基于改进关系网络的小样本红外空中目标分类方法

针对地对空红外空中目标识别任务中数据量严重不足的问题,提出一种基于改进关系网络的小样本红外空中目标分类方法。该方法将关系网络模型、多尺度特征融合方法及元学习训练策略相结合,首先构造多尺度特征提取模块提取输入图像的特征向量,然后将支撑样本和预测样本的特征向量输入到关系模块中,根据关系值得到预测样本的类别标签。mini-ImageNet数据集上的实验结果表明:所提模型的分类精度显著高于其他经典的小样本学习模型。Infra-aircraft dataset上的实验结果表明:所提方法在仅有个位数样本的情况下,可完成多种机型的地对空红外图像分类任务。     

用于空中红外目标检测的增强单发多框检测器方法

提出了一种用于空中红外目标检测的增强单发多框检测器(SSD)方法。分析了感受野与特征图层数的关系,同时采用池化和转置卷积操作的特征图双向融合机制,从整体上增强了特征的表达能力。通过引入浅层特征图的语义增强分支,并在高分辨率特征图上增加预测框,可提升小尺寸目标的定位精度。在VOC2007小目标和空中红外目标数据集上进行了对比测试,平均精度分别提高了7.1%和8.7%,此时检测速度略有下降。结果表明,增强SSD可在空中红外目标检测中获得较好的性能。     

基于分类的红外云层背景弱小目标检测方法

提出了一种新的基于模糊分类的红外云层背景弱小目标检测方法.根据红外成像的特点,将红外云层背景弱小目标图像分为三类:边缘类、净空及云中类、弱小目标类;对不同类别图像进行分析,建立了分类模型,并定义了方向特征矢量,将其作为类别的特征矢量;根据模糊分类的理论,定义了类相似系数来判别图像中每一个像素的类别属性,保留弱小目标类的像素点完成检测.实验结果表明,该方法能够对红外弱小目标图像中不同类型的区域进行准确的分类,从而较好的实现了对低信杂比的复杂云层背景图像中的弱小目标检测.     

融合全卷积神经网络和视觉显著性的红外小目标检测

为提高复杂背景和噪声干扰下红外小目标检测性能,提出了融合深度神经网络和视觉目标显著性的单阶段红外小目标检测算法.首先设计了基于编码器-解码器架构的轻量级全卷积神经网络对红外图像进行分割,实现背景抑制和目标增强;然后利用红外小目标的显著性特征进一步抑制虚警;最后采用自适应阈值法分离出小目标.网络结构中通过引入多个下采样层降低计算量并增大感受野;通过引入多尺度特征提升背景抑制能力;通过引入注意力机制提升模型训练效果.在真实红外图像上的测试表明,本文算法在检测率、虚警率和运算时间等方面都优于典型红外小目标检测算法,适合进行复杂背景下的红外小目标检测.     

基于有监督对比学习的遥感图像场景分类

针对遥感场景图像中复杂背景以及类内多样性和类间相似性影响场景分类性能的问题,提出一种基于有监督对比学习的遥感场景分类方法。该方法包含判别性特征学习和线性分类两个阶段。在判别性特征学习阶段,引入有监督对比损失以拉近同类场景间的距离并增大不同类场景间的距离,提高类内多样性和类间相似性场景的判别能力;然后引入门控自注意模块对无用的背景信息进行过滤且聚焦关键场景区域,提高复杂背景的场景识别;最后引入一个预训练的Inception V3语义分支,把语义分支和原始模型提取的特征进行融合增强特征判别能力,以提高场景分类的整体性能。线性分类阶段通过对特征学习阶段训练的模型进行微调获得分类结果。在AID和NWPU-RESISC45数据集上的综合实验证明了所提方法的有效性。     

