基于深度学习的GPR B-SCAN图像双曲线检测方法

利用深度学习方法来处理探地雷达(Ground Penetrating Radar,GPR)数据以提高GPR B-SCAN双曲线检测准确率.为了解决数据集样本不够的问题采用循环生成对抗网络(Cycle Generative Adversarial Networks,Cy-cleGAN)算法对GPR B-SCAN图像数据进行增强.采用Faster R-CNN算子来定位双曲线图像区域,充分利用双曲线结构对称性及其方向差异性特征,设计与之对应的卷积核模板,通过卷积运算实现对B-SCAN图像中双曲线目标的有效分割.对双曲线目标采用最小二乘法进行二次曲线拟合得到精确的双曲线图像.与基于迁移学习的方法、HOG算法以及基于Hough变换的B-SCAN检测算法等相比,本文方法得到的结果在综合指标度量F上是最优的.     

基于深度学习的探地雷达二维剖面图像结构特征检测方法

该文针对探地雷达(GPR) 2维剖面图像中目标特征提取困难及其识别精度较低等问题,采用深度学习方法来提取2维剖面图像中目标的特征双曲线。根据GPR工作的物理机制,设计了一种级联结构的卷积神经网络(CNN),先检测并去除回波数据中的直达波干扰信号,再利用CNN得到B扫描(B-SCAN)图像的特征图,并对特征信号进行分类识别以提取目标的特征双曲线。同时,为处理各种干扰信号影响目标特征双曲线结构完整性的问题,提出了一种基于方向引导的特征数据补全方法,提高了目标特征双曲线识别的准确率。与方向梯度直方图(HOG)算法、单级式目标检测(YOLOV3)算法和更快速的区域卷积神经网络(Faster RCNN)算法相比,在综合评价指标F上该文方法的检测结果是最优的。     

基于深度学习的海上目标一维序列信号目标检测方法

当前海面目标检测方法多基于统计理论,检测性能受背景统计特性假设的影响,本文从信号预测和特征分类两个角度,分别采用长短时记忆网络(LSTM)和卷积神经网络(CNN)对信号时间序列幅度信息进行处理,用于海上目标一维序列雷达信号检测,该方法不需事先假设背景统计特性,泛化能力更强。基于LSTM序列预测的目标检测方法通过用海杂波信号幅度时间序列对网络进行训练,再用训练后的网络对后续序列进行预测,并与后续实测信号进行比较,实现目标检测。基于CNN序列分类的目标检测方法中采用截取的海杂波信号和目标信号幅度序列作为数据集样本,对一维卷积核CNN进行训练,使其具有识别目标杂波信号特征能力,从而实现目标检测。最后,采用IPIX和CSIR实测海杂波数据对两种方法进行验证,结果表明两种方法均可实现一维序列信号中海面目标的检测,但LSTM预测方法对于长序列检测的实时性有待于进一步提高;CNN分类方法可实现实时检测,但仅利用信号幅度信息,检测性能仍需进一步提升。     

基于深度学习的二维化攻击流量分类

攻击流量分类是基于网络的入侵检测系统(Network-based Intrusion Detection System,NIDS)的基本工作之一,也是网络安全防御的重中之重.由于网络使用场景的不断丰富,网络流量呈急速膨胀趋势,其中有很多不法分子通过攻击流量达到自己不可告人的目的.通过深度学习中的递归神经网络、长短期记忆...     

一种新的多尺度深度学习图像语义理解方法研究

如何在深度学习中融合 图像的多尺度信息,是基于深度学习的视觉算法需要解决的一个关键问题。本文提出一种基 于多尺度交替 迭代训练的深度学习方法,并应用于图像的语义理解。算法采用卷积神经网络(CNN)从原始 图像中提取稠密性特征 来编码以每个像素为中心的矩形区域,将多个尺度图像交替迭代训练,能够捕获不同尺度下 的纹理、颜色和 边缘等重要信息。在深度学习提取特征分类结果的基础上,提出了一种结合超像素分割的方 法,统计超像 素块的主导类别,来校正分类错误的像素类别,同时描绘出目标区域边界轮廓,完成最终的 语义理解。在Stanford Background Dataset 8类数据集上验证了本文方法的有效性,准确 率达到77.4%。     

基于软阈值深度学习的自动调制识别算法

自动调制识别是认知无线电、电子侦察、电磁态势生成中重要的环节.由于电磁环境日益复杂,噪声对能否正确调制识别影响显著.本文针对低信噪比（signal-noise ratio,SNR）环境条件设计了一种基于软阈值的深度学习模型,在卷积神经网络（convolutional neural networks, CNN）的基础上加入软阈值函数.将IQ数据转化为幅度相位信息作为模型的输入,CNN用于提取幅度相位数据中的特征,软阈值学习网络可以针对不同特征设置不同阈值,用于滤除样本噪声,提高低SNR条件下的识别率.在开源数据集RML2016.10a上验证了所提算法的有效性,对比其他网络结构,本文提出的模型识别率更高且效率更高.     

