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。     

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YOLOv3的SAR舰船图像目标识别技术

合成孔径雷达(SAR)图像自动目标识别(ATR)技术是人工图像解译的关键技术之一。针对传统的SAR舰船目标检测算法大多受限于场景且泛化能力较差的问题,设计了一种基于改进YOLOv3网络的检测模型。将YOLOv3与DenseNet网络融合,使用稠密网络模块代替用于提取中小尺度特征的残差网络模块,通过训练得到模型的最优权重,实现端到端的目标检测。使用综合交并比(GIoU)损失代替交并比(IoU)边界框回归损失,提供更加准确的边界框位置信息,提高检测精度,采用中国科学院空天信息研究院制作的SAR图像船舶检测数据集进行测试。测试结果表明:与原YOLOv3算法相比,改进后的YOLOv3检测准确率提高了1.4%。     

基于可见光与红外卫星图像融合的舰船目标检测

为解决现有基于可见光卫星图像的舰船目标检测算法在云雾遮挡、海岸干扰等复杂场景下的错检和漏检问题,本文在YOLOv5网络基础上,通过空间特征与谱段特征的联合提取提高网络性能,提出了基于可见光与红外卫星图像融合的舰船目标检测算法VI-YOLOv5。实验结果表明:双模态融合目标检测算法性能优于单模态目标检测算法,在交并比阈值为0.5的情况下,可见光+红外融合网络的平均精度达0.976,相较于单可见光网络提高了2.5%,相较于单红外网络提高了8.9%,有效缓解了复杂场景下出现的错检和漏检问题,验证了可见光与红外卫星图像融合在舰船目标检测任务中的有效性。     

基于通道剪枝的SAR图像舰船检测优化算法

近几年,随着深度学习的发展,基于深度学习的目标检测算法开始应用于合成孔径雷达(SAR)图像中的舰船检测。但深度学习模型结构复杂,参数量与计算量巨大,无法应用到星载处理器的实时处理中。本文提出一种结合了Faster-RCNN和卷积通道剪枝的舰船检测方法,在保证检测精度不受较大影响的情况下,剪除卷积层中的部分参数,提高检测效率。实验表明:经过剪枝优化的Faster-RCNN舰船检测模型中的参数量降低了约56%,而推理时间减少了约51%,同时精度下降仅有1.9%。这给未来在星载处理器上部署舰船检测算法提供了新的思路。     

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...     

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。     

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。     

多指标LMI鲁棒故障检测滤波器在卫星姿态控制系统中的应用

卫星在轨运行中,需要对其故障进行及时的检测,模型的不确定性使得如何在轨卫星的故障检测产生了很大的干扰。以往的方法是将故障、输入和干扰统一作为广义输入,通过H∞范数增益最小使得系统残差最大程度地接近于故障,然而这不能反映故障、输入和干扰三者的重要关系。为此需要研究三者到残差增益的多指标下,滤波器的参数设计方法。以推导从三者到残差的传递函数表达式为主要方法,以线性矩阵不等式为工具,把指标化为可求解模型,得到多指标下的故障检测滤波器设计方法。设计的滤波器应用于采用喷气执行机构的在轨卫星模型里,给出了滤波器的设计结果。从仿真的结果看,虽然三个增益无法满足同时远远小于1的条件,但通过自适应的阈值,可实现对在轨喷气执行器卫星的鲁棒故障检测。     

在轨高效目标检测加速技术

针对深度卷积网络目标检测算法参数量大、计算量大以及受星上计算资源、存储资源及功耗的限制，难以实现在轨部署的问题，提出了一种在轨高效目标检测算法加速框架与实现方法。首先，设计了一种可以同时兼容三种卷积算子的计算引擎，有效提高了资源利用率;其次，从通道和卷积核两个维度将目标检测算法模型展开，实现了加速器的高度并行化和可扩展性;最后，在多种FPGA平台上实现了该加速器并对其性能进行了评估。实验结果表明：所提出的加速器计算性能可以达到1843.2 GFLOPs(每秒千兆次浮点运算)，推理时间为0.22 ms。与同类加速器方案相比，所提出的加速器框架在性能、功耗、能效比及推理时间方面具有很大优势，适合部署在资源受限环境中，具有良好的星上应用前景和价值。     

月表陨坑检测轻量化深度学习方法

针对目前基于深度学习的陨坑检测方法存在的模型参数量大和检测速度慢的问题，提出了一种轻量化的深度学习陨坑检测方法。首先，采用通道剪枝方法删减卷积神经网络中冗余的卷积核，得到结构紧凑高效的陨坑检测模型。然后，使用轻量化的深度可分离卷积操作替换基础陨坑检测模型中的标准卷积操作，进一步降低了模型的复杂度。仿真实验结果表明，所提出的轻量化陨坑检测模型能够保证较高的像素预测精度，并且能够适应亮度、图像噪声等干扰因素的影响。同时，与轻量化处理前的模型相比，参数量减少了99.2%，检测速度提升了94%。     

面向在轨高效实时图像处理的二值权重沙漏网络加速器设计

为了实现在轨高速实时图像处理,提出了基于多级预测校准机制及查找表方法的二值权重沙漏网络加速器.首先,提出了一种计算架构来统一支持二值权重及多位宽权重卷积计算;其次,提出了多级预测模型来实现可变精度的高效卷积,基于这2种方法可以将网络的计算量降低77.4％,推理速度提升2.3倍.本文针对残差模块中跳转连接造成的存储访问问...     

