自主对接过程中的视觉需求，本文进行了基于深度学习的自主空中加油锥套目标检测技术研究。首先，构造了一组包含不同目标尺度、背景并经数据增广后的软式自主空中加油锥套图像数据集。其次，结合当前主流的智能检测算法，对比分析了不同单双阶段检测算法在加油锥套数据集中的检测效果。在Faster RCNN网络添加了自适应置信度筛选模块，降低了其错检概率。为满足工程化应用需求，对YOLOv5网络进行轻量化改造，在几乎不降低检测精度的情况下提高了YOLOv5的检测速度，并大大降低了模型复杂度与运算资源消耗。该研究验证工作为后续展开锥套跟踪及位姿解算等研究提供了良好基础，可以为相关算法在自主空中加油任务中的进一步工程化应用提供重要的先验信息和技术参考。     

基于改进Yolov3 算法的舰船目标检测识别系统

针对复杂战场环境下对海目标检测识别的需求,设计了一种基于改进Yolov3 算法的海面舰船目标实 时检测识别系统。使用微调分类网络、增加训练尺度、聚类目标边框维度、二级特征分类等方法对Yolov3 检 测识别网络模型进行了优化,在提高识别精度的同时有效降低了漏检率和虚警率。实验结果表明,优化后的网 络模型在自建的舰船图像数据库中将检测识别平均准确率提高到了79.3%,对真实海上航拍视频中舰船目标识 别的平均准确率达到了81% 以上。     

国外机载海面监视雷达发展现状与趋势

首先对目前西方国家装备的较先进的机载海面监视雷达进行了介绍,总结了它们的技术特点。现役机载海面监视雷达具有多功能和多工作模式的特点,除增强了对高海况下的小目标检测能力外,还新增了气象探测、SAR/ISAR和HRRP等先进功能。最后指出了机载海面监视雷达未来发展趋势。     

基于混合 MOM-PO的复合电磁散射问题分析

海面(或地面)环境中目标电磁散射特性,对实际战场环境下军用目标的雷达探测、雷达特性形成以及雷达目标识别等技术具有基础支撑作用。因此,快速准确地分析目标和粗糙面复合电磁散射特性具有重要理论意义和应用价值。文章采用基于矩量法(MOM)和物理光学法(PO)的混合方法MOM-PO分析了目标和粗糙面复合电磁散射问题。与传统的矩量法相比,该方法在保证精确度的前提下大大加快了计算速度。     

重访机制驱动的多无人机协同动目标搜索方法

为实现多无人机高效捕获灰色任务区域内的移动目标，考虑传感器探测概率与虚警概率，提出了重访机制驱动的协同搜索规划（RMD-CSP）方法，以降低目标遗漏与误判概率。考虑无人机飞行性能约束，以最大化任务执行效能为目标建立多无人机协同搜索模型。根据目标先验信息初始化环境搜索信息图（包括目标概率分布图、环境不确定度图与环境搜索状态图），利用无人机实时探测信息，基于贝叶斯准则持续更新搜索信息图。定制基于环境不确定度更新的重访机制，通过增加长时间未被重访区域的环境不确定度，引导无人机搜索该区域，降低移动目标的遗漏概率；定制基于目标函数权重更新的重访机制，引导无人机快速重访发现新的疑似目标的区域，对疑似目标进行再次确认，减少由于传感器虚警概率造成的目标误判概率。采用滚动时域规划架构，将搜索规划问题分解为一系列短时域规划问题，提升了求解效率。在典型任务想定下，通过数值仿真试验验证了所提方法的有效性。仿真结果表明，RMD-CSP能够在秒级时间内生成每个时域的搜索航迹，相比于光栅式搜索方法与标准的概率启发式搜索方法，能够引导无人机捕获更多的移动目标，同时减少误判次数，有效提升了多无人机协同搜索的任务效能。     

基于SVM算法的虚假航迹识别

针对云雨杂波和主被动干扰导致多雷达传感器产生虚假目标航迹的问题,利用支持向量机(SVM)算法的自主学习能力,通过构建基于数据驱动的判别模型进行虚假航迹识别。针对航迹起始得到的目标潜在航迹,利用人工智能数据驱动、自学习的特点,设计了SVM算法。通过对已标记真假的目标航迹样本进行离线学习,形成虚假航迹识别的SVM分类器,实现了基于数据驱动的判别模型代替先验知识规则约束的固定模型,并在工程应用中,利用SVM分类器在线识别虚假航迹,完成实时剔除。通过实测雷达数据实验验证,该算法的目标虚假航迹准确率高达95%以上,完全满足实际的工程应用需求。相比基于阈值或规则进行硬性判断的传统虚假航迹识别方法,所提出的算法不仅提高了准确率,还具有较高的实时性,能够适应复杂多变的杂波环境,在实际应用中具有更强的适应性和实用性。因此,提出的基于SVM算法的虚假航迹识别方法对于密集杂波场景下的虚假航迹剔除问题具有显著的实际应用价值。     

一种新的红外目标图像质量评价方法

 目标混淆度（DTC）和目标遮隐度（DTS）是两个有效的红外小目标图像质量评价指标,然而它们不能够评价大目标图像的质量。针对该问题,对两个指标的定义进行了拓展,实现了对红外小目标图像质量和红外大目标图像质量的统一描述。对于小目标图像,修正了两个指标原有的计算方法,分别体现了背景噪声引入虚警的能力和背景区域遮隐目标的能力;对于大目标图像,提出了该图像条件下两个指标的计算方法,分别体现了背景区域与目标区域的相似程度以及图像中目标信息与已知信息相比偏离的程度。理论分析和实验证明,与传统的图像质量评价标准如信噪比、杂波尺度等相比,本文方法在红外自动目标识别中的应用更为有效,其评价结果与实际情况更加吻合。