基于深度学习的图像分类研究综述

近年来,深度学习在计算机视觉领域中的表现优于传统的机器学习技术,而图像分类问题是其中最突出的研究课题之一。传统的图像分类方法难以处理庞大的图像数据,且无法满足人们对图像分类精度和速度的要求,而基于深度学习的图像分类方法突破了此瓶颈,成为目前图像分类的主流方法。从图像分类的研究意义出发,介绍了其发展现状。其次,具体分析了图像分类中最重要的深度学习方法（即自动编码器、深度信念网络与深度玻尔兹曼机）以及卷积神经网络的结构、优点和局限性。再次,对比分析了方法之间的差异及其在常用数据集上的性能表现。最后,探讨了深度学习方法在图像分类领域的不足及未来可能的研究方向。     

基于深度学习的遥感图像分类研究

作为机器学习的分支,深度学习克服了机器学习在提取特征上的弱点,能从海量数据中提取抽象特征.其特征表达能力和泛化能力高,面对海量遥感影像数据也能高效准确的提取特征.遥感影像分类是从提取影像中各类地物特征并归类处理,是遥感影像处理中的关键技术.基于深度学习的遥感图像分类可以弥补传统机器学习分类精度不高、效率低和泛化能力不足...     

深度学习在交通运输中应用综述

介绍了自编码器、卷积神经网络、循环神经网络三个主流深度学习网络架构在交通运输中的应用研究,简述了三个主流深度学习网络的应用背景。对于三个深度学习网络在交通运输中的应用,分别分析了自编码器在交通流预测,特别是在短时交通流预测方面的技术研究;卷积神经网络在交通热点图像、车牌识别、驾驶员注意力等方面的技术应用;循环神经网络在交通流预测的技术优势。并对三个深度学习网络在交通运输中的研究进行了总结,对深度学习未来的研究方向做了展望。     

基于可变形和深度可分离卷积的立体匹配

针对传统卷积神经网络(convolutional neural network, CNN)在立体匹配过程中存在信息 损失和耗时等问题,提出了基于可变形和深度可 分离卷积的立体匹配算法。在特征提取过程中,利用可变形卷积和可变形卷积核构建残差网 络,完成自适 应学习,扩大有效感受野,从而适应物体的不同形变,获取更详细的特征,减少信息损失, 提高了匹配精 度。在特征聚合阶段,采用深度可分离卷积构建深度可分离聚合网络,在空间维度和通道维 度分别进行卷 积运算,以降低参数量和计算复杂度,保证了匹配实时性。在相关的数据集上进行测试,实 验结果表明, 算法的网络运行时间缩短为1.60 s,在KITTI 2015和 KITTI 2012数据集上三像素错误率分别为2.84%和 2.79%,在SceneFlow数据集上端点误差为1.59 %。相比其他基准网络,减少了网络模型的运算量同时算法精度有很大提升。     

基于深度学习的云参量反演方法研究

有效的云检测与云相态判识对于农业、气候及人类生活具有重要意义, 而这些数据的获取离不开卫星遥感。 卫星遥感数据在当今社会的生产和生活中都扮演着至关重要的角色, 众多领域的发展都离不开卫星遥感数据的支持。 随着高精度传感器的发展, 传统研究方法无法满足大规模、高维度数据的高效挖掘与处理, 因此深度学习技术在遥感 领域得到了快速的发展。基于深度学习技术提出了一种结合多波段遥感影像的云检测及云相态判识的方法。该方法 采用 MODIS 云产品影像作为样本, 将不同波段信息作为特征值, 分别建立针对云检测与云相态判识研究任务的多个 数据库, 并采用 DeepLab V3+ 模型进行训练并预测, 从而完成高精度的云检测及云相态判识任务。与传统方法相比, 该方法高效便捷、特征提取能力较强, 将多波段作为特征值输入模型进行预测时, 该方法展现了良好的结果。     

基于深度学习的大规模电磁信号识别

近年来,很多高质量的数据集支撑了深度学习在计算机视觉、语音和自然语言处理领域的快速发展.但在电磁信号识别领域仍缺乏高质量的数据集,为促进深度学习在电磁信号识别中的应用,本文基于广播式自动相关监视(ADS-B)建立了一个大规模的真实电磁信号数据集.首先设计了一个自动数据收集和标注系统,在开放和真实的场景中自动捕获ADS-...     

