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U-net的"高分五号"卫星高光谱图像土地类型分类

"高分五号"卫星是世界首颗实现对大气和陆地综合观测的全谱段高光谱卫星,对于土地利用类型分类具有重要的应用价值,如何利用深度学习技术开展高光谱图像分类是当前研究的热点问题。深度学习中的语义分割方法在地面场景的图像中已经获得较好的应用,但是对于高光谱遥感图像的精度和适用性较差,无法准确获得精确的分类结果。文章采用U-net模型开展高光谱土地利用类型分类研究,首先基于"高分五号"卫星高光谱数据,构建样本数据集,然后训练分类模型,进行土地利用类型分类,探讨语义分割方法在高分五号高光谱数据上的应用能力。结果表明,采用深度学习中的语义分割方法能够有效提高精度水平,U-net模型的整体分类精度为0.9357,Kappa系数达到0.92,均高于SVM方法和CNN方法。采用深度学习中的语义分割方法,可以为"高分五号"高光谱数据的土地利用分类提供技术支撑,有效提升"高分五号"卫星的应用能力。     

融合邻域色差的PSPNet对遥感影像的分割

传统的遥感影像语义分割利用影像的光谱特性,将具有相似值的像素进行归类,但无法区分具有不同光谱的同一类对象.针对这一问题,提出将邻域的色差信息和原始图像一起输入PSPNet网络中的方法.先将RGB变换到LAB空间,然后采用CIELAB公式计算出每一个像素与周围8个邻域像素的色差值,取平均值作为该像素的邻域色差值.在WHU...     

基于深度学习和动态变阵的迈克尔逊干涉成像方法

干涉成像为突破衍射极限成像带来了可能,然而目前干涉成像系统的子孔径阵列通常固定不变,导致图像频谱获取不足、灵活性差,阻碍了成像系统性能的提升。此外,干涉图像的复原方法面临复原速度慢、复原品质差等难题。文章利用动态变阵的方法解决迈克尔逊干涉成像由于孔径稀疏且固定导致的频谱获取不足、灵活性差的问题,进而进一步地利用深度学习的方法,设计了一种干涉成像的图像复原算法,提高图像复原品质和速度。实验结果表明：动态变阵可有效提高稀疏孔径迈克尔逊干涉成像的频谱获取能力,基于深度学习的网络模型可以显著提高图像的复原品质,复原图像峰值信噪比提升5 dB,复原时间提升两个数量级。总之,文章所提的变阵方案和基于深度学习的图像复原方法可以获得高品质的复原图像,在成像领域具有一定的应用潜力。     

基于T-S模糊模型和迭代学习观测器的飞行系统故障容错控制

针对执行器失效的一类飞行控制系统,提出基于迭代学习观测器的模糊容错控制律,利用Takagi-Sugeno(T-S)模糊模型对非线性系统进行描述、建模和控制.一旦系统发生故障,迭代学习观测器在估计系统状态的同时估计执行器的卡死值,然后利用估计的状态和故障信息构成反馈模糊控制律进行调节,以实现故障系统对参考系统的状态跟踪.给出了系统能进行容错控制的参数匹配条件,并利用Lyapunov理论详细分析了系统的稳定性以及闭环系统信号的有界性,某歼击机的仿真实例证明了本文方法的有效性.     

无人机航拍影像目标检测与语义分割的深度学习方法研究进展

无人机（UAV）因其小型轻便、操作简单等优点获得了广泛的应用。将深度学习方法与无人机系统相结合,有助于在清晰度高、视野范围广的无人机航拍影像上快速准确地检测出所需目标,相关课题已成为当前的研究热点之一。对近十年来无人机航拍影像目标检测与语义分割的深度学习方法研究进展进行了综述。首先概述了无人机及其航拍影像的特点和广泛的应用场景,简述了无人机航拍影像目标检测与语义分割方法的发展历程。然后对基于深度学习的无人机航拍影像目标检测与语义分割方法按照不同的网络模型进行分类,分别总结了它们的改进策略、应用场景、贡献和局限性。随后收集梳理了近些年无人机航拍影像的数据集,归纳了常用的卷积神经网络模型的评价指标。最后指出了本领域目前存在的相关问题,并对未来的研究趋势进行了展望。     

一种基于深度学习的恶意代码克隆检测技术

恶意代码克隆检测已经成为恶意代码同源分析及高级持续性威胁(APT)攻击溯源的有效方式。从公共威胁情报中收集了不同APT组织的样本,并提出了一种基于深度学习的恶意代码克隆检测框架,目的是检测新发现的恶意代码中的函数与已知APT组织资源库中的恶意代码的相似性,以此高效地对恶意软件进行分析,进而快速判别APT攻击来源。通过反汇编技术对恶意代码进行静态分析,并利用其关键系统函数调用图及反汇编代码作为该恶意代码的特征。根据神经网络模型对APT组织资源库中的恶意代码进行分类。通过广泛评估和与MCrab模型的对比可知,改进模型优于MCrab模型,可以有效地进行恶意代码克隆检测与分类,且获得了较高的检测率。      

基于最小熵约束的可解释卷积神经网络

导弹武器系统上的光学探测算法要求具备高可靠性,卷积神经网络属于"黑盒"模型,本文提出一种基于最小熵约束的可解释卷积神经网络,为卷积神经网络模型在导弹武器系统上的应用创造条件.该方法通过传统方法(连通域检测、边缘检测等)找到图片中存在可解释特征,通过模型对可解释特征进行评分,聚类,并通过这些特征对原模型训练提供约束,在最终预测的同时,通过评分对模型给出解释.经实验验证,该方法能够在尽量保证模型分类性能的前提下,极大提高模型的可解释性.     

基于监督流形学习的航空发动机振动故障诊断方法

航空发动机故障诊断中一个有挑战性的难题就是如何处理具有高维数、非线性化特点的故障数据,传统模式识别方法很难发现这类数据集的真实结构,导致故障诊断准确性不高。针对这一问题,将一种新兴的非线性维数约简技术——流形学习引入航空发动机振动故障诊断,提出基于监督流形学习理论的航空发动机特征提取与识别方法。该方法首先采用最近兴起的监督局部线性嵌入流形学习算法对蕴含在高维振动故障数据中不同故障的流形特征进行学习,映射到低维嵌入空间以实现故障的特征提取,在降维后的流形特征空间中构造分类器实现故障识别。利用航空发动机转子故障数据对方法的有效性进行了验证,结果表明,该方法显著提高了故障诊断性能,克服了传统的模式识别方法PCA和LDA的不足,并且在训练样本数为每类100的条件下,该方法的平均故障诊断正确率比PCA和LDA分别高出2.93%和7.20%。