基于YOLOv5的近岸SAR舰船目标检测方法

由于类似舰船的陆地目标的干扰和舰船的紧密排列,基于合成孔径雷达(SAR)图像的近岸舰船检测会出现较多漏检和误检,提出了一种基于YOLOv5网络的近岸舰船的检测方法。为提高近岸背景下的检测精度,使用了注意力机制模型和CSL的技术用于改进网络;分析了YOLOv5网络、注意力模型和CSL算法,基于YOLOv5进行了检测实验,引入注意力模型来改进网络;结合CSL算法,重构了YOLOv5旋转检测网络。通过调整训练参数和改进注意力,近岸目标检测网络的测试结果达到mAP 80%以上,证实了CSL+YOLOv5算法实现旋转检测的可行性。     

基于改进SSD算法的航拍目标检测算法研究

研究基于深度学习技术的无人机航拍图像目标检测算法，首先介绍目标检测算法SSD（Single Shot MultiBox Detector），并对其特征提取网络进行改进，采用稠密特征提取网络替换原网络的主干特征提取网络，提高算法的特征提取能力，从而提升了算法的检测精度。针对网络实时性问题，在算法中引入分组卷积，极大地减少了网络参数量，提升了网络推理速度。为解决训练中出现的正负样本不均衡问题，利用焦点损失（Focal Loss）改进了原算法的损失函数，进一步提升了网络的收敛速度和精度。最后，通过仿真验证了改进算法在目标检测精度上的优越性。     

基于条件生成对抗模型的遥感卫星影像重建技术研究

为了快速侦察未知区域的地貌信息，遥感卫星可对特定区域进行扫描以获取遥感卫星影像。当卫星经过国外未知区域时，部分卫星无法针对某特定区域进行长时间的驻留扫描，本文提出一种基于条件生成对抗网络模型（Conditional Generative Adversarial Network，CGAN）进行网络训练，前期将某方法获取的区域轮廓地形信息作为CGAN网络的生成网络和鉴别网络中的条件约束信息，通过网络生成器与判别器在训练过程中互相博弈产生特定的输出集，有效地实现由单张电子轮廓图像到对应卫星遥感图像的端到端的非线性映射。本文通过原真实卫星遥感图像与生成卫星遥感图像进行四种对比误差计算，平均误差、均方误差与结构相似度均高于99%，峰值信噪比高于30 dB，生成的图像与原图像之间具备高相似度，实现了在获取坐标定位轮廓信息的先验条件下，对特定区域进行遥感卫星影像内容重建技术。     

基于改进FCOS网络的遥感目标检测

找出目标的位置和类别是目标检测的主要任务。随着人工智能和深度学习的发展,目标检测可以达到人眼所达不到的精度。由于信息较少,覆盖面积小且基于锚框的检测算法易受锚框大小、比例数目的影响,对较小的目标难以精确检测。针对以上问题,改进无锚框算法全卷积单阶段目标检测(Fully Convolutional One-stage Object Detection,FCOS)实现了小目标检测的效率和精度。将FCOS算法的特征提取网络结构残差网络(Residual Network,ResNet)更换为轻量级网络结构MobileNetV3,随后在骨干网络中引入通道注意力机制和空间注意力机制对特征提取网络进行改进,最后设计T交并比(TIOU)代替原本的交并比(IOU),改善模型精度。实验结果表明,所改进的网络结构与FCOS相比,网络训练时间和模型大小为原来的一半,计算参数量由原来的32.12×10⁶减少为11.73×10⁶,减少到原来的三分之一,模型推理速度提升了10%,每秒传输帧数为11帧,与主流网络FasterRCNN相比,检测精度和速度更快,可以满足对小目标...     

基于深度卷积神经网络的遥感影像目标检测

随着遥感影像数据规模的快速扩张,如何高效准确地识别遥感影像中的典型目标成为当前的研究热点。为解决传统遥感影像目标检测方法准确率低的问题,用基于深度卷积神经网络进行遥感影像目标检测,在遥感影像数据集上用基于Faster-RCNN的神经网络模型对VGG16卷积网络进行训练,对输入的遥感影像通过区域推荐网络标注出待检目标的包围框和置信度,实现对遥感影像的目标检测。以飞机和油罐为例,在TensorFlow深度学习框架下实现了数据预处理、网络训练、目标检测等功能,并在当前测试数据集上取得了较高的检测准确率和置信度。该研究成果可应用于遥感影像解译和处理等相关领域。     

