深度学习的空间红外弱小目标状态感知方法

针对当前空间红外弱小目标状态感知方法存在判别准确率低、人工干涉较多、对数据质量要求较高等问题,提出了一种全新的基于深度学习的判别算法。首先,对空间红外弱小目标状态变化进行了分析,并建立了专用数据集;然后,建立了目标状态感知任务专用的卷积神经网络框架,并在局部标注及自适应阈值等方面进行了创新;最后,应用实验室采集的目标辐射强度信息制作的仿真数据对本算法进行了训练和测试,建立了目标状态感知评估指标体系,并对实验结果进行评估。实验结果表明:在输入连续完整的辐射强度信息时,判别准确率为98.27%;输入片段辐射强度信息时,各状态判别准确率皆大于90%。本算法弥补了现有方法对空间弱小目标状态感知虚警率高和目标信息不完整时不敏感的缺陷,提高了检测速度和精度,可以更好地满足空间红外弱小目标感知任务的需求。     

一种基于深层次多尺度特征融合CNN的SAR图像舰船目标检测算法

基于深度学习的目标检测技术在目标检测领域有强大的生命力,但是将其用于合成孔径雷达(SAR)图像舰船目标检测时并没有达到预期的效果。提出了一种基于卷积神经网络的SAR图像舰船目标检测算法用来检测多场景下的多尺度舰船目标,在单发多盒探测器检测框架的基础上,使用性能更好的Darknet-53作为特征提取网络,加入更深层次的特征融合网络,生成语义信息更加丰富的新的特征预测图。同时在训练策略上使用了一种新的二分类损失函数来解决训练过程中难易样本失衡的问题。在扩展的公开SAR图像舰船数据集上进行验证实验,实验结果表明,所提方法对复杂场景下不同尺寸的舰船目标的检测展现出了良好的适应性。     

动态目标定位和字符识别技术在机器人视觉中的应用研究

提出了一种机器人"手-眼"视觉分步动态目标定位方法,实验中保持摄像机图像平面与工作台平面平行,并对摄像机的拍摄高度进行设定,最终将目标定位在图像的中心位置。在目标类型识别过程中,采用BP神经网络技术对目标表面字符进行识别,通过识别的字符判定目标类别。最终由字符信息及目标定位信息引导末端执行器完成对目标的准确分选。     

基于深度学习的透过散射介质偏振识别

当偏振光在散射介质中传播时,由于散射粒子的多重散射作用而造成偏振信息的扰乱和丢失.为了保证偏振信息在散射介质中高效和高保真的传输,提出一种基于深度学习的透过散射介质偏振识别方法.通过构建卷积神经网络来提取散斑光强信息中入射光波偏振信息的特征,实现对入射光波偏振态的高分辨率识别,并使用初始相位不同的偏振光来验证卷积神经网络对偏振态识别的鲁棒性.实验结果表明,所提方法具有识别速度快和准确率高的优点,理论上可以通过无限大的数据来训练神经网络,因此该方法在偏振光学成像和激光通信等领域具有巨大的应用潜力.     

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。     

基于图像处理的模拟尾流气泡幕分类识别

提出了一种应用数字图像处理技术对模拟尾流气泡幕分类识别的新方法.文章介绍了BP神经网络的基本结构及其工作原理,通过仿真测试了BP神经网络对模拟尾流气泡幕图像的模式分类.应用灰度图像统计矩法得到了均值﹑归一化系数﹑三阶矩﹑一致性和熵等特征量,设定神经网络学习率为0.1时经过14次循环可以达到训练目标误差为0.001,此时网络对不同压强下的尾流气泡幕分类正确率到达100%.这种方法在处理尾流图像时具有直观、高效、精确等特点,易于应用于对尾流探测、识别等工程技术中.     

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。     

基于多通道Gabor滤波器的高鲁棒灰度图像目标识别新方法

提出了一种针对低质量的灰度图像的基于多通道Gabor小波滤波器的高鲁棒目标识别新方法。主要是利用Gabor小波设计了滤波器,滤波器的中心频率是一个从低到高的范围。滤波器采用不同方向、不同尺度,从而组成多通道滤波器。对灰度图像直接进行小波变换,用Gabor小波变换系数的模的平均值和其标准方差来表示抽取的灰度图像目标的特征,并对获得的小波特征归一化后输入到改进的BP神经网络分类器中进行分类识别。对四种不同的飞机灰度图像目标进行了分类识别仿真实验。结果表明,这种特征提取方法能有效地提取灰度图像目标纹理特征,并且对噪音和形状的变化具有强鲁棒性。在应用灰度图像对目标进行识别时,神经网络的训练时间减少到10min,识别率达到94%。     

