基于GAN网络的红外图像生成技术

当将人工智能技术应用于军事领域中的目标识别任务时，针对由红外图片采集的局限性而造成的训练数据不足的问题，提出了基于生成对抗网络以生成红外图像的方法，实现了数据集的扩充。对基本的生成对抗网络进行了改进，将网络的输入由随机噪声变为真实图片，使之实现了图片到图片的风格转换，即彩色图片转变为红外图片。经过网络模型的搭建和训练，实验结果表明，该方法能够有效生成清晰和高质量的红外图片，解决了由红外数据不足而造成的网络训练不充分的问题。     

基于FPGA的红外目标识别神经网络加速器设计

在红外目标识别领域，基于卷积神经网络的深度学习算法的识别精度已远远超过了传统模式识别算法,但神经网络的实现需要庞大的计算和存储，难以在无人机等嵌入式平台上进行部署。针对此问题，将通道级量化策略和梯度的近似优化训练引入到了低比特神经网络模型的建立中，并提出了一种可充分利用硬件计算资源的FPGA加速器，其整体平均性能为65.6GOPS。与其他相关工作的对比表明，低比特量化方法及其FPGA加速器实现，可以为嵌入式红外目标识别系统提供一种能效高、识别精度高的解决方案。     

基于双阶涡旋光束的旋转测速精度提升方法

涡旋光束因其独特的螺旋型波前结构,在对旋转物体探测时会产生与转速成正比的旋转多普勒频移,双阶涡旋光束的转速测量精度是单阶的2倍,但探测过程的噪声干扰会引起测量精度的下降。首先,通过分析双阶涡旋光束的旋转物体速度测量机理,给出测量精度影响因素分析。其次,在给出测量系统设计的基础上设计物体转速提取算法思路。最终,对高斯噪声、乘性噪声、探测器累积时间和光束模式纯度这四种情况对于测速精度的影响进行分析。结果表明,高阶双阶涡旋光束能有效提升噪声环境下的测速精度,提高模式纯度至94%以上,探测器累积时间控制在0.49s以上可以获得更好的测速精度。