面向星上目标提取的卷积神经网络优化技术

针对卷积神经网络规模庞大、参数数量众多、在资源受限的在轨场景中难以应用的问题,提出了一种基于知识蒸馏的剪枝压缩改进方法。该方法对训练好的网络进行基于权重和基于通道的混合参数剪枝,在保留网络重要连接的同时剔除冗余信息;采用知识蒸馏法,用原始网络学到的知识指导剪枝后网络的再训练过程,以恢复损失的精度;在遥感数据集上对VGG-16分类网络进行实验。结果表明:所提方法可以实现16～18倍的压缩效果,并且网络精度下降不到1%。这使得卷积神经网络的在轨应用成为可能,具有理论及现实意义。     

一种在轨卫星光学遥感舰船检测算法

为了解决资源有限的在轨处理环境对光学遥感舰船检测网络速度和精度的影响,提出了应用倒置残差结构的舰船检测算法。采用端到端网络作为基础模型,裁剪网络的层数和3/4通道数,构建2层卷积倒置残差模块,使用可分离卷积和1×1卷积对普通卷积层进行替换,只保留1个检测分支,使用金字塔检测方式实现多尺度目标检测网络。基于高分一号卫星数据集的试验结果表明:相较于当前的主流网络,算法模型在平均精度(AP)相差不大的情况下检测速度有很大提升。和YOLOv3相比,检测速度提升了72%,参数量减少了99.5%;和YOLOv2相比,检测速度和AP分别提升了58%和0.9。文章提出的算法可为计算资源极其有限的卫星在轨舰船检测实现提供有效的理论技术支撑。     

基于视觉显著性和卷积神经网络的机场目标快速检测

针对现有的机场目标检测算法用于大幅面遥感图像时检测速度慢、准确率低的问题,文章提出了一种基于视觉显著性和卷积神经网络相结合的高效、精确的机场目标检测方法.首先,根据机场形状特征,采用基于直线分布特征的视觉显著性检测方法提取候选区域,对机场的可能位置进行粗定位;然后,设计了一种改进的卷积神经网络分类模型判断候选区域是否为...     

基于卷积神经网络的航天复合材料缺陷智能检测

针对传统的缺陷图像识别处理方式存在着准确度与辨识度不足,且处理缺陷种类单一的问题,提出了一种基于Cascade R-CNN和Mask R-CNN的神经网络模型。首先,为了提高缺陷检测的可视化效果和检测准确度,在实例分割卷积网络Mask R-CNN的基础上,结合级联神经网络Cascade R-CNN结构,组合成了新的级联实例分割Cascade Mask R-CNN网络;其次,对组合而成的级联卷积神经网络进行了训练,将训练好的模型对复合材料缺陷图像进行了检测。实验结果表明:检测的平均准确度达到了91.5%,平均置信度达到了97.3%,达到了检测精度的要求。该研究成果可运用于航天复合材料缺陷识别。     

基于YOLOV3的改进目标检测识别算法

经过近几十年不断的研究和发展，红外目标检测识别在侦察、导弹制导等领域取得了卓越的成就和广泛的应用，亦成为当今的热门话题。为进一步提高模型的检测识别性能，提出一种基于YOLOV3改进的目标检测识别算法。首先，通过分析红外目标的检测特性，改进了原始算法的特征提取网络，融合KL-LOSS，在原网络预测目标位置的基础上，进一步预测了位置的准确度标准差，并结合Soft-NMS算法用于改善网络的检测准确度;其次，针对红外目标相对三通道彩色图像的特征量少的问题，在检测层前融合了SKNET模块，使网络更加关注目标的有用特征;最后，给出改进网络训练的新的损失函数及前向传播算法流程。实验结果表明:改进的KS-YOLO网络在目标域(实拍空中红外目标数据集)上的平均AP性能值要优于原来的YOLOV3网络2.4个百分点，预测时间比YOLOV3实用性更好、更快。     

