基于多尺度联合学习的行人重识别

现有的行人重识别方法主要关注于学习行人的局部特征来实现跨摄像机条件下的行人辨识。然而在人体部件存在运动或遮挡、背景干扰等行人数据非完备条件下，会导致行人局部辨识信息丢失概率的增加。针对这个问题，提出了一种多尺度联合学习方法对行人辨识特征进行精细化表达。该方法包含3个分支网络，分别提取行人的粗粒度全局特征、细粒度全局特征和细粒度局部特征。其中粗粒度全局分支通过融合不同层次的语义信息来增强全局特征的丰富性；细粒度全局分支通过联合全部局部特征，在对全局特征进行细粒度描述的同时学习行人局部部件间的相关性；细粒度局部分支则通过遍历局部特征来挖掘行人非显著性的信息以增强局部特征的鲁棒性。为了验证所提方法的有效性，在Market1501、DukeMTMC-ReID和CUHK03三个公开数据集上开展了对比实验，实验结果表明:所提方法取得了最佳性能。      

智能化舰船要害检测、轨迹预测与位姿估计算法

准确检测与打击舰船要害部位可有效提升反舰导弹毁伤效能。针对舰船要害部位检测精度低、导引误差解算精度不足等问题，提出基于深度学习的舰船要害关键点检测、轨迹预测与导引头位姿估计算法。融合深层语义信息与浅层定位信息，采用SoftPool池化保留细粒度特征，提升多角度多尺度舰船要害部位检测精度；将关键点检测结果与舰船空间结构建立映射，解算导引头三维位姿；引入长短期记忆网络挖掘要害打击点时空特征，实现多尺度舰船要害动态轨迹预测。实验结果表明：所提算法对舰船要害部位检测与轨迹预测精度高，导引头位姿估计结果较准确，满足自主突防视角反舰导弹对复杂海战场的态势感知需求。     

SAR图像舰船识别的三维空间逆投影与匹配技术

提出一种合成孔径雷达（SAR,Synthetic Aperture Radar）图像舰船识别新技术.首先通过将SAR图像逆投影至三维（3-D,Three-Dimensional）目标空间,提取目标空间3-D逆投影散射图 （BPSI,Back Projection Scattering Image）来表征观测舰船目标的强散射源三维分布;然后采用物理光学法预测各候选舰船目标的3-D热点散射图（HSPI,Hot Scattering Point Image）,进而匹配3-D BPSI与3-D HSPI来识别舰船.为了提高计算效率,采用一种两级分层匹配策略：第1步利用几何特征进行预筛选;少数被选取的候选目标参与第2步的分类判决,同时设计一种便于实现的“模糊”匹配准则,克服了“点对点”准则对计算误差等非理想因素敏感的问题.仿真和实测舰船SAR图像的实验结果,显示了3-D散射特征在目标区分能力和可视化效果方面的优势,证明了该方法的有效性.     

基于二型模糊系统多源异质信息目标身份类别推理方法

针对前件推理规则未知的目标身份识别问题,考虑到目标信息量测的多源异质特点,利用模糊集对目标速度、图像等多维度特征信息进行统一的抽象化描述,借助遗传算法对模糊推理规则进行优化,在确定模糊划分区间的前提下训练得到最优隶属度函数,建立最优推理规则库。此外,针对由传感器探测精度有限带来的量测不确定性问题,引入区间型样本数据的模糊分类思想,在完成一型模糊系统构建的基础上,提出一种基于二型模糊推理系统的遗传优化算法,给出由三角型隶属度函数嵌入构造对应二型模糊集的推导过程,设计了满足点值与区间型数值复合输入的二型模糊推理系统,并通过仿真验证该推理系统的可行性。     

