基于全局—局部特征联合的光学卫星遥感图像舰船目标细粒度识别

针对光学遥感图像舰船目标类间差异小,需要丰富舰船目标的特征表示能力提高其细粒度识别准确率的问题,文章提出了一种基于全局—局部特征联合的舰船目标细粒度识别方法,设计了双分支特征提取与融合模型。首先,全局特征提取分支通过卷积神经网络提取图像的全局特征;其次,局部特征增强分支将浅层特征图打乱并重构,加入对抗性损失函数,训练网络识别局部重点区域特征的能力,提取目标局部特征;最后,将全局特征和局部特征进行融合,利用全连接层对特征进行降维处理去除冗余信息,增加鲁棒性,并利用融合特征完成分类任务。实验表明,该方法可以兼顾全局特征和局部特征,在FGSC-23舰船目标数据集上准确率达到86.36%,优于其他方法。     

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。     

星载合成孔径雷达图像的飞机目标检测

针对大场景下星载合成孔径雷达(SAR)图像中飞机目标检测问题,提出一种端到端的飞机目标检测算法。先在大场景SAR图像中对机场目标进行粗检测,定位机场区域,再通过精确分割算法获得机场的精细区域。对机场区域中的飞机目标进行检测,采用一种基于Canny算子的边缘检测与卷积神经网络结合的飞机目标检测算法。通过飞机边缘检测、边界框预处理等操作确定潜在飞机目标在机场中的位置范围,采用基于GoogLeNet的卷积神经网络对可疑目标进行鉴别。利用星载合成孔径雷达数据对算法进行验证,证明该方法的有效性与实用性。     

基于数据扩充和特征增强的雷达回波无人机检测

针对基于雷达无人机目标识别难度高、精确度低、适应性差等问题，本文提出了利用深度学习的方法，对雷达回波进行无人机检测。首先，利用相参累积的方法生成雷达回波的距离-多普勒图像，增强目标特征并提高信噪比;其次，采用生成对抗模型对距离-多普勒图像进行数据扩充，以获得充足的图像数据减小网络的过拟合并提高网络鲁棒性;最后，使用基于位置感知的卷积神经网络增强特征，通过构建基于距离-多普勒图像的感知模块，实现对目标距离和运动速度的检测。通过在雷达回波序列中弱小飞机目标检测跟踪数据集上验证的结果表明:最终检测结果在召回率89%的情况下达到了91%的准确率。相比于基准方法，本文提出的方案具有更高的检测精度和更好的网络运行效率。     

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。     

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机场;最后,使用非极大值抑制的方法去除冗余的预测框,获得最终的检测结果。利用从谷歌地球收集的图像数据集对该神经网络模型进行训练和测试,结果表明其在精准率和召回率上均具有较大优势。此外,文章所提算法在来自不同卫星平台的大量大幅面遥感图像上进行了机场目标检测,结果显示其适应性强且检测效率有大幅度提升。     

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。     

一种基于迁移学习的遥测数据异常检测方法

为解决卫星遥测数据异常检测面临的数据不平衡且缺乏有标签样本的问题，提出一种基于一维卷积神经网络(1dCNN)迁移学习的异常检测方法。首先利用源域卫星的遥测数据对1dCNN进行预训练，使得模型的卷积层具有卫星状态特征的提取能力；然后将训练好的模型迁移到缺乏标签数据的目标域卫星中；利用目标域有标签样本对预训练模型进行微调，从而实现了对目标域测试集样本的异常检测。为了使1dCNN能够适应遥测数据样本的不平衡性，引入了代价敏感训练策略，建立动态损失函数，从而提升代价敏感一维卷积神经网络(cs 1dCNN)对于异常样本的识别能力。以某两个卫星的电源分系统遥测数据进行了验证，实验结果表明该异常检测迁移方法具有较好的有效性和鲁棒性。     

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。     

基于顶点成分分析的高光谱图像低概率异常检测方法研究

用低概率检测(LPD)方法对小概率异常进行检测时,由于在低频空间中选取正交向量作为背景光谱,使得小概率异常检测受噪声影响较大,存在漏检率较高的缺点。提出用顶点成分分析(VCA)算法提取端元光谱作为背景光谱,并将观测光谱向量投影到背景光谱张成空间的正交子空间中,从而有效抑制背景、突出目标进行异常检测。通过对高光谱原始数据的仿真分析,该检测方法降低了漏检率,提高了检测能力。     

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。     

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。     

基于多源卫星融合资料的中国近海海洋锋检测研究

海洋锋是海洋动力学中重要的研究对象.目前主要利用卫星遥感海面温度数据分析海洋锋.由于夏季中国近海海域海面温度趋同特性,无法利用海面温度数据分析海洋锋,而卫星遥感海色数据可以有效弥补海面温度检测海洋锋的不足,提高海洋锋检测的准确性.基于多源卫星融合数据,利用梯度检测算法对中国近海海域进行海洋锋研究,结合海面温度和蓝绿波段...     