改进YOLOv3算法的遥感图像道路交叉口自动识别

针对道路交叉口目标较小、存在较多的植被遮挡、邻近地物颜色相近等问题,文章提出了一种改进的YOLOv3高分影像道路交叉口目标检测算法—CSC-YOLOv3。该方法首先使用CIOU损失函数改进原来YOLOv3的目标定位损失,降低目标漏检率;其次,通过在YOLOv3的主干特征提取网络后添加空间金字塔池化模块,增大网络的有效感受野;最后,在YOLOv3网络的三个特征层结构以及两个上采样结构中引入注意力机制模块,提升网络检测精确度。在自制的道路交叉口数据集上对算法进行了实验验证,结果表明,CSC-YOLOv3算法的精确率、召回率、平均精确率和F1分数分别达到了86.05%、70.19%、83.71%、77%,比原始YOLOv3算法分别提高了6.54、8.55、11.74和8个百分点,虽然FPS降低了3帧/s,但是其检测性能的提升弥补了速度上的不足,有效提升了高分遥感影像对道路交叉口的检测效果。     

基于SE-TCN网络模型的太阳电池阵温度异常检测

针对因卫星入境数据延迟,无法快速判断太阳能电池阵温度遥测数据是否发生异常问题,提出一种SE-TCN网络模型。首先借鉴SENet中的通道注意力机制,对时间卷积网络(TCN)进行改进,提高模型的特征提取能力;其次使用SE-TCN做为特征提取网络,训练出网络模型;最后对温度遥测数据做中长期预测(约4轨)。以某在轨卫星实际太阳能电池阵温度遥测数据作为实验数据。结果表明:本文提出的SE-TCN网络模型在评价指标上与传统TCN网络模型相比,平均绝对误差(MAE)降低了7.7%,均方根误差(RMSE)降低了5.2%,相关系数(R)提高了0.4%。当卫星入境时,该检测方法可根据预测值快速判断实时遥测数据是否发生异常。     

真空热试验网络架构的改进

文章针对现有真空热试验网络存在的数据链路可靠性低、发生故障时主/备数据链路切换时间长的问题,提出了一种网络架构的改进方法,即网络核心层采用虚拟交换系统（virtual switching system,VSS）架构,利用以太网通道（multi-ethernet chanel,MEC）方式与汇聚层堆叠设备互联,汇聚层设备到接入层设备利用链路聚合控制协议（link aggregation control protocol,LACP）作链路绑定,实现关键设备和数据链路的冗余,网络单节点或单链路的主/备设备数据链路切换无时延。该架构已在真空热试验网进行了验证,运行效果良好,达到预期效果。     

融合空洞空间金字塔池化和注意力的轻量化遥感影像道路提取

针对高分辨率遥感影像中道路形状结构错综复杂,出现窄小型道路提取错误或漏分的问题,提出一种基于空洞空间金字塔池化和注意力机制的轻量化遥感影像道路提取方法。首先,在原始高分辨率网络（HRNet）基础上,通过引入空洞空间金字塔池化模块,实现多尺度道路信息融合;再引入挤压激励通道注意力机制,增强网络特征表征质量;最后使用深度可分离卷积方法改进网络残差模块实现模型轻量化,以降低模型计算复杂度。在公开数据集上进行了模型性能测试,实验结果表明,文章所提算法的准确率、精确率、召回率、F1分数和平均交并比,相比原始HRNet分别提升了5.35%、2.15%、4.1%、3.15%和14.34%,且减少了36.1%的参数数量;相比其他网络,该算法突出了细小道路的特征,道路预测结果连续性、完整性好,并且模型小易于部署在实时检测设备中,有效改善了道路提取任务中错分和缺失的情况,是一种适应性更强、分割精度更高、更轻量化的多尺度道路提取算法。     

基于改进YOLOv3网络的遥感目标快速检测方法

针对将来卫星在轨实时目标检测需求,且在其内存和算力都受限的条件下,提出一种改进的YOLOv3,利用轻量化网络代替YOLOv3的特征提取网络,实现遥感目标的高效检测。在目标检测精度相近的情况下,改进模型参数相比原先降低了1.5倍,计算量降低了3.3倍。同时提出了一种基于交并比的迭代聚类算法,分别在YOLOv3和改进YOLOv3上实现了7.0%和2.3%的平均精度均值(mAP)提升。实验表明:改进模型的检测速度最快能达到101 frame/s,当其mAP比YOLOv3高6%时,检测速度仍是YOLOv3的1.6倍。本文提出的改进YOLOv3是一种高效遥感目标检测方法,为未来星上应用打下基础。     