一种多分辨率图像目标检测算法

为解决航天遥感图像分辨率和目标尺度变化大的挑战,提出了一种基于多分辨率图像的目标检测算法。改进了自适应特征金字塔和轻量级的分类预测模块,通过使用注意力机制,从不同层次的特征图中提取语义信息。引入了一种预测目标尺度的方法,以分析图像中目标的分布和尺度信息。将算法在DOTA（Dataset for Object deTection in Aerial Images）数据集上进行了实验验证,在U-Net（一种基于卷积神经网络的语义分割算法）和ResNet-34（一种深度残差网络）两种不同的主干网络设置下,召回率和检测速度均超过了RPN（Region Proposal Network,区域提议网络）算法。提出的多分辨率图像目标检测算法能有效地提高检测精度,降低计算复杂度。     

数据驱动的卫星关键部件剩余寿命预测模型

针对目前基于统计学方法对卫星及其关键部件进行剩余寿命预测时普遍存在的建模困难、预测精度不高等问题,为更快速、更精确地预测在轨运行卫星关键零部件的剩余使用寿命（RUL）,选取时序数据特征提取能力较强的门控循环单元（GRU）网络构建RUL预测模型。在模型构建时,除了利用卫星遥测数据之外,还将反映卫星通信质量的统计类数据添加到模型中;同时,为进一步提高GRU模型的预测精度,将卷积神经网络（CNN）与GRU融合。最后,以某型号卫星的天线转发器这一关键部件作为研究对象,通过模型预测结果的评价对比,验证CNN-GRU预测模型的RUL预测精度相比GRU模型的有明显提升。     

基于Faster-RCNN的快速目标检测算法

提出一种快速目标检测算法。在训练时,引入区域数目调节层,实时判断当前训练效果,根据当前训练效果,适当增减候选区域数目,达到节省开销的目的。训练结束,记录最佳候选区域数量。在测试时,候选区域数量选择为最佳候选区域数量。此外,深层次的卷积神经网络容易在训练中出现退化现象,引入残差网络能有效抑制该现象。以Resnet50为基础进行改进,重新搭建起58层特征提取网络。实验在PASCAL VOC数据集上进行,较经典网络模型,速率提升了18%,识别率提高了3%。另外针对特定飞行器检测做出改进,诸如多尺度训练和丰富锚点样式。     

凝视视频卫星目标检测算法

为了实现对高分辨率光学遥感视频卫星成像视场范围内的飞机目标进行快速高效检测,提出一种遥感影像快速目标检测方案。文章借鉴深度卷积神经网络模型YOLO系列算法高速检测目标优点,引入端对端式全卷积神经网络构建检目标测算法,通过实验统计和探索光学卫星成像视场范围大小对目标检测准确率和检测速度的影响,结合目标尺度进行网络调优、改进检测模型,得到基于凝视成像视频卫星目标检测的高效算法。运用算法对来自"吉林一号"光学A星及视频3星的影像数据集进行目标检测实验统计,在413张800像素×800像素的静态遥感影像测试集中实现76.2%的平均检测准确率,在同等尺度的遥感视频序列中实现31帧/s的检测速度。该算法成功将深度卷积神经网络技术引入到凝视视频卫星遥感应用领域,有效证明了深度学习技术在遥感视频识别领域的可行性。     

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。     

面向高光谱图像的目标检测研究

现有的高光谱目标检测方法是通过逐像素分类而实现,导致了检测速度缓慢。物体级目标检测的发展为高光谱图像实时目标检测带来了希望。为了实现实时高光谱图像目标检测,文章提出了一种基于目标检测模型YOLO的卷积神经网络算法。首先,该算法提出了用多尺度光谱注意力网络（Res2NetSE）来提取空谱特征,能够提升多尺度目标检测效果并能更有效地提取关键波段信息;其次,该算法提出了一个空间增强的特征金字塔模块（Spatial Enhanced FPN,SFPN）用于特征融合,提升了神经网络的感受野和多尺度性能;最后,该算法设计了FIOU(Fantastic IoU)损失函数,提升了预测框定位精度。实验结果表明,所提出的算法能够有效提取空间域和光谱域信息特征,分别在平均准确率上提升了14.19%、8.01%和5.38%,与现有方法相比表现出更出色的性能。文章的算法为高光谱图像的物体级目标检测提供了一种有效的解决方案,有望推动高光谱图像分析领域的进一步发展。     

星载SAR在轨成像及舰船目标检测方法

针对现有星上在轨SAR成像和目标检测处理的实时性、有效性及能效比等性能指标较低,文章提出了一种高能效比星载SAR成像及舰船目标检测方法,该方法是基于高速并行化混合快速傅立叶变换(FFT)阵列加速的星载SAR成像实时实现方法和以局部降维统计分类为基础的舰船目标检测方法,并建立计算精度误差模型,自主调度定/浮点计算,在有效降低硬件资源占用的同时,保障了星载SAR成像和舰船目标检测计算的实时性。在Xilinx公司现场可编程门阵列(FPGA)开发板上,经合成孔径雷达卫星-1(RadarSat-1)遥感卫星数据,验证了方法的可行性和有效性。该方法的能效比为传统FPGA+数字信号处理器(DSP)经典处理架构的4倍以上,可为星上在轨实时处理设计提供参考。