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。     

基于深度学习的目标检测框架组件研究

深度学习与计算机视觉的结合给目标检测研究领域带来了全新的检测模式,通过对基于深度学习的目标检测网络分析研究,目标检测网络框架可模块化地拆分为特征提取网络、多尺度融合和预测网络三个部分。从组成目标检测网络模块化的角度对各个模块进行了详细的分析综述,并给出了如何根据实际需求来构建适合的模型框架建议,为基于深度学习的目标检测方法研究提供参考。     

基于YOLO智能网络的红外弱小多目标检测技术

复杂背景下的红外弱小多目标检测是红外目标检测的难点,现有算法的稳健性难以满足实际弹载应用需求。针对弹载环境下的红外场景图像开展了基于典型深度学习网络模型的目标检测应用研究,提出一种基于YOLO(you only look once)网络的智能目标检测方法,通过高维特征学习表征和推理实现红外弱小多目标检测。采用传统的模板匹配算法和YOLO深度学习算法进行识别性能对比分析,验证了YOLO网络在红外弱小多目标检测方面的良好性能。实验结果表明:YOLO算法的检测概率可达92.2%,平均检测精度为0.844,与传统的模板匹配方法相比,YOLO具有明显的优势。     

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。     

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。     

基于深度学习的3D点云目标检测研究综述

近年来,3D目标检测作为自动驾驶、移动机器人、虚拟现实等应用产业的重要基础任务,受到了各领域研究人员的广泛关注。其旨在三维空间中对感兴趣目标进行定位与分类,给出相应的3D包围盒,包括目标的位置、大小和方向,为后续对三维场景的理解与感知、对车辆的规划与决策提供基础信息。激光雷达传感器捕获的点云因其具有准确的三维信息与深度信息,成为3D目标检测最为常用的输入数据。本文对基于深度学习的3D激光雷达点云目标检测进行综述,总结了点云的数据特点与处理方法,介绍了相应的几类检测方法以及点云和图像融合的多模态检测方法,对不同方法的性能进行对比分析,最后讨论3D点云目标检测未来面临的挑战和发展趋势。     

基于背景差分的动目标检测算法研究

提出一种新的基于背景差分的动目标检测算法。综合利用序列图像的时、空域信息提取目标。用中值法建立初始背景,并采用一种自适应的背景更新策略。实验结果表明,该算法简单,鲁棒性好,能够解决全局光照缓变和突变的问题,在复杂环境中也能准确地检测出运动目标。     

成像卫星在轨智能处理技术研究进展

从成像卫星在轨智能处理技术的重要性出发,分析了现阶段国内外研究现状,并总结了星上计算资源受限、实时性要求高、缺少大规模数据集、空间环境特殊性等在轨智能面临的主要挑战.针对问题,系统总结了智能算法、硬件平台和优化技术三个方面的相关技术,其中对于遥感目标智能检测算法,详细描述了数据集、模型架构、实时性等多个方面.最后,对成...     

一种无人机自主避障与目标追踪方法

针对无人机自主避障与目标追踪问题,以深度Q网络(DQN)算法为基础,提出一种多经验池深度Q网络(MP DQN)算法,使无人机避障与追踪的成功率和算法的收敛性得到优化。更进一步,赋予无人机环境感知能力,并在奖励函数中设计了方向奖惩函数,提升了无人机对环境的泛化能力以及算法的整体性能。仿真结果表明,相较于DQN和双重DQN(DDQN)算法,MP DQN算法具有更快的收敛速度、更短的追踪路径和更强的环境适应性。     

遥感场景分类的批处理协方差神经网络方法

针对卫星遥感图像场景分类数据集中存在的局部区域特征异常问题,提出一种采用批处理协方差层的神经网络(CovNN)模型进行遥感场景分类的方法。该方法通过计算全输入通道的局部区域均值实现一种3D批处理协方差算法,能够有效消除局部区域均值的影响,从而更好地处理局部光照过强和局部区域存在无关特征的问题。将其应用于存在局部光照异常和局部无关特征问题的卫星采集AID数据集和NWPU RESISC45数据集中,实验表明CovNN在两个数据集上均取得了超过现有卷积神经网络(CNN)的召回率,可有效降低图像局部区域特征异常的不利影响。     

