排序方式: 共有29条查询结果,搜索用时 15 毫秒
1.
2.
3.
针对监控视频中的多尺度近岸舰船检测问题,提出了一种基于特征重聚焦网络的舰船目标检测算法,设计了由多维特征聚合模块(MFAM)与注意力特征重构模块(AFRM)组成的特征重聚焦策略.其中,MFAM基于输入的特征金字塔构建特征聚合块,进一步融合多尺度舰船不同层次特征的语义信息.AFRM基于多分支空洞卷积以及通道与空间注意力机制提升网络对目标非局部信息的表征和对背景干扰的抑制,并构建了用于目标检测的特征重聚焦金字塔.在Seaships7000舰船公开数据集上的实验结果表明,相比其他算法,本算法对监控视频中多尺度近岸舰船的检测效果更好. 相似文献
4.
5.
长拖尾K分布杂波下雷达目标散射中心参数的稳健估计 总被引:1,自引:0,他引:1
实际条件下,在对基于衰减指数(DE)和模型的雷达目标散射中心参数估计和特征提取时,其噪声背景往往是非高斯的,分布密度函数表现出长拖尾性质。利用基于高斯假设条件下的估计方法进行参数估计时,往往不能得到较好的结果。针对这种情况,该文利用M估计方法来实现对长拖尾杂波下DE模型参数的稳健估计。首先分析了基于PRONY模型的M估计实现方法存在的不足,其次提出了两种较为有效的DE模型散射中心参数M估计的实现方法,并对这两种方法进行了分析和比较。仿真实验结果表明,在一类长拖尾K分布杂波条件下,与ESPRIT方法以及扩展PRONY估计方法相比,该文所提的两种方法均能得到较好的估计结果。 相似文献
6.
7.
8.
9.
在现有压缩感知(CS)理论中,重构信号需要预设其稀疏表示词典。对于以参数化模型表示的信号,只能预知该词典为某种形式的参数化词典,参数的具体取值难以确定。若将参数设定为取值空间的均匀离散格点,预设词典与真实词典之间的失配将使传统CS重构方法的性能严重恶化。为解决这一问题,该文提出一种基于动态词典的CS重构方法。通过迭代地优化词典参数,该方法在信号重构过程中对词典进行动态调整。为同时实现稀疏恢复与词典调整,该方法利用变分期望-最大化(EM)算法交替执行信号系数估计与词典参数优化。实验结果表明所提方法是有效的。 相似文献
10.
用高斯混合模型作为角闪烁噪声的近似统计模型,结合Kalman滤波器,提出了一种利用期望最大化(EM)算法抑制角闪烁噪声的预处理方法.首先采用EM算法处理一帧内的原始测量数据,预先得到目标真实位置的最大似然估计,这个预估计量服从渐进高斯分布,且其方差可求.然后将这个预估计量作为Kalman滤波器的输入量进行跟踪滤波,同时将目标位置的预测值作为下一帧EM迭代过程的初始值,进而形成闭环的跟踪滤波结构.仿真结果表明,该方法有效地抑制了角闪烁,使得Kalman滤波算法更加有效,从而提高了目标跟踪的精度. 相似文献