基于反射信号时域重构的探地雷达超薄层状介质参数反演方法

探地雷达实际应用场景中介质表面往往存在着其他覆盖物,将会严重影响实际探测效果,如冬季路面表面的冰层、沥青铺路时防止沥青混合物粘在滚筒表面而喷出的水汽层等,且这些覆盖层的厚度较薄,通常小于探地雷达可分辨的最小厚度。因此,本文提出了一种基于反射信号时域重构的层状介质参数反演方法,利用广义反射系数建立雷达发射回波的时域模型,再通过遗传算法对模型的代价函数进行优化进而反演出覆盖物薄层的参数。最后,通过时域差分工具gprMax仿真软件模拟沥青混凝土实施铺路场景,对所提算法的有效性和准确性进行验证分析。      

基于实值离散Gabor变换的联合时频域语音增强

传统变换域语音增强方法对语音做短时平稳性假设,这会造成对语音信号和噪声信号谱估计不准确,从而导致语音失真和残留噪声。本文提出一种从联合时频域进行语音增强的方法,该算法无需对语音做短时平稳假设。算法采用具有最佳能量聚集特性的高斯变换核函数,利用能快速实现的实值离散Gabor变换（RDGT）将语音信号变换到联合时频域,然后利用语音和噪声谱服从高斯分布的假设和无语音概率的思想进行基于最小均方误差的语音对数谱估计,采用改进的最小受控递归平均算法（IMCRA）进行噪声时频谱估计,在得到纯净语音的谱估计后利用实值离散Gabor逆变换获得纯净语音估计。实验表明,该算法相比频域变换算法具有较好的语音去噪度和较低的语音失真度。      

基于深度学习的信源信道联合编码方法综述

信息论的经典结果表明,信源信道分离编码是渐进最优的。但现代通信系统对时延、带宽等愈发敏感,分离设计对解码具有无限计算能力这一假设难以成立。带宽有限时,相对于信源信道联合编码,分离编码已被证明是次优的。传统的联合信源信道编码需要复杂的编码方案,相较之下,数据驱动的深度学习技术则带来了新的设计思路。适时地对相关研究成果进行总结,有助于进一步明确深度学习方法解决信源信道联合编码问题的方式,为研究新的研究方向提供依据。首先介绍了基于深度学习的信源压缩方案和端对端收发信机模型,随后分析不同信源类型下的两种联合编码设计思路,最后探讨了基于深度学习的信源信道联合编码的潜在问题和未来的工作方向。     

Positive time-frequency distributions based on joint marginalconstraints

The authors study the formulation of members of the Cohen-Posch (1985) class of positive time-frequency energy distributions. Minimization of cross-entropy measures with respect to different priors and the case of no prior or maximum entropy were considered. They conclude that, in general, the information provided by the classical marginal constraints is very limited, and thus, the final distribution heavily depends on the prior distribution. To overcome this limitation, joint time and frequency marginals are derived based on a “direction invariance” criterion on the time-frequency plane that are directly related to the fractional Fourier transform     

基于阻尼最小二乘法的瞬变电磁反演算法研究

反演问题是根据实际测量的地层电磁场数据定性或者定量解释出地球内部的结构的过程。反演与正演是相互对应的,反演模型不仅能检测正演模型的准确性和可靠性,也能为地质解释提供依据,而反演也是瞬变电磁检测的难点与重点之一。本文详细介绍了瞬变电磁检测的反演原理,采用阻尼最小二乘法优化逼近正演结果的算法进行瞬变电磁反演的计算,并通过软件对实际地层数据进行反演,得到不同电阻率初值的地层反演结果。反演结果表明该方法切实可行,误差较小。     

New SAR image interpretation method of aircraft based on joint time-frequency analysis

With the continuous improvement of Synthetic Aperture Radar （SAR） resolution,interpreting the small targets like aircraft in SAR images becomes possible and turn out to be a hot spot in SAR application research.However,due to the complexity of SAR imaging mechanism,interpreting targets in SAR images is a tough problem.This paper presents a new aircraft interpretation method based on the joint time-frequency analysis and multi-dimensional contrasting of basic structures.Moreover,SAR data acquisition experiment is designed for interpreting the aircraft.Analyzing the experiment data with our method,the result shows that the proposed method largely makes use of the SAR data information.The reasonable results can provide some auxiliary support for the SAR images manual interpretation.     

一种新的联合时频分析方法

根据信号对当前时刻的联合时频分布的贡献主要源于最近出现的信号的思想，提出了一种新的联合时频分布一渐忘分布。分布表明，渐忘分布具有非负、交叉项不明显及可用FFT实现快速计算等优点，且该分布的时频局域性可方便地通过选取不同的衰减因子进行调整。通过对典型信号的应用，进一步验证了渐忘分布的良好特性。     

基于深度学习的低照度图像增强方法

在低照度环境下采集的图像往往亮度不足,导致在后续视觉任务中难以有效利用.针对这一问题,过去的低照度图像增强方法大多在极度低光场景中表现失败,甚至放大了图像中的底层噪声.为了解决这一难题,本文提出了 一种新的基于深度学习的端到端神经网络,该网络主要通过空间和通道双重注意力机制来抑制色差和噪声,其中空间注意力模块利用图像的...