基于深度学习的激光干扰成像评估方法

可见光主动成像系统被广泛应用于成像侦察领域,激光压制干扰是一种可以利用的反制手段。合理地对激光干扰效果进行评估,对于干扰一方具有重要意义。为了更客观地评价激光干扰对成像侦察的影响,从可见光成像侦察的特点出发,对激光干扰可见光成像效果进行划分,确定了干扰效果评估需求。建立了可见光图像的激光干扰效果评估模型,结合基于YOLOv4的目标检测置信度及WFSIM算法的三个图像特征表征指标,形成了对应的评估体系。构建了一套参数可调的激光干扰图像采集及评估分析实验系统,对人体目标进行图像采集,验证了提出的评估体系及方法。     

基于Transformer的实时语义分割网络及应用北大核心CSCD

为提升机器人对电缆隧道场景的环境感知能力,提出了一种适用于电缆隧道场景的实时语义分割网络。使用Transformer结构提取图像全局语义信息,同时使用卷积神经网络捕获图像局部细节信息,将二者结合增强图像分割精度。同时,针对机器人以及隧道特点,将语义分割结果转化为机器人前方目标信息以及机器人偏离情况信息,辅助机器人导航避障。实验结果表明,所提出的网络在公共数据集Cityscapes、CamVid上平均交叉联合度量分别为77.2%、76.8%,相比BiSeNet分别提高了8.8%、8.1%,并能较好地适应于实际电缆隧道环境中,提供有效的场景感知信息,实现自主避障。     

基于BAS-BP-Bagging模型的光纤陀螺温度补偿

为提高光纤陀螺的输出精度,以天牛须搜索算法(BAS)优化后的BP神经网络模型为基学习器,采用Bagging并行集成学习算法建立了BAS-BP-Bagging温度补偿模型,并对某型号光纤陀螺进行了温度补偿实验。实验结果表明,在-40～+60℃温度变化环境下,该方法补偿后的光纤陀螺温度漂移相较于补偿前减小了近80%,相较于多项式补偿算法减小了55%,相较于BP神经网络补偿算法减小了30%左右。同时该模型在对新鲜样本的补偿过程中表现出了较为优越的泛化性能。     

基于改进YOLOv3的避雷器红外图像故障检测方法

针对现有的金属氧化物避雷器（Metal Oxide Arrester,MOA）红外图像故障检测方法存在识别精度低、检测速度较慢的问题,提出一种基于改进YOLOv3的MOA红外图像故障检测方法。首先,以Darknet19网络代替YOLOv3原始的Darknet53网络,并在特征学习时针对样本中不同MOA长宽比例,通过K-means聚类算法对MOA图像中的目标帧进行分析,重新聚类样本中心锚点框,得到合适的锚框数目和大小。最后,利用改进YOLOv3模型完成MOA红外图像故障检测。实验结果表明,改进的YOLOv3模型识别精度达到96.3%,识别速度为6.75 ms。     

基于自适应对比度增强的红外小目标检测网络

红外探测系统需要尽早发现目标以便及时拦截,但是红外图像上的小目标检测是一个挑战十足的任务。为了提高检测准确率,提出一种基于自适应对比度增强的红外小目标检测方法。为了利用自注意力机制和卷积各自的优势,设计了一个高效的特征提取网络和一个面向小目标的检测头。同时为了解决实际应用中出现的弱目标,在检测子网络前添加了一个图像预处理子网络,该模块可以自适应地调节图像对比度。在红外空中小目标数据集上的实验表明,提出的方法能达到93.76%的检测精度,与经典的检测方法相比,能够更好地平衡检测精度和召回率,证明了方法的巨大应用潜力。     

基于语义通信的低比特率图像语义编码方法

近年来森林火灾给环境与人类带来巨大的损失,传统基于卫星、无人机技术的探测手段效率低且成本高,而布置在山区等偏远地区的大规模传感器网络因性能受限,难以负载大数据量业务,尤其是图片等可以清楚提供现场周围环境变化的有效信息。针对以上问题,本文将基于深度学习与语义通信技术,提出一种图像语义编码方法,对火灾中传感器拍摄到的图片所包含的语义进行提取、编码、传输,在接收端利用对抗生成网络完成从语义到图片的重建,进而实现比传统图像压缩编码方法更加稳定且具有更高压缩比率,从而减轻了传感器网络的负载,其中,为了避免对复杂无线信道的学习,该方法采用成熟的LDPC码进行信道编码,以保证语义传输的可靠性。仿真结果表明,该方法能够实现比传统BPG图片压缩方法具有更低的压缩比特率和更高的清晰度。     