基于朴素贝叶斯分类器的空中红外目标抗干扰识别方法研究

红外诱饵对抗技术的发展使得空战环境日益复杂化,对红外成像制导空空导弹抗干扰目标识别技术提出了更高的要求。红外诱饵的投放使得目标特征的完整性、显著性及稳定性遭到破坏,基于特征融合匹配的统计模式识别方法无法准确识别目标。提出了一种基于朴素贝叶斯分类器的抗干扰目标识别方法,该方法对空战对抗仿真图像数据集进行了特征挖掘,利用实验拟合方法构建了典型特征的概率密度函数模型,构造了朴素贝叶斯分类器,实现了飞机目标和干扰的分类识别。仿真实验结果表明,该方法在已测试的弹道图像数据集下的平均识别正确率达到了81.82%,且能够解决假目标、目标遮挡等抗干扰目标的识别难题。     

强电磁脉冲下柴油发动机系统薄弱环节识别

为识别强电磁脉冲环境下柴油发动机系统的薄弱环节，提出了一种加权故障树和分层贝叶斯网络相结合的柴油发动机系统薄弱环节识别方法。该方法综合考虑同层单元失效的相关性，加权故障树的局部应用解决了部分条件转移概率表不易获取问题。运用贝叶斯网络双向推理功能，首先，通过柴油发动机辐照试验和电磁仿真软件获得的各部件敏感度阈值及电磁应力数据，计算出强电磁脉冲下部件级到系统级的先验失效概率；然后，依据贝叶斯概率公式计算在发动机失效条件下各部件故障的后验概率，并排序以识别其薄弱环节，为电磁防护方案的设计提供参考和建议。以宽带高功率微波(WBHPM)辐照为例，说明了柴油发动机系统分层贝叶斯网络故障模型参数获取与概率计算过程。结果表明:执行器和凸轮轴位置传感器、曲轴位置传感器既为柴油发动机系统的重要部件，也为较薄弱环节，是需要重点防护的对象。      

基于渐进式注意力和分块遮挡的跨域行人重识别

针对跨域行人重识别中遮挡造成特征匹配缺失及细粒度辨识性特征被忽略的问题，提出了基于渐进式注意力和分块遮挡的跨域行人重识别方法。该方法通过学习行人未遮挡区域的多粒度辨别性特征，实现空间不对齐下的特征匹配。渐进式注意力模块将特征逐步分割为多个局部块，依次学习每块的辨别性特征，由粗到细地感知前景信息，从而解决目前网络不能提取多层次辨识性特征的问题，增强了特征的匹配能力；渐进式分块遮挡模块很好地适应模型逐步变强的学习能力特性，通过由易到难地生成遮挡数据，有效提取了未遮挡区域的辨识性特征，进而解决模型错误识别遮挡样本的问题，使得所提模型在遮挡情况下的鲁棒性得到有效提高。实验结果表明：所提方法在首位命中率和平均精确度2个指标上与当前主流方法相比具有显著的优越性；与2020年CVPR会议中QAConv行人重识别方法相比，在DukeMTMC-reID数据集(MSMT17→DukeMTMCreID)上的2个指标分别高出2.3%和6.2%，能够更加有效地实现跨域行人重识别，在OccludedDuke数据集(DukeMTMC-reID→Occluded-Duke)上的2个指标分别达到49.5%和39.0%，...     

基于菲涅耳变换的不变矩提取及目标识别方法

提出了一种基于菲涅耳变换的不变矩特征提取方法,并应用于图像目标识别.利用菲涅耳变换得到图像的衍射图样,将图像映射到菲涅耳衍射空间;在衍射空间提取几何矩或正交矩来获取图像全局信息的特征描述;利用k近邻法识别目标.实验结果表明基于菲涅耳变换的不变矩提取方法对于平移、尺度及旋转变化的图像目标具有更高的分类精度和抗噪声能力.     

