基于超限学习机算法的空间目标材质多色测光识别研究

随着各国航天活动的增多,空间目标的数量和种类不断增加,对空间目标进行编目识别是各国空间目标监视领域的重要研究内容。对空间目标进行识别,主要是为了获得其表面材质、姿态、形状、关键载荷等信息,而表面材质信息的获取是开展目标光学特性及状态认知研究的基础。搭建空间目标表面材质多色测光测量系统,整套系统部署在光学暗室内,以减少杂散光对测量结果的影响。光源采用太阳模拟器,光谱等级A级;探测器采用美国ASD公司生产的FieldSpec4地物光谱仪,波长范围350～2 500 nm,光谱分辨率1 nm,光纤置于电控转台上,能对待测样片实现不同观测几何下的测量。利用Johnson-Cousins UBVRI五色分光系统对8种常用表面材质（砷化镓、氧化铝、氧化聚酰亚胺薄膜、黑漆、环氧漆、镀铝聚酰亚胺薄膜、钛青蓝漆、白漆）在不同观测几何条件下的10种色指数数据进行实验测量,每种色指数分别测得30组实验数据。采用传统的1-sigma不确定框方法（即对于给定材质的若干组实验数据,计算其每种色指数的平均值和标准差,以平均值为中心,以标准差的两倍为边长画出色指数不确定框）,在最理想的识别情况下,通过R-I和B-R色指数不确定框能对砷化镓、氧化铝、氧化聚酰亚胺薄膜、钛青蓝漆四种材质进行识别;利用B-V和B-R色指数不确定框可以将环氧漆、白漆识别出来,剩余两种材质黑漆和镀铝聚酰亚胺薄膜无法通过以上色指数进行识别。但是1-sigma不确定框方法存在两个主要问题：一是需要知道待测材质对特定波段敏感的先验信息,来确定所用的色指数类型;二是识别率容易受测试样本数量的影响,可靠性差。超限学习机算法是一种利用随机化隐层节点和和最小二乘求解方式进行训练的机器学习算法,具备学习效率快,泛化性能好,不容易陷入局部最优解等优势,被广泛应用于对数据的分类和回归分析中。因此引入超限学习机算法,将色指数数据按照2∶1的比例随机分为训练样本和测试样本,共进行三次随机试验。在训练样本中,对每种材质按照1∶8的顺序进行编号,即编号1∶8的测试样本分别有20个,分别包含10种色指数数据;在测试样本中同样对其按照已知归属材质对应编号。采用决定系数和计算时间作为判断ELM算法准确性和实时性的判断指标。结果表明：无论是对单一材质进行识别,还是对所有测试材质样本,训练样本决定系数在0.98以上,测试样本决定系数在0.96以上,每次试验中最多有3组色指数数据无法识别;所需总时间最长在0.07 s内完成,甚至可以达到0.002 s,识别效率和可靠性远高于传统的1-sigma不确定框法,表明ELM算法能对空间目标常用材质进行准确快速识别。相关研究可为空间非合作目标的外形、姿态等状态信息反演提供技术支持。     

基于改进马尔可夫随机场的事件相机去噪算法

针对事件相机输出的事件流中存在大量噪声的问题,介绍了一种基于概率无向图模型的事件流去噪算法。算法基于目标变化在时间和空间上具有一定的规律性和相关性这一先验信息,通过将事件映射到极坐标时空邻域,建立事件的局部相关性,以此构建完整的概率图模型。同时,设计相应的能量函数将去噪问题转化为能量最小问题。此外,改进的条件迭代模式被用于优化模型的迭代求解。事件相机模拟器产生的仿真数据和DAVIS346录制的真实数据进行的去噪实验表明,该算法可有效地实现事件相机成像去噪。最后,通过和滤波算法进行对比,证明了该算法优于滤波算法。     

基于深度学习的光学遥感图像目标检测研究进展

目标检测是光学遥感图像解译中的核心问题,在情报侦察、目标监视、灾害救援等领域均具有广泛应用。首先,结合深度学习光学遥感图像目标检测算法研究进展,对基于候选区域和回归分析的两类遥感目标检测算法进行了综述。其次,针对旋转目标、小目标、多尺度、密集目标四类常见特定任务场景目标检测算法改进进行了总结。再次,结合常用遥感图像数据集对不同算法性能进行了对比分析。最后,对未来遥感图像目标检测研究值得关注的问题进行了展望,为后续相关研究提供思路。