典型海上热发射动力学效应及影响因素分析

考虑海上发射环境特殊性,分析了发射船承受的典型海浪以及风环境,针对陆基发射时运载火箭直接坐落在发射台上的裸箭热发射方式,分析了该支撑形式在海上动态环境下的射前稳定性,获得海上裸箭热发射方式的承受晃动极限。为解决陆基热发射支撑方式不满足三级海况发射稳定性的问题,提出运载火箭的框架式扶稳措施,通过框架内的柔性支撑保证运载火箭的射前稳定性。构建由火箭、等效甲板、导向框架、导轨、柔性支撑、发射台等组成的发射系统动力学仿真模型,开展复杂海况条件下的发射动力学分析,获得了框架式热发射方式在典型海况条件下,不同因素对火箭出框过程飞行姿态、安全间隙等影响规律,可为运载火箭框架式热发射的海上动基座发射动力学安全性评估提供技术支撑,并用于框架式热发射方式的海上动基座环境适应性的综合评价。     

从卫星SAR海洋图像中检测船目标及其航迹

从卫星ＳＡＲ海洋图像中检测船目标及其航迹是一项很有意义的工作。由于船目标有强的角反射，它的雷达回波信号比较强，在ＳＡＲ图像中的灰度值比较高。先检测船目标，再在船的周围寻找航迹的检测方案比较合理。文中先介绍了船目标的检测问题。提出应用非线性拉伸的方法增强船目标，运用形态学滤波的方法消除斑点，通过阈值方法检测出船目标后，统计船目标的长度以及中心位置等重要信息。检测出船目标后，使用曲线扫描的方法来进一步     

基于深度学习的雷达干扰识别方法研究

针对复杂电磁环境下雷达干扰信号识别问题,从优化卷积神经网络结构的角度出发,本文提出了一种对卷积神经网络结构LeNet-5增加批量归一化层和改变激活函数的方法。该方法能够加速网络收敛,提升网络的学习效率。本文首先建立舰船目标模型,分析了噪声调幅干扰、噪声调频干扰、梳状谱干扰和无干扰的真实目标回波信号在时频域的差异,然后利用四种信号对舰船目标模型生成数据集,最后通过本文所提方法实现雷达干扰的自动识别。仿真结果表明：在全信噪比条件下,本文所提方法对四种信号的识别准确率达到98.1%,表明所提方法有着较好的稳定性和鲁棒性。     

加权叠加结构滤波器组动态信道化结构研究

针对传统DFT多相结构滤波器组动态信道化结构要求系统过采样因子必须为整数,限制了参数设置的灵活性的问题,将灵活高效的加权叠加(WOLA)结构滤波器组引入动态信道化结构。通过公式推导得到WOLA综合滤波器组的实现结构,进而设计了基于WOLA结构滤波器组的动态信道化结构。仿真结果表明,设计的动态信道化结构解除了系统过采样因子必须为整数的限制,增强了参数设置的灵活性,同时与DFT多相结构滤波器组动态信道化结构相比,重构误差减小了一个量级,具有良好的重构特性。     

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%。     

航天器柔性太阳翼最优PPF主动振动抑制方法

针对采用可变速控制力矩陀螺(VSCMG)进行柔性太阳翼振动抑制问题,提出一种基于求解非光滑 H∞ 综合问题的最优参数正位置反馈(PPF)控制方法。首先,建立考虑VSCMG和柔性太阳翼耦合的振动模型,得到了线性化的约束陀螺柔性板动力学模型,基于同位控制思想推导了以角度陀螺为测量装置的约束陀螺柔性板全阶状态空间模型。针对被控对象特性,确定最优PPF控制器的结构构型和待优化参数。进而,通过对约束陀螺柔性板全阶状态空间模型进行降阶、修正和加权处理,将PPF控制器参数优化问题转化为在PPF控制器构型约束条件下的非光滑H∞综合问题,并应用一阶下降算法进行寻优求解,实现最优PPF控制器的设计。该方法能够实现对各阶陀螺模态的独立控制,在保证快速性和鲁棒性的前提下,实现最优PPF参数的稳定高效求解。仿真结果表明,所提出的最优PPF控制方法能够快速、鲁棒地实现航天器柔性太阳翼的主动振动抑制。