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。     

TopPixelLoss:类别不均衡的遥感影像语义分割损失函数

针对遥感影像中类别不均衡的小目标分割效果不理想的问题，提出了一种类别不均衡小目标二分类分割的损失函数——TopPixelLoss损失函数。首先计算出每个像素的交叉熵，然后将所有像素的交叉熵按从大到小进行排序，随后确定一个K值作为阈值，筛选出前K个交叉熵最大的像素，最后对于筛选出的K个像素交叉熵取平均，做为损失值。在ISPRS 提供的 Vaihingen 数据集上，使用PSPNet网络与普通交叉熵、FocalLoss、TopPixelLoss三种损失函数分别对车辆进行二分类分割试验。结果表明，不同的K值，使用TopPixelLoss损失函数的平均交并比（MIoU）、F1-score、准确度（ACC）都最高;当K值为5×104时效果最佳，MIoU、F1-score、ACC分别比FocalLoss提高了3.0%、5.0%、0.1%。TopPixelLoss损失函数是一种针对类别不均衡分割非常有效的损失函数     

基于卷积神经网络的结冰翼型气动特性建模

提出了基于卷积神经网络（CNN）的结冰翼型气动特性预测方法，设计了输入层结冰翼型图像规范，克服了复杂冰形在翼面同一位置法线方向存在多值，单值函数难以描述的问题。预测模型可同时预测多个迎角对应的升阻力系数，实现了直接从冰形图像到气动特性的快速预测，对升力系数和阻力系数预测结果的平均相对误差均可控制在8%以内。重点研究了不同卷积层数量、卷积核数量、卷积核尺寸对模型性能的影响规律：CNN的不同层次特征对应不同滤波频率，卷积层数增加会捕获更多高频特征量；增加卷积核数量可提取更多冰形特征，提升模型性能，但数量过多会增加冗余特征，降低模型泛化性能；阻力系数预测模型对卷积核数量的最低要求大于升力系数，其原因在于，相较升力系数，阻力系数不仅受翼面压差影响，还受摩阻特性影响，其建模所需的关键特征数量多于升力系数；增大卷积核尺寸，可扩大卷积操作“视野”，增强对冰形整体特征信息的提取，有利于提升模型泛化性能。相关结论为飞机结冰气动特性实时动态预测与监测提供了新的思路和方法支撑。     

基于深度混合模型评分推荐

从用户-项目评分矩阵中学习用户对项目的个性化偏好,对于评分推荐来说至关重要。许多推荐方法如潜在因子模型,无法充分利用评分矩阵中的交互信息学到较好的个性化偏好而得到较差推荐效果。受深度学习中Wide and Deep模型应用于APP推荐启发,本文提出一种深度混合模型并命名为DeepHM用于评分推荐。与Wide and Deep模型相比,使用DeepWide和DNN部分重构Wide模型和Deep模型得到DeepHM,并且DeepWide和DNN部分共享交互信息输入。因此,DeepHM可以更有效地使用评分矩阵中的用户和项目的交互信息学到个性化偏好信息。DeepHM将评分推荐作为分类问题旨在提高推荐准确性。实验表明在公开的Movielens数据集上DeepHM算法相比现有的基于评分推荐模型具有更好的效果。     

基于函数链神经网络的深度分类器

目前的宽度学习系统（Broad learning system，BLS）通过所建立的一系列映射节点和增强节点来形成联合节点。因为联合节点与输出层的线性连接，网络权值可以用求解伪逆的方法快速求得，避免了耗时的训练过程，从而成为快速而高效的学习方法。然而在追求高精度结果的过程中，BLS对于增强节点数量的需求过于巨大，容易造成过拟合问题。为此，本文提出了基于函数链神经网络（Functional-link neural network，FLNN）的深度分类器（FLNN based deep classifier，FLNNDC），旨在提供一种更加简单却又不失精度的BLS变体结构。FLNNDC将几个轻量级的BLS子系统堆积成栈式结构，每一个轻量级的BLS子系统随机选择一部分映射节点生成增强节点，而不是全部映射节点。和原宽度结构相比，在几个主流数据集上的实验结果表明本文所提出的FLNNDC分类器具有网络结构更小且学习速度更快的优势。     

基于深度学习的空间站舱内服务机器人视觉跟踪

为提升舱内跟随服务机器人的任务辅助能力,解决机器人对航天员的视觉跟踪问题,提出了一种基于深度学习和概率模型的人体视觉跟踪算法。利用深度卷积神经网络实现了对穿着多样、姿态任意人体的稳定检测。结合人体检测结果,设计了运动预测概率模型,实现了对指定人员准确、连续的跟踪。算法对包含大多数航天员活动的多个数据集进行了验证。实验结果表明:提出的跟踪算法实现了对穿着多样、姿态任意人体的稳定跟踪,并有效避免了由于穿着相似、遮挡可能造成的误跟踪问题。该算法为空间站舱内跟随服务机器人对航天员的视觉跟踪提供了有效的解决方法。算法基于融合的RGB-D图像,工程上易于构建和实现,也可拓展到其他跟随服务机器人视觉跟踪任务中。     

基于多尺度残差卷积网络的HEVC视频隐写分析

图片、语音、视频等多媒体形式的信息交流在网络通信中占有重要地位，同时也有很多非法信息的传播隐匿于此。隐写分析是甄别隐秘信息是否存在的有效手段，提出了一种通用的基于多尺度残差卷积网络的HEVC视频隐写分析算法。网络主体由残差计算、特征提取和二分类3部分构成，其中在特征提取部分针对性地提出了残差卷积层、多尺度残差卷积模块及隐写分析残差块。实验结果表明:所提算法基于视频像素域分析网络的检测率高达99.75%，比传统的手工提取特征方法具有更大的优势。      

考虑根铰间隙的空间框架展开机构动力学分析

利用Kane法多体动力学基本理论并考虑根铰间隙影响因素，建立适用于空间柔性太阳电池阵的多框架展开机构多体系统动力学模型，对框架展开机构的展开方式和展开过程进行仿真分析，获得了机构组成部件在展开过程中的几何位置、速度、加速度等动力学特性，分析了框架展开机构各个关节点运动特性、铰链间隙与外部驱动力的相互作用规律。结果表明：合理控制框架展开机构各运动部件的驱动力矩是保证框架按照确定规律展开的必要条件；根铰间隙对太阳电池阵框架展开机构角加速度影响较为明显，进而影响到展开框架展开过程的稳定性，对转角和角速度几乎没有影响；在进行空间太阳电池阵框架展开机构设计时应严格控制铰链轴间隙，并通过动力学仿真校核间隙对太阳电池阵展开过程的影响；研究结果为空间柔性太阳电池阵多模块框架展开机构设计提供指导。     

卷积神经网络及其在航空视觉任务中的应用展望

从卷积神经网络的基本理论出发,介绍了几种经典卷积网络结构,并结合当前卷积神经网络在计算机视觉领域的应用现状,重点探讨了它在未来航空视觉相关任务系统中的应用前景,以及实施这些技术必须解决的若干问题,为未来航空装备智能化水平的进一步提升提供参考。