基于时频分析的雷达目标识别研究

基于时频分析的性质，提出了一种雷达目标识别方法。对雷达回波信号进行小波变换，得到目标回波信号的三维时频分布图和功率谱密度，从中提取目标的调制谱密度，根据最小贴近度识别算法进行目标识别。由实验结果看，利用此方法能够得到很高的识别率。     

基于积谱的雷达目标高分辨率距离像识别

针对飞机目标的识别问题,将一种用于语音识别中的积谱特征引入雷达目标一维距离像识别领域.积谱定义为功率谱与群延迟的乘积,该特征能够充分利用目标一维距离像的幅度谱与相位谱信息.在目标分类阶段,选择基于弹性传播(RPROP)算法的多层前馈神经网络作为分类器.利用4种飞机模型的重点散射源二维分布测试数据和频率步进法得到目标的一维纵向距离像,对距离像积谱的分类性能进行了测试,结果表明基于积谱的特征对于一维距离像具有较高的识别率,并具有较好的抗噪性能.      

一种参数区间交叉类型的目标识别方法

针对参数区间为交叉类型的目标识别问题，提出了基于直觉模糊集和云模型的逼近理想点（TOPSIS）识别方法。构建了包含个体类和交叉类的目标数据库模型，根据云模型的多步估计算法，得到未知目标相对已知目标类的确定度，提出了确定度向隶属度和非隶属度的转化方法，基于直觉模糊熵计算特征属性的动态权重，形成了去模糊距离测度的TOPSIS识别方法，应用于辐射源信号识别。仿真结果表明，所提方法对参数区间交叉类型的目标正确识别率较高，具有一定的实际应用价值。      

一种基于深度学习的交互式电话号码识别方法

物流、保险和中介服务等行业需要频繁地拨打电话,而人工拨打电话效率较低,高效的电话号码识别技术具有重要的应用价值。传统的印刷体数字识别方法存在人工设计特征过程复杂、识别字体单一等不足,难以满足实际应用需求。本文提出了一种基于深度学习的交互式的电话号码识别方法,通过鼠标双击图像中的电话号码,自动截取出包含此号码的目标区域,并进行灰度化、二值化、目标区域定位、字符分割和图片补白等预处理操作,在此基础上利用改进的LeNet-5卷积神经网络（CNN）自动学习图像特征,支持多种字体、字形和字号的印刷体数字识别,并利用交互式识别和内存池等方法提高识别速度。实验结果表明,单一字符的识别率为99.86%,整个号码的识别率为99.50%,整个号码平均识别时间为91 ms。本文方法识别精度高、识别速度快,具有较为广泛的应用前景。      

卫星导航系统传感器故障识别

传感器是卫星导航系统中的重要部件,其故障的检测和识别对提高系统可靠性具有重要意义。给出了一种基于模糊逻辑的卫星导航系统传感器故障识别方法。首先采用T-S模糊模型描述卫星导航系统,然后应用全解耦奇偶方程的方法进行故障检测,并利用卡尔曼滤波器进行故障参数识别。仿真结果表明,针对导航系统中多个传感器同时发生故障的情况,此方法能有效检测故障,并能准确识别故障参数。     

基于多标签协同学习的跨域行人重识别

跨域是行人重识别的重要应用场景，但是源域与目标域行人图像在光照条件、拍摄视角、成像背景与风格等方面的表观特征差异性是导致行人重识别模型泛化能力下降的关键因素。针对该问题，提出了基于多标签协同学习的跨域行人重识别方法。利用语义解析模型构造了基于语义对齐的多标签数据表示，以引导构建更关注行人前景区域的局部特征，达到语义对齐的目的，减少背景对跨域重识别的影响。基于行人图像全局特征和语义对齐后的行人局部特征，利用协同学习平均模型生成行人重识别模型的多标签表示，减少跨域场景下噪声硬标签的干扰。利用协同学习网络框架联合多标签的语义对齐模型，提高行人重识别模型的识别能力。实验结果表明:在Market-1501→ DukeMTMC-reID、DukeMTMC-reID→Market-1501、Market-1501→MSMT17、DukeMTMC-reID→MSMT17跨域行人重识别数据集上，与NRMT方法相比，平均精度均值分别提高了8.3%、8.9%、7.6%、7.9%，多标签协同学习方法具有显著的优越性。      