增强小目标特征的多尺度光学遥感图像目标检测

针对光学遥感图像目标分布密集、尺度变化范围较大及小目标特征信息过少等造成目标检测精度不高、泛化能力差等问题,本文提出了一种增强小目标特征的多尺度神经网络（ESF-MNet）。首先在骨干网络中引入注意力模块构建出高效层注意力聚合结构,以增强特征提取能力;此外,在浅层特征图与颈部网络融合之前加入感受野增强模块,以捕获不同尺度的上下文信息。其次,使用GSConv构成颈部网络,减少网络层参数量,保持网络的特征提取能力,并通过基于内容感知的特征重组模块提高识别精度。最后,采用下采样率分别为4、8和16倍的三个下采样模块作为头部网络输入,来提高小目标的检测效果。为了证明该方法的有效性,在DOTA数据集和NWPU NHR-10数据集上进行实验,平均检测精度分别达78.6%和94.3%,计算复杂度为94.7 G,整体模型大小为26.2 M。该方法具备检测精度高、计算复杂度低、模型权重小等特点,能有效提高小目标的检测精度,进一步改善光学遥感图像小目标检测性能。     

基于目标约束与谱空迭代的高光谱图像分类方法

针对复杂背景像元影响高光谱分类精度的问题,将目标检测方法引入地物分类研究,提出了一种基于谱空特征迭代的高光谱图像分类方法,该方法通过将约束能量最小化设计了一种多目标约束的类别分类器(MTCC)。该分类器利用检测原理提取多类目标地物,有效地降低了复杂背景数据对分类精度的影响;同时为了解决光谱特征带来的过分类问题,方法中利用反馈式谱空融合方式强化空间增强信息在分类中的作用,以逐步提高分类精度。利用Purdue、Salinas和Pavia数据集进行实验,结果表明,所提方法的平均分类精度分别为98.09%、97.33%和84.68%,精确率分别为96.84%、95.32%和79.13%,与其他方法相比所提方法具有更高的泛化能力,实用性更强。     

基于小目标类别注意力机制与特征融合的AF-ICNet非结构化场景语义分割方法

针对非结构化道路分割难度大、小目标检测精度较低等问题,构建基于小目标类别注意力机制与特征融合的AF-ICNet轻量级实时语义分割网络。采用空洞空间卷积池化金字塔融合不同尺度特征感受野以增强网络的全局感知能力。嵌入CA注意力机制,建立通道信息和空间位置信息以增强网络对非结构化道路小目标类别语义特征的提取能力。针对类别分布不均衡问题,改进权重交叉熵损失函数。利用AF-ICNet模型对Cityscapes与IDD数据集进行训练,在Cityscapes测试图像中分割的MIoU达到了71.5%,在IDD测试图像中分割的MIoU达到了62.5%。搭建实验测试系统进行实景测试,测试结果表明,AF-ICNet有效提升了非结构化道路及小目标类别的分割精度,并满足测试的实时性要求。     

特征增强SSD算法及其在遥感目标检测中的应用

为了提高对复杂场景下多尺度遥感目标的检测精度,提出了基于多尺度单发射击检测(SSD)的特征增强目标检测算法.首先对SSD的金字塔特征层中的浅层网络设计浅层特征增强模块,以提高浅层网络对小目标物体的特征提取能力;然后设计深层特征融合模块,替换SSD金字塔特征层中的深层网络,提高深层网络的特征提取能力;最后将提取的图像特征与不同纵横比的候选框进行匹配以执行不同尺度遥感图像目标检测与定位.在光学遥感图像数据集上的实验结果表明,该算法能够适应不同背景下的遥感目标检测,有效地提高了复杂场景下的遥感目标的检测精度.此外,在拓展实验中,文中算法对图像中的模糊目标的检测效果也优于SSD.     

基于特征融合的遥感图像舰船目标检测方法

针对常用的目标检测算法对遥感图像中的舰船目标进行检测时存在检测精度与实时性兼顾不佳的问题,提出了基于特征融合的遥感图像舰船目标检测算法来检测复杂场景下的多尺度舰船目标.该算法以多尺度单发射击检测框架为基础,增加反卷积特征融合模块和池化特征融合模块,增强网络特征提取的能力.同时设计聚焦分类损失函数来解决训练过程中正负样本失衡的问题.在高分遥感舰船目标数据集上的实验结果表明,所提方法能够有效地增强复杂场景下舰船目标的检测精度.此外,该算法对遥感图像中的模糊舰船目标的检测效果也优于多尺度单发射击检测框架.     