一种适合区域卫星移动通信的切换算法

在移动通信网络中,切换算法直接关系着系统的整体性能。目前区域卫星移动通信中采用的一般是地面移动通信网络中的切换算法,虽然这些算法也可以使得区域卫星通信网络得到较好的系统性能,但是区域卫星移动通信网络有着很多自身的特点,直接采用地面移动通信网络中的切换算法对整个系统而言不是最优的。文章从地面移动通信网络中的切换算法出发,结合区域卫星移动通信自身的一些特点,对其中一种切换算法进行了改进,使之更加适合区域卫星移动通信网络。     

珠海一号高光谱影像云检测算法

珠海一号高光谱卫星具有高空间、高光谱、高时间分辨率等特点,有效推动了高光谱遥感数据在农林环境、自然资源探测等领域的广泛应用,其中高精准的云检测是遥感数据预处理的关键步骤。如何对高光谱图像有效特征提取并克服传统云检测方法特征复杂、算法参数多、计算量大、鲁棒性差等缺陷,是高光谱云检测研究的关键问题。为此,提出了一种多尺度特征融合的U型结构网络,模型首先利用残差模块进行特征编码,并将编码进行多尺度融合,在网络的跳跃连接处引入了坐标注意力机制提取有用信息,最后通过残差解码得到输出结果。实验前首先利用主成分分析降维,将高光谱数据重构为4维影像数据,然后通过数据标注与数据增强,建立珠海一号高光谱影像云检测数据集。采用了38-Cloud云数据集训练初始网络参数,随后利用构建的数据集进行迁移学习。实验结果表明,对于所建立的珠海一号高光谱云检测数据集,所提方法的像素准确率达到92.28%,可以实现高精度的高光谱遥感影像云检测。     

基于域适应Faster RCNN的复杂背景目标检测

本文提出的算法实现了对复杂多变环境下目标的稳定识别,通过改进模型训练算法,有效提升了深度学习模型对不同环境条件下的目标检测准确率。同时,本文在网络域适应部分设计了类别平衡多分类判别器算法应对多种环境条件下收集样本难易度不同的问题;在RPN网络分类器及输出分类器中引入Focal Loss算法,解决不同环境条件下目标检测难易度差别较大的问题;数据集制作过程中采用局部标注策略加以辅助。实验结果表明改进后的域适应Faster RCNN算法训练出的模型不仅增强了对复杂环境条件下目标检测的鲁棒性,还明显提升了对目标在不良环境条件下的检测准确率,这给遥感任务图像中复杂地理环境背景下的目标检测方法提供了一种新的思路。     

基于长短时神经网络的卫星陀螺仪故障检测

针对卫星陀螺仪故障检测中存在的冗余依赖、微小故障覆盖问题，提出一种基于长短时神经网络(LSTM)的故障检测方法。首先对卫星陀螺仪建模，考虑到卫星姿态控制回路对陀螺仪微小故障覆盖影响，利用半物理仿真平台采集陀螺仪正常与故障数据；然后使用部分正常数据训练LSTM神经网络，使得网络具有预测陀螺仪输出的能力，并将另一部分正常数据输入到训练好的网络模型，得到预测误差，进一步设定故障阈值；最后，将测试数据输入提出的故障检测模型，仿真验证其时效性和准确性。结果表明，在采样频率为10Hz时，对于陀螺仪的卡死、噪声以及偏差故障，基于LSTM神经网络的故障检测模型能在故障发生2s内检测出故障，并达到了98.9%的准确率。     

基于滑坡区域颜色特征模型的SVM遥感检测

滑坡区域遥感检测与识别在灾情提取、救援决策和防灾减灾等方面都有着巨大的应用前景。针对滑坡遥感检测中目标颜色特征化模型不准确,对滑坡区域检测识别效果不够理想等问题,提出一种基于滑坡区域颜色特征模型的支持向量机(supportvectormachine,SVM)遥感检测方法。根据光谱学和色度学的基本理论,建立滑坡区域红绿蓝特征获取方法,以多光谱图像为基础,通过典型样本分析,确立目标/背景颜色特征化数字模型和有效边界。将该模型生成训练样本用于滑坡区域SVM检测模型训练,再将训练好的分类器用于滑坡区域的检测识别,在此基础上根据滑坡基础形状模型的轴向长宽比、面积参数和不变矩等典型形状特征指标对滑坡区域进行目标精确分类与识别。利用九寨沟地震后获取多光谱遥感图像进行了滑坡区域检测识别效果对比试验,试验结果表明,该方法能有效识别遥感图像中的滑坡样本点,对滑坡区域的识别精度由传统方法的90%左右提高到97.03%。