基于深度神经网络的图像修复取证算法

提出一种基于深度神经网络的图像修复取证算法,该算法可通过编码器网络自动提取图像修复遗留的痕迹特征,通过解码器网络预测像素类别,从而判断出图像是否经过修复篡改以及修复篡改的区域。同时,采用特征金字塔网络对解码器网络中的特征图进行信息补充。采用MIT Place数据集作为训练集,UCID数据集作为测试集,对训练集和测试集分别使用了不同的修复篡改算法。实验结果表明,与其他图像修复取证算法相比,所提算法的修复区域定位更精准,处理速度更快,且对不同的修复篡改方法具有较好的稳健性和较强的泛化能力。     

基于深度学习的红外目标成像液位检测方法

容器液位检测是工业生产及化工原料储存、运输过程中的重要环节,针对现有液位检测技术中传感器布置容易受空间限制,在高温高压、灰尘、潮湿等特殊环境下传感器寿命短等问题,提出了一种基于深度学习的红外目标成像液位检测方法.通过对容器红外图像标注数据集进行优化训练,得到可以准确识别容器内液体百分比含量的模型.首先,构建储罐液位标准数据集,并搭建基于Pytorch的深度学习目标检测框架.然后,在输入端对图像进行数据增强,调整模型的宽度和深度,优化训练检测模型.最后,采用特征金字塔网络和路径聚合网络结构融合不同尺寸特征图的特征信息,用联合交并比计算边界框的回归损失,并在后处理过程中引入加权非极大值抑制.实验结果表明,该模型具有较好的鲁棒性和识别效果,在交并比为0.5时的平均精度均值可达到0.804.     

基于时空双流卷积神经网络的红外行为识别

针对红外视频人体行为识别问题,提出了一种基于时空双流卷积神经网络的红外人体行为识别方法。通过将整个红外视频进行平均分段,然后将每一段视频中随机抽取的红外图像和对应的光流图像输入空间卷积神经网络,空间卷积神经网络通过融合光流信息可以有效地学习到红外图像中真正发生运动的空间信息,再将每一小段的识别结果进行融合得到空间网络结果。同时将每一段视频中随机抽取的光流图像序列输入时间卷积神经网络,融合每一小段的结果后得到时间网络结果。最后再将空间网络结果和时间网络结果进行加权求和,从而得到最终的视频分类结果。实验中,采用此方法对包含23种红外行为动作类别的红外视频数据集上的动作进行识别,正确识别率为92.0%。结果表明,该算法可以有效地对红外视频行为进行准确识别。     

基于时间感知和自适应空间正则化的相关滤波跟踪算法

针对相关滤波器的空间正则化权重与目标内容无关和跟踪过程中模型退化等问题,提出一种基于时间感知和自适应空间正则化的相关滤波跟踪算法。首先,提取灰度特征、CN(color name)特征和方向梯度直方图(HOG)特征来提升算法模型对目标的表达能力;其次,通过图像显著性检测算法获得带有目标内容信息的空间正则化初始权重;然后,在目标函数中加入自适应空间正则化项来缓解边界效应对相关滤波器的影响;最后,加入时间感知项使相关滤波器学习到相邻帧之间的信息,降低算法模型在处理不准确样本时发生过拟合的风险。在OTB-2013和OTB-2015公开数据集上对所提算法进行性能评估实验,结果表明,所提算法在多种复杂场景下都有良好的稳健性,在跟踪成功率和距离精度上优于其他对比算法,且速度达到24.2 frame/s,能满足实时性要求。     

基于条件生成对抗网络的图像去雾算法

为了提高雾天图像的去雾效果,提出了一种基于条件生成对抗网络的图像去雾算法.通过端到端可训练的神经网络对合成的室内和室外数据集进行训练,为了捕捉图像中更多的有用信息,在生成网络中设计了生成器和判别器架构,利用预训练的视觉几何组特征模型和L_1-正则化梯度对损失函数进行修正,并在判别器的最后一层引入Sigmoid函数用于特征映射,以便进行概率分析可归一化.利用合成数据集对损失函数进行训练,得到新的损失函数的参数,然后利用室外自然有雾图像数据集对训练得到的新的损失函数进行测试.实验结果表明:所提算法有效解决了去雾图像的颜色失真、过饱和、视觉伪像等问题,生成效果更好的去雾图像.     

基于图像处理的模拟尾流气泡幕分类识别

提出了一种应用数字图像处理技术对模拟尾流气泡幕分类识别的新方法.文章介绍了BP神经网络的基本结构及其工作原理,通过仿真测试了BP神经网络对模拟尾流气泡幕图像的模式分类.应用灰度图像统计矩法得到了均值、归一化系数、三阶矩、一致性和熵等特征量,设定神经网络学习率为0.1时经过14次循环可以达到训练目标误差为0.001,此时...     