基于特征重组的遥感图像有向目标检测

针对遥感有向目标存在的检测问题,设计了一个基于改进Rotated RPN的网络,设计特征重组机制,通过加权使网络关注有效目标区域。使用新的有向框标注方法,避免在临界角度出现错位等问题。在检测头前端使用极化注意力模块,改善因为分类和回归任务所需特征不一致导致的性能下降问题。实验结果表明,该模型可以提高多类目标的检测精度。相较于基准Rotated RPN,该模型在Dior-R数据集上精度提升4.95%,在HRSC2016数据集上精度提升11.75%。     

利用跟踪轨迹特征和SVDD-SVM联合分类器的水下慢速小目标分类方法

针对蛙人、无人水下航行器(UUV)等慢速小目标分类识别所面临的小样本、类不平衡问题,提出了利用轨迹特征、支持向量数据描述(SVDD)与支持向量机(SVM)的联合分类方法。该方法将水下慢速小目标类型简化为蛙人、UUV、其他3类,利用跟踪轨迹特征设计多维特征量,构建SVDD-SVM联合分类器获得分类结果。具体为,针对小样本问题,采用参数维度小、训练数据量要求低的SVDD、SVM作为分类器的基本单元。针对类不平衡问题,使用2个并联的单分类SVDD和1个与两者串联的二分类SVM设计联合分类器,同时为联合分类器的输出设计投票机制保证分类结果的稳健性。实测数据处理结果表明,所提SVDD-SVM联合分类器对蛙人目标的平均召回率可达86%,平均精确率可达87%;对UUV目标的平均召回率可达85%,平均精确率可达86%。所提方法在小样本、类不平衡条件下具有优于传统方法的分类准确性和稳健性。     

基于分类-验证模型的视觉跟踪算法研究

针对相似度目标跟踪算法主要考虑目标的类内相似,而忽略不同目标的类间差异的问题,提出基于分类-验证模型的视觉跟踪算法。该算法通过增加目标的属性(类别)信息,利用相似度信息与类别信息构建损失函数,在高维空间学习目标的类内相似和类间差异;将目标模板与候选目标输入网络模型,分别通过分类与验证模块实现网络参数更新;利用训练网络提取目标模板与候选目标的深度嵌入特征,实现目标跟踪。在OTB50和UAV123数据库上进行实验,结果表明,该算法可以大幅提高跟踪效果,对相似目标具有较强的稳健性。     

基于局部保持的遥感场景零样本分类算法

目标域遥感图像特征分布的变化,导致遥感场景零样本分类性能下降,针对该问题,提出一种基于局部保持的遥感场景零样本分类算法。首先,为减少冗余信息,采用解析字典学习方法,将源域中的场景图像特征和类别语义词向量嵌入到同一稀疏编码空间,并实现两者稀疏系数的强制对齐,以建立图像特征与词向量之间的关系;然后,通过保留图像特征空间中场景图像间的局部近邻关系,增强场景图像对应稀疏系数的鉴别性,以有助于对稀疏系数进行聚类分析;最后,为适应目标域图像特征分布变化,采用k-means算法对目标域场景图像的稀疏系数进行聚类,并以初始中心的类别标签作为对应的聚类簇中场景的类别标签。实验分别采用GoogLeNet和VGGNet图像特征,以数据集UCM作为源域遥感场景集,对目标域场景集RSSCN7进行零样本分类,获得了最高50.67%和53.29%的总体分类准确度,比现有算法各提升了8.06%和9.70%。实验结果表明:该算法能够适应目标域遥感场景图像特征分布的变化,显著提升遥感场景零样本分类效果,具有一定的优越性。     

基于双边滤波的弱小目标背景抑制

 为解决红外弱小目标检测技术中结构化背景抑制的难题,利用双边滤波集成了图像几何、光度和局部结构相似性等信息并以非迭代、局部操作的优点,提出了一种基于双边滤波的红外弱小目标背景抑制算法,并引入了局部梯度的统计特性来抑制背景细节、增强目标信息,从而达到更好抑制图像中的背景,突出目标图像,提高图像整体对比度、信噪比的目的。实验结果显示,与小波滤波算法比较,该算法对含有弱小目标的复杂背景从主观视觉和数值指标都具有良好抑制效果。     

