基于属性引导的多源遥感舰船目标可解释融合关联网络

多源遥感舰船目标关联作为前期大范围预警探测的重要手段为海上态势研判提供重要情报支撑,现有关联算法面临关联结果可解释性差,异构特征难度量,多源目标关联精度低等问题。提出了一种基于属性引导的可解释融合网络用于解决多源遥感舰船目标的关联问题。首先,提出全局关联模块,利用跨模态度量损失函数将图像特征映射到共同空间中度量,用于解决多源图像内容差异大,特征难对齐问题。然后,提出包含多头注意力模型和属性监督函数的可解释模块,提升关联精度并输出可解释的关联结果。其中多头注意力模型让网络关注到舰船目标显著性区域,属性监督函数引导模型关注舰船图像中判别性属性特征,利用属性特征帮助网络解释输出关联结果的决策依据,并以量化的形式可视化属性特征对关联结果的贡献度。最后,利用知识蒸馏的思想减小全局关联模块和可解释模块输出特征距离的差异,使得网络实现精准关联并提供可解释的关联结果。在实验部分,构建了首个多源遥感舰船目标数据集,在该数据集上的测试结果显示本文算法不仅在关联精度上优于现有算法,同时能够为关联过程提供清晰和直观的可视化关联结果。     

海天背景舰船红外目标识别技术研究

通过对舰船红外目标特性与识别方法的讨论,给出了图像序列目标识别算法流程以及仿真实验的结果,并对工程实现自动目标识别的硬件、算法和软件设计进行了讨论,具有较好的理论和应用价值。     

面向目标识别的多特征图像融合技术综述

目标识别是计算机视觉领域重要的研究课题.图像融合由于能对信息进行多级别、多层次以及多方面的处理与综合,因此可以获得更为精确和更为可靠的信息.近年来,基于多特征融合的目标识别方法由于无需精密的图像配准,计算简便的优点得到研究者的重视.本文首先简要介绍了特征融合的基本原理和基本框架;然后梳理了特征融合的几类重要方法;最后,...     

一种轻量化SAR图像舰船目标斜框检测方法

针对目前基于深度学习的合成孔径雷达（SAR）图像舰船目标斜框检测方法难以满足实时化检测需求的问题,提出了一种轻量化SAR舰船目标斜框检测方法。该方法基于无锚框框架,设计了轻量化的网络结构,对模型参数量和运行速度进行了优化,可直接从头训练。同时,为解决基于角度回归的斜框参数表示方法存在的角度敏感性问题,提出了基于旋转向量的斜框参数表示方法。在公开的SAR图像舰船目标检测数据集上的实验结果表明,所提方法在无需预训练的情况下取得了与迁移学习方法相近的检测精度,模型参数量和运行速度取得了最优结果,充分验证了所提方法的有效性。     

基于PCNN的遥感SAR图像桥梁目标检测与识别

该文针对低对比度和低信噪比、背景或目标灰度呈均匀缓慢变化的遥感水域图像分割提出了双级并行点火脉冲耦合神经网络(Double-Level Parallelized Firing PCNN,DLPFPCNN)新模型,对其原理和工作过程做了详细介绍.在此基础上,将DLPFPCNN新模型应用于含水上桥梁目标的遥感SAR图像分割,并结合水上桥梁目标自身具有的直线性特征等先验知识进行一系列后续处理,最终识别出水上桥梁目标.仿真实验结果表明,该文提出的方法具有较好的应用效果.     

基于深度卷积网络的SAR图像目标检测识别

在SAR图像解译应用领域,目标的自动检测与识别一直是该领域的研究重点和热点,也是该领域的研究难点。针对SAR图像的目标检测与识别方法一般由滤波、分割、特征提取和目标识别等多个相互独立的步骤组成。复杂的流程不仅限制了SAR图像目标检测识别的效率,多步骤处理也使模型的整体优化难以进行,进而制约了目标检测识别的精度。采用近几年在计算机视觉领域表现突出的深度学习方法来处理SAR图像的目标检测识别问题,通过使用CNN、Fast RCNN以及Faster RCNN等模型对MSTAR SAR公开数据集进行目标识别及目标检测实验,验证了卷积神经网络在SAR图像目标识别领域的有效性及高效性,为后续该领域的进一步研究应用奠定了基础。     