一个基于多重推理的遥感图片解译专家系统

本文研究了在图象模式识别过程中引入人工智能的知识学习、知识表达和知识推理的理论和技术,设计并实现了一个应用于遥感图片解译的计算机视觉专家系统。 为使系统具有较高的智能化程度,本文提出了一种新的推理方法——多重推理法,它具有处理某些不完全知识和错误知识的能力,并且推理过程所运用的部分知识(规则)是从已知样本中自动归纳学习生成的。     

基于图像识别技术的火箭飞行时序判读

在运载火箭开展射前综合测试时,控制系统在预先指定的飞行时序向末端发送一系列指令,指示末端设备做出相应动作,以达成对应的目标。这些动作主要依赖火工品完成,这些动作变化会体现在火工品等效器指示灯上。当前控制系统无法检测到末端等效器的电流情况变化,因此无法对末端动作进行有效监测,测试缺乏可靠性、准确性与可追溯性的问题亟需改善。通过综合运用人工智能、数字图像处理与计算机视觉技术,经由特征匹配、指示灯定位、指示灯状态建模等步骤,可对末端火工品等效器状态变化实现精准监测,进而实现飞行时序自动判读。与标准判据比对后,本文提出的火箭飞行时序判读系统准确率可达98.89%。     

基于高光谱和LiDAR的黄河口湿地植被分类方法

利用无人机（Unmanned Aerial Vehicle, UAV）高光谱影像（Hyper-spectral Imaging, HSI）和激光雷达（Light Detection and Ranging, LiDAR）数据开展黄河口湿地植被分类方法研究。由于高空间分辨率HSI光谱变异性强,以及LiDAR点云密度不均匀,分类结果呈现出“椒盐”现象。为了解决这些问题,本文提出了一种结合空谱特征融合和通道注意力机制的双分支卷积神经网络（SSF-C-DBCNN）。光谱注意力机制通过为每个波段分配不同的权重来减少光谱变异性的影响。空间注意力机制侧重于学习和强调特征表达能力强的密集点云区域空间信息,从而减轻LiDAR点云密度不均匀对结果的影响。最后,在双分支融合特征后引入通道注意力机制来提取更深层次的特征。利用UAV采集的HSI和LiDAR数据进行实验验证,结果表明,本文提出方法的性能优于随机森林和五种深度学习方法,分类结果更为贴合实际土地覆盖,有效地抑制了“椒盐”现象。     

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%。     

基于梯度特征的图像自动分割方法

利用遥感图像进行海上目标检测、监视的关键技术是实现海陆分离，从而为目标检测、监视减少不必要的处理工作。传统的采用阈值分割方法分离陆地，但是这种方法对于陆地上灰度级较低区域容易造成误分割。而且，很显然的不能够充分利用图像中的灰度变化信息，即梯度。为此提出了一种基于梯度特征的海陆分割算法。首先利用边缘检测提取图像的梯度特征，梯度特征对灰度级并不敏感而对梯度的变化敏感，对于陆地灰度级较低的区域也能够提取边缘。对得到的边缘进行形态学处理，利用设定的面积阈值将图像分为主体陆地区域和孤立陆地区域，进一步可以屏蔽陆地。实验结果表明，该方法可以较好的分割陆地中阴暗区域，对于未经辐射校正图像有较好的适用性，并且有较快的处理速度。     

基于图像处理的液位测量技术研究现状与发展趋势

基于图像处理的液位测量技术具有非接触式测量、应用范围广、占用体积小等突出优势,在工业、化学以及水文监测等领域有着广阔的应用和发展前景。随着图像处理算法的改进和工业相机性能的提升,图像液位测量技术的各项性能指标也得到了显著提高。为进一步研究基于图像处理的液位测量技术,梳理其基本工作原理、分类及研究现状,并分析发展趋势和前景,为研究精度更高、应用更广的液位测量技术提供依据。