融合多异构滤波器的轻型弱小目标检测网络

针对红外图像信息维度单一且弱小目标因特征不明显而难以检测的问题,将不同结构的多滤波器融入YOLOv5n网络,根据增强弱小目标和抑制背景干扰的不同特性分别选择三个异构滤波器作用于网络的多通道输入图像,从而丰富原始图像的信息维度,有效提升后端网络对复杂背景下弱小目标的适应能力;通过添加注意力模块、采用小锚框策略、裁剪网络深层分支等改进措施,在增强YOLOv5n网络弱小目标检测能力的同时,进一步减少了计算和存储资源需求。实验结果表明,所提出的算法能够有效检测红外复杂背景中的弱小目标,同时占用存储和计算资源更少,为算法部署在资源受限的嵌入式设备上提供了基础。     

基于注意力融合的目标跟踪算法

针对基于孪生网络的目标跟踪算法存在抗干扰能力弱、鲁棒性差等问题,在SiamCAR基础上提出通道和空间注意力融合的目标跟踪算法。在特征提取子网络和分类回归子网络之间级联改进后的高效通道注意力和空间注意力模块,加强网络对互相关后响应图中重要通道特征和位置特征的关注,同时抑制不重要的特征信息。在OTB100上,所提算法在背景杂乱挑战下成功率和精度相比SiamCAR分别提高了3.1%和2.8%;在VOT2018上,所提算法的鲁棒性和期望平均重叠率相比SiamCAR分别提高了4.9%和2.2%。实验结果表明,所提算法增强了跟踪器的鲁棒性,提升了跟踪器在复杂场景下的跟踪效果。     

低空监控系统的红外小目标检测方法

无人机遥感系统在检测复杂背景下红外小目标时存在虚警过高的问题,结合卷积神经网络提出一种两阶段的无人机遥感系统红外小目标检测模型。第一阶段利用Unet神经网络学习红外图像中目标的深度语义特征与浅层位置特征,同时增强红外小目标信号,并抑制背景信号。第二阶段利用Faster R-CNN对第一阶段输出的图像进行分析,检测图中红外小目标的位置与边框。在公开的无人机遥感系统红外小目标检测数据集上完成了验证实验,结果表明该模型将三个复杂背景数据集下红外小目标的检测精度分别提高了13.2、9.8与13个百分点,每秒处理的帧数分别增加了11、14与13。     

联合稀疏特性和邻域相似度量的高光谱图像分类

传统的稀疏表示分类方法仅利用图像数据的稀疏特性分类,未利用高光谱图像的邻域信息,为此提出了一种联合稀疏特性和邻域相似度量的分类方法.该方法首先利用稀疏表示揭示出数据的稀疏特性,然后计算在各类样本中的稀疏相似性,并结合邻域特性,构建数据在各类样本中的稀疏-邻域联合相似关系,最后根据联合相似性大小判断数据类别.在利用数据的稀疏特性的同时结合像元的邻域信息,增强各种地物类别间的区分性,提升分类效果.在Indian Pines和Pavia U高光谱数据集上的实验表明:本文算法的分类精度高于其他方法,总体分类精度分别达到了81.69%和86.59%,能得到具有更多同质区域的分类结果图,拥有更好的总体分类精度、平均分类精度和Kappa系数.     

一种融合肺炎影像特征的肺结核病灶检测迁移网络

基于胸部X光透射图像(DR)的肺部病灶识别与疾病诊断是临床的常规操作。对于肺结核患者而言，其DR图像中的病灶区域与背景相融性高，目标弥散严重且边缘形态极不规则，严重干扰诊断的准确性。针对上述问题，提出了一种融合肺炎影像学特征的肺结核病灶区域检测网络(TDT-Net),利用肺结核和新冠肺炎同为呼吸道疾病且在DR图像上具有相似表征的特点，借助大量肺炎DR数据，通过迁移学习引入强相关特征以提高肺结核病灶的检测精度。TDT-Net结合Transformer和扩张残差技术，提出上下文感知增强模块，以强化迁移模型对全局信息的建模能力；利用特征细化模块减少迁移过程中引入的冗余信息，凸显强相关特征的表示。实验结果表明，在TBX11K数据集上，所提检测方法的平均准确度(AP)达到87.5%,召回率(Recall)达到80.7%,相较于YOLOV5和RetinaNet等网络有效提升了肺结核病灶的检测精度，实现了更加准确的肺结核病灶定位和分类。