三维模型在SAR图像自动目标识别中的应用

提高高分辨率SAR图像在复杂战场环境中的目标识别能力,对防御未来战争中来自地面目标的威胁具有重要意义。针对地面特定目标的大小、方位、旋转等变化以及强杂波背景给目标识别带来的严重影响,提出将目标的三维模型投影到二维平面,采用余弦傅里叶矩和瑞利分布的CFAR检测方法分别对其矩特征和峰值特征进行提取,利用级联组合分类器对目标识别进行建模分析,并通过试验验证该方法的有效性。结果表明:该方法实现了在特征维数高和姿态变化下的目标识别,而且无需额外增加对制导控制系统的开销。     

基于序列图像的自动目标识别算法

由于利用单幅二维图像进行三维目标识别存在识别的多义性,提出了一种基于二维序列图像的三维目标自动识别算法。首先以修正的Hu不变矩构造目标的图像识别特征,进而采用BP神经网络分类器构造关于目标融合识别的基本置信指派函数,以神经网络的训练误差构造证据理论不确定性度量,采用基于吸收法的DS证据理论实现高冲突证据的贯序式融合。对各姿态飞机图像识别的仿真表明,该算法对飞机的空间姿态变化具有很强的鲁棒性,能快速地准确识别飞机类型。此外,算法对先验性参数具有一定的鲁棒性。     

实时光学多目标识别和跟踪系统与方法

这里介绍的是一种多目标的光学识别方法，以及相应设备，方法的跟踪能力。此钼，还介绍了跟踪已识别物体的情况。在工作时，待识别物体由多点空间滤波器预先确定。     

基于图像奇异值描述的雷达目标识别方法

利用目标对常规雷达发射波形的调制效应，先对录取的回波数据进行预处理，把一维回波序列投影成二维灰度图像，然后提取这种图像的反映飞机目标不同机型(大、小)和不同架次的奇异值作为特征矢量，采用BP神经网络对目标进行分类识别试验，结果表明该方法是有效的，这为常规低分辨雷达空中目标识别提供了一种新方法。     

基于特征重用和语义聚合的SAR图像舰船目标检测

针对单阶段算法SSD(Single Shot Detector)检测SAR图像舰船目标时特征利用率不高的问题,提出了基于特征重用和语义聚合的SAR图像舰船目标检测算法。该算法主要包括特征重用算法和语义聚合算法。在SSD检测算法的网络模型中,针对用于目标预测的前端网络进行了改进,通过提出的特征重用算法,将特征图按照通道分成2部分:一部分被卷积处理进行参数学习;另一部分经过池化之后,采用拼接的方式重新利用,可以在进行参数学习的同时,减小参数量和计算量。通过提出的语义聚合算法,将前端网络中位置信息丰富的底层特征和语义信息丰富的高层特征进行融合,提高了区分和定位舰船目标的能力。同时,还根据数据集SSDD中舰船目标尺寸和长宽比的分布情况,减小了锚框的尺寸,增大了锚框的长宽比,使产生的锚框更符合舰船目标特点。实验结果显示,检测准确率在数据集SSDD上从77.81%提升到81.43%,而增加的计算量不显著(平均处理时间从17 ms增加到23 ms)。     

公开SAR图像目标数据集及其在深度学习中的应用综述

由于合成孔径雷达(SAR)图像可读性较差,所以对其进行目标检测与识别处理的难度也较大.近年来,随着深度学习(DL)方法的不断发展,许多学者将其引入SAR图像目标检测与识别研究中.该类方法以数据为驱动.其中,监督学习方法更以已标注的数据为基础.但是,SAR图像目标的标注通常是昂贵且耗时的.鉴于此,本文对已公开的SAR图像...     