基于深度学习的大型陨石坑识别方法研究

陨石坑是天体表面最为显著的地形特征，传统陨石坑识别方法主要是对小型陨石坑正负样本的二分类问题研究，且效率和精度均不高。以星体宏观视角下的大型陨石坑作为研究对象，结合图像处理和神经网络等方面的知识，创建了来自不同数据源的陨石坑样本数据库，研究了数据源对网络模型泛化能力的影响，提出了一种效率更高的陨石坑多分类识别方法。在非极大值抑制（NMS）算法基础上，提出了一种精度更高的陨石坑检测算法。经过参数优化和实验验证，构建的基于深度学习的多尺度多分类陨石坑自动识别网络框架取得了较高的准确率，在同源验证集上识别率可达0.985，在异源验证集上识别率可达0.863，并且有效改善了目标检测时检测框冗余及误检测的问题。      

基于Faster R-CNN的精密零部件的识别方法

在航空航天领域中，惯性陀螺等精密器件装配精度要求较高，目前大多采用人工装配的方法，装配效率低、装配过程受人主观影响大。针对上述存在的问题，采用基于Faster R-CNN模型的目标识别算法，通过VGG16特征提取网络提取特征信息，在模型训练过程中利用COCO数据集的深度网络模型进行迁移训练，防止模型过拟合并加速参数的训练过程。同时，该方法还与其他深度学习模型以及传统的目标识别算法进行了对比，在自建的数据模型测试集上进行试验。结果表明，基于VGG16的Faster R-CNN目标识别模型在复杂环境及物体发生遮挡的情况下对于惯性陀螺的识别具有明显的优势，准确率可达到87.80%，召回率80.30%，识别速度可达到15FPS，能够满足实时性要求。     

一种低分辨雷达飞机目标识别方法

介绍了一种基于低分辨雷达回波序列的飞机目标识别方法。该方法把一维回波序列变换成二维轮廓像,在二维轮廓像基础上,提取到较一维回波更加稳定、有效的特征。采用神经网络做为分类器,利用所提取的特征对五类飞机目标进行识别试验,得到了较高的正确识别率。     

多尺度特征融合的Anchor-Free轻量化舰船要害部位检测算法

反舰导弹对舰船要害部位的精确打击能力是精确制导武器的关键技术之一。针对反舰导弹导引头对舰船要害部位检测精度低、特征提取能力不足,预测框的处理降低检测速度等问题,提出了一种多尺度特征融合的Anchor-Free轻量化舰船要害部位检测算法。由于舰船要害部位检测数据具有多尺度、多角度特性,引入多尺度特征融合模块,综合利用不同感受野的检测信息,优化特征提取;利用高效轻量化注意力机制改进Hourglass结构中的跨层连接,提升检测精度,降低算法总参数量;使用迁移学习有效提升算法收敛效果。在建立的舰船要害部位检测数据集和公开的PASCAL VOC数据集进行实验,检测准确率分别提升了4.41%和5.57%,分析算法参数与运算量,设计了模块消融实验,论证了所提算法的有效性。      

基于设计特征模型的加工特征映射技术

为了实现数控编程过程中能够自动确定加工区域,对基于特征设计系统构建产品模型的方法、产品信息模型、信息模型间的关联关系、飞机结构件加工特征定义分类、设计特征与加工特征间的内在关系进行了深入的研究,提出了基于设计特征模型映射加工特征的方法.该方法通过遍历特征设计树,判断特征间的关系,查询特征组成面信息,从而构建出特征属性邻接图,进而采用基于图匹配的特征识别方法得到加工特征,并提取加工特征信息.该方法压缩了图匹配空间,大大提高了特征识别的速度,应用此方法实现了飞机壁板类零件的特征识别.