基于迁移判别回归的跨域语音情感识别

针对实际情况下训练和测试数据来自不同领域数据库导致识别性能下降的问题,提出了一种基于迁移判别回归的跨域语音情感识别方法。首先,引入最大均值差异和图拉普拉斯项作为域间联合距离度量,在减小概率分布差异的同时,很好地保留数据的局部几何结构,从而学习到一个可迁移的公共特征表示。其次,本文采用一种能量保持策略,以避免迁移过程中目标域信息的丢失。此外,通过引入判别回归项,利用已标记的源域样本在公共子空间中训练一个可迁移的判别回归模型。最后,为了使学习到的模型具有特征选择能力和鲁棒性,分别对投影矩阵和回归项施加L_2,1范数约束。在3个公开数据集上的实验结果表明,本文提出的算法相较于其他几种迁移学习方法具有更好的识别性能。     

多尺度注意力机制的电子元器件深度迁移识别方法

电子元器件的识别对于现代电子产品的智能生产和制造具有重要的作用,为了进一步获取电子元器件图像的关键特征,提升图像细粒度表达能力,提出一种基于多尺度注意力机制深度迁移识别方法。以Xception为主干网络架构,引入多尺度池化通道注意力和多尺度空间注意力模块,结合空间金字塔池化的思想,对特征图的每个通道进行不同尺度的最大池化和均值池化,获取通道方向上不同尺度的特征信息;在空间层面上进行不同尺度的空洞卷积,增大特征图的感受野,获取更加全面的空间特征信息;通过深度迁移学习,实现特征参数共享,进一步提高模型的泛化能力。在5种常见的电子元器件数据集上进行实验,结果表明,所提方法能有效获取图像不同尺度的显著特征信息,提升识别效果。     

一种基于修正激活函数的CNN车载毫米波雷达目标检测方法

为了提高车载毫米波雷达在复杂城市道路环境中目标检测的抗杂波与干扰能力,本文利用卷积神经网络（CNN）特征参数提取和目标分类特性,提出了一种改进的基于CNN的车载毫米波雷达目标检测方法。该方法首先将毫米波雷达回波信号距离-多普勒二维数据运用滑窗进行分割,并采用CNN网络模型处理分割后的二维矩阵,训练二维CNN网络模型及其参数,使其具有提取回波特征并基于特征参数模型进行目标分类的能力,从而实现目标检测功能。通过对卷积神经网络模型结构进行优化,增加批量归一化层,优化Dropout层使得低权重特征失活,自适应地删减部分神经元节点修正该层非线性激活函数,进一步降低了CNN模型目标检测的虚警概率。实验结果表明,在相同虚警概率条件下,CNN网络检测方法目标发现概率优于传统的单元平均恒虚警检测方法,并且在低信噪比的条件下仍然能够保持较高的发现概率;在同等发现概率水平下,修正后CNN网络检测方法的虚警概率较修正前可提高约1个数量级。     

结合多尺度特征和注意力机制的公路裂缝检测

由于航拍公路裂缝数据缺乏并且裂缝图像存在目标小、分布复杂的特点,导致语义分割模型在航拍公路裂缝检测中效果差,影响模型在实际场景的应用,为此提出基于改进DeeplabV3+的公路裂缝检测方法。构建语义分割模型,选定DeeplabV3+模型并作如下优化：由于低级特征包含更多裂缝细节信息,增加了提取低级特征的路径,从ASPP模块输出的特征为高级特征,高级特征包含更多语义信息,将两者信息进行融合能保证模型不丢失裂缝的细节信息;在网络中嵌入SCSE注意力模块抑制对其他无关信息的响应,改善模型在裂缝数据集检测效果差的问题。实验结果表明,改进DeeplabV3+算法可以有效解决模型对小目标裂缝分割时效果差的问题,模型的检测精度提高了2.59%,具有较强的应用价值,可以为实际公路裂缝检测提供参考。