基于改进SSD的舰船目标精细化检测方法

以SSD为代表的主流深度学习方法在目标检测领域取得了显著的成绩,但由于该类方法只能以矩形框给出目标的概略位置,检测结果具有很大的背景冗余区域,特别是港口密集停泊的舰船在图像中会出现区域重叠,导致误检和漏检。针对以上问题,提出了一种具有旋转不变性的舰船目标精细化检测方法,该方法综合利用可变形卷积、可变形池化、旋转的边框回归和旋转的非极大值抑制等模块的优点,借鉴MobileNet架构对网络加速,通过学习密集区域目标的几何形变,有效预测目标的旋转角度,最终以旋转的矩形框给出目标的位置。实验结果表明,该算法可实现多类舰船目标类型区分和目标朝向判定的功能,有效地解决了实际应用中的目标精确定位定向难题,提高了自动目标识别的精确性,并满足工程应用的实时性要求。     

基于表观细粒度辨别网络的近海船舶目标检测方法

近海船舶目标检测是一项非常具有挑战性的任务,受到学者专家广泛关注。基于卷积神经网络（CNN）和注意力机制的检测器在近海船舶目标检测方面的应用取得了显著成就。然而,船舶目标检测存在着表观相似和背景干扰导致检测过程中出现误检的问题。为此,本文提出了一种用于Faster RCNN（更快的基于区域的卷积神经网络）的表观细粒度辨别的检测头模块。该模块包括类别细粒度分支和高效全维动态卷积定位分支。其中类别细粒度分支通过全局特征建模和灵活的感知范围来挖掘和利用类别细粒度辨别特征,高效全维动态卷积定位分支通过高效灵活的感知船舶边界信息来区分目标与背景,从而减少误检漏检问题。通过在近海船舶公开数据集Seaships7000 上进行实验验证,本文算法减少了误检漏检,提升了检测器性能。     

基于USB Key的数据库细粒度加解密技术研究

数据库安全是信息系统安全保障的一个重要环节,如何对敏感信息进行加密保护是一有意义的课题。本文提出并实现了基于USB Key的数据库细粒度加解密技术,该技术能在不改变数据库正常运行的情况下,在数据库驱动之上构造一个通用数据库细粒度加解密动态链接库组件,使调用该组件的应用程序可以采用USB Key进行身份认证,使用XML序列化技术对加密粒度进行细致控制,还可以利用AES加密算法对数据进行快速地高强度加解密,以保障数据存取的安全。     

综合化飞行器管理计算机技术研究

目前国外新一代飞机的设计中,为进一步提高飞机的性能,同时降低系统费用,采用飞行器管理系统综合管理包括飞行控制、发动机控制、机电公共设备管理等飞机平台的功能.飞行器管理系统核心是飞行器管理计算机,细粒度可配置飞行器管理计算机不同于以往基于通道容错的计算机系统,它是基于模块级容错的计算机系统,细粒度可配置飞行器管理计算机设计利用综合化技术,通过采用通用的、标准的模块,提高系统的可靠性和可用性.它既要具有飞行控制系统的多余度安全,同时又需要满足发动机控制、机电管理等不同系统、不同余度配置的安全要求.另一方面飞行器管理计算机从系统结构、容错技术等方面要适应不断变化的微电子技术和计算机技术的发展,保持飞机平台具有相对的稳定性,更要具有灵活的系统配置能力.主要介绍了细粒度可配置飞行器管理计算机体系结构、软件要求、容错结构的实现.     

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...     

引入缺陷的细粒度软件变更识别方法

软件开发过程中,缺陷通过变更引入软件系统。为提高缺陷发现效率,降低人工审查成本,提出一种引入缺陷细粒度变更自动化识别方法。该方法基于机器学习分类思想,将细粒度变更作为实例,从时间、地点、内容、意图以及人员5方面构造特征集;采用程序静态分析与自然语言语义分析相结合的方法挖掘软件历史库,自动化构建细粒度变更实例;使用软件历史中的细粒度变更实例训练分类器,从而识别新的细粒度变更是否引入了缺陷。在实际软件系统上运用成本有效性评估策略验证方法有效性。结果表明相比于文件和事务粒度的引入缺陷变更识别方法,该方法可显著降低人工审查成本。     

HQ-61推进剂燃速的实验研究

本文介绍了燃速仪法和φ107发劝机法在评定HQ-61推进剂燃速波动范围和拣选影响因素方面的若干实验及其试验结果。两种方法试验结果的比较表明:用φ107发动机法来评定HQ-61推进剂燃速较之燃速仪法为优。它既可比较正确地评价推进剂燃速参数,又可正确敏感地拣选影响燃速的因素。这一实验研究还进一步表明:在精确评价推进剂燃速和为发动机设计提供比较可靠的燃烧性能方面,设计一种用药量少、精度高的标准弹道评定发功机来代替燃速仪是十分必要的。     

基于层间分类一致性准则的舰船目标细粒度识别方法

舰船目标的层次化、细粒度识别在军事和民用领域均有重要意义。现有细粒度识别方法一般需要部件级精细标注或采用注意力机制提取关键特征，但并未有效利用舰船目标层次化分类体系中本身所蕴含的隶属关系信息提高细粒度识别精度。针对舰船目标的层次化分类问题，建立了舰船目标多层级一致性分类数学模型，提出了一种基于层间强一致性分类准则的细粒度识别方法，设计了层间一致性分类损失函数，并构建了多层级兼容舰船目标细粒度识别网络(MLCDet)。经试验验证，该方法有效、鲁棒，资源开销小，能够有效利用分类体系中各类别间的隶属关系提升目标识别精度。在无需部件级标注信息的前提下，将mAP提高了1.3%,与此同时，模型总参数量仅增加0.02%,推断速度不变。     

面向目标分类识别的多任务学习算法综述

多任务学习(MTL)可以在训练中联合利用多个任务的监督信号，并通过共享多个相关任务之间的有用信息来提升模型性能。本文从目标分类识别应用角度，全面梳理和分析了多任务学习的机制及其主流方法。首先，对多任务学习的定义、原理和方法进行阐述。其次，以应用较为广泛、具有代表性且具有共性特点的细粒度分类和目标重识别为例，重点介绍多任务学习机制在目标分类和识别任务应用的2类方法：基于任务层的多任务学习和基于特征层的多任务学习，并针对每种类型进一步分类分析不同的多任务学习算法的设计思想和优缺点。接着，对本文综述的各种多任务学习算法在通用数据集上开展性能对比。最后，对面向目标分类和识别任务的多任务学习方法的未来趋势进行展望。