一种针对多光谱遥感图像的桥梁快速识别算法

提出了一种针对多光谱图像中桥梁的识别算法。首先,根据水体和背景地物在不同光谱波段的亮度差异,计算多光谱图像的水体指数得到水体增强图,搜索其具有明显双峰的直方图得到最优阈值,实现河流的完整提取;其次,利用桥梁的存在会导致局部水体的光谱异常,沿河流中间线进行潜在桥梁区域的快速提取;再进一步利用桥梁长度以及与河流的空间关系进行鉴别,有效剔除虚警。利用 SPOT4遥感影像进行实验,结果表明本文算法运算量小,对于多个桥梁的识别具有很好的实用性。     

一种基于天水线的红外舰船图像目标识别方法

针对海天背景下红外舰船目标的识别,提出了一种基于天水线的目标识别方法.利用被识别目标相对天水线的空间位置目标红外特征量和图像帧间信息识别目标,在强干扰环境下,利用该方法进行了仿真实验,得到了很好的效果.     

高斯模糊下舰船图像的矩特征

针对舰船目标图像受到自身运动、环境和图像预处理的影响出现模糊,丢失轮廓信息,造成像素点阵模糊和矩特征变化的问题,在高斯模糊低阶矩特征分析的基础上,提出并证明了Hu矩、仿射不变矩特征在高斯模糊作用下的变化定理;通过2个仿真实验验证了定理的正确性;为了保证舰船目标的识别效率,提出了建立多尺度特征库的建议。     

基于改进Yolov3 算法的舰船目标检测识别系统

针对复杂战场环境下对海目标检测识别的需求,设计了一种基于改进Yolov3 算法的海面舰船目标实 时检测识别系统。使用微调分类网络、增加训练尺度、聚类目标边框维度、二级特征分类等方法对Yolov3 检 测识别网络模型进行了优化,在提高识别精度的同时有效降低了漏检率和虚警率。实验结果表明,优化后的网 络模型在自建的舰船图像数据库中将检测识别平均准确率提高到了79.3%,对真实海上航拍视频中舰船目标识 别的平均准确率达到了81% 以上。     

雷达专家系统目标识别和红外图像目标识别的D-S融合

本文从雷达专家系统目标识别和红外图像目标识别算法分别得到带识别目标所属类别的基本概率分配函数。用D-S证据理论将得到的两个基本概率分配函数组合,最终实现了机载雷达和红外成像传感器的数据融合。仿真表明:融合后的识别效果要比单个雷达或单个红外传感器的识别效果要好得多。     

基于分形的BP网络水下目标识别

主要讨论目标回波的分形特征和基于分形的识别方法,并用实际潜艇的回波数据进行了分形特征识别研究。在分析回波信号的时间域波形的基础上,应用随机分形理论,给出基于分形 Brown 运动的回波信号分形特征矢量提取的理论和方法;提取了回波信号的分形特征矢量;进而给出了基于 BP 网络的分类计算方法。计算结果表明,提出的提取水声回波信号目标特征矢量的方法与分类方法切实可行。     

基于云模型和改进D-S证据理论的目标识别决策方法

在目标识别决策系统中,多探测器多源信息融合的模糊性和不确定性以及各探测周期所得信息的冲突互斥会造成目标识别决策不精准。为解决这一问题,提出基于云模型和改进D-S （Dempster-Shafer）证据理论的目标识别决策方法。首先,将目标识别准确性这一语言评价值划分为不同评价区间等级,以不同评价等级标准云为参照将各探测器各探测周期所得信息转化为云决策矩阵,得出各周期各等级隶属度,进而构建出基本概率分配函数（mass函数）;其次,基于证据理论引入冲突度、差异度、离散度3类衡量冲突大小的参数,定义了一种新的证据冲突参数,同时改进证据冲突融合算法,对各探测器各周期证据体进行修正并融合;再次,结合各探测器权重加权得出各目标综合识别决策的mass函数对目标进行决策;最后,结合算例,验证该方法的适用性,并与其他方法相对比验证了本文方法的优越性。     

基于PSO-SVM的空中目标智能融合识别模型

支持向量机(SVM)算法能较好地解决传感器数据不完整、缺失情况。针对SVM关键参数难以选择问题,提出了基于粒子群-SVM算法空中目标智能融合识别模型。结合工程需求,进行仿真。仿真结果表明,该算法能较精确地识别目标。