基于3D Octave卷积和Bi-RNN注意力网络的高光谱图像分类方法

传统卷积神经网络模型在高光谱图像分类生成特征图的空间维度中存在大量的空间特征信息冗余,而且把高光谱图像单个像元上的光谱带数据看作是无序高维向量进行数据处理,并不符合光谱数据的特性,极大影响了模型的运行效率和分类性能。针对该问题,提出一种三维Octave卷积和双向循环神经网络注意力网络相结合的高光谱图像分类方法。首先,利用三维Octave卷积获取高光谱图像的空间特征的同时减少空间特征冗余信息。其次,利用Bi-RNN光谱注意力网络将光谱带数据视为有序序列以获取高光谱图像的光谱信息。然后,通过全连接层将空间和光谱特征图连接起来实现特征融合。最后,经过softmax输出分类结果。实验结果表明,所提方法在Pavia University和Botswana两个数据集上的分类精度分别达到了99.97%和99.79%,与其他主流算法相比,该方法可以充分利用空间和光谱特征信息,具有更佳的分类性能。     

压缩感知理论在图像处理领域的应用

针对传统的采样方法得到的图像数据量巨大,给图像信息的后续处理造成极大压力的问题,对压缩感知理论(Compressed Sensing,CS)进行了研究。压缩感知理论使采集很少一部分数据并且从这些少量数据中重构出更大量信息的想法变成可能,突破了奈奎-斯特采样定理的限制。综述了CS理论及关键技术问题,并着重介绍了CS理论在成像系统、图像融合、图像目标识别与跟踪等方面的应用与发展状况。文章指出CS理论开拓了信息处理的新思路,随着该理论的进一步完善,会有更广泛的应用领域。     

压缩感知理论在图像处理领域的应用

针对传统的采样方法得到的图像数据量巨大,给图像信息的后续处理造成极大压力的问题,对压缩感知理论（Compressed Sensing,CS）进行了研究。压缩感知理论使采集很少一部分数据并且从这些少量数据中重构出更大量信息的想法变成可能,突破了奈奎-斯特采样定理的限制。综述了CS理论及关键技术问题,并着重介绍了CS理论在成像系统、图像融合、图像目标识别与跟踪等方面的应用与发展状况。文章指出CS理论开拓了信息处理的新思路,随着该理论的进一步完善,会有更广泛的应用领域。     

基于深度卷积神经网络的红外船只目标检测方法

针对红外船只图像较模糊导致的识别率低、识别速度慢等问题,提出了一种基于深度卷积神经网络(CNN)的检测算法。首先采用标记分水岭分割算法提取红外船只图像中的连通区域,并对原图相应的目标位置进行标记和归一化处理,提取候选区域。采用改进的AlexNet(一种深度CNN模型)进行船只目标识别,将提取的候选区域送入改进的AlexNet进行特征提取和预测,得到最终检测结果。分水岭方法可大大减少候选区域检测时间,以及减少深度CNN识别时间。利用实验室自制的红外成像系统获取近千张红外船只图像数据,并对其平移缩放形成的数据集进行仿真实验。结果表明,标记分水岭与深度CNN的结合,可有效识别船只目标,所提方法具有良好的性能,能够更加快速准确地识别红外船只目标。     

基于密集卷积和域自适应的高光谱图像分类

针对常规的高光谱图像分类算法不能很好地解决不同图像中的频谱偏移的问题,提出了一种基于密集卷积和域自适应的高光谱图像分类算法,首先在源域中使用密集卷积进行深度特征学习,然后应用域自适应技术转移到目标域。目前的域自适应高光谱图像分类框架中常用卷积神经网络进行特征学习,但是当深度增加时会出现因梯度消失而导致分类精度下降的情况,因此本文通过引入密集卷积进行深度特征学习,提高域自适应高光谱图像分类的精度。在Indiana高光谱数据集和Pavia高光谱数据集上验证所提算法的有效性,整体分类精度分别为61.06%和89.63%,与其他域自适应高光谱图像分类方法对比,所提方法具有更好的分类精度。     

采用GAF-D3Net深度学习网络的水下目标有源识别方法

提出一种基于格拉姆角场(GAF)和卷积神经网络(CNN)的水下目标有源识别方法。该方法利用GAF将目标回波信号编码为二维图像,使用空洞卷积构建轻量级的卷积神经网络GAF-D3Net实现对目标的特征提取与分类识别。实验表明,与基于传统图像特征的分类方法相比,所提方法的分类精度有显著提高,达到99.65%。在泛化性测试中,对比了经典CNN使用声呐图像的迁移学习方法,本文方法的曲线下面积(AUC)达到89%,具有更好的泛化性能以及抗干扰能力,为实现水下目标有源识别提供了一种可靠方法。