基于改进MASK R-CNN的舰船目标三维识别

针对二维图像无法表征舰船深度信息、舰船紧密排列识别出现误检等问题,改进了MASK R-CNN的模型方法。首先在目标区域方框和类别预测的基础上,合理重建出三维模型;其次在原始的RPN网络中选取级联的方法增加滑动窗口数量,改善感受野获取信息有限问题;同时增加掩膜分支,在描述舰船目标特征的同时,增加对其轮廓边缘的限制;最后结合非极大值抑制的方法对冗余框进行过滤去除,实现对三维舰船实景目标的识别。进行了仿真实验,对舰船目标识别任务上的性能进行了全面分析,实验结果表明改进后的MASK R-CNN算法相比原始方法,在目标识别准确率上提高了14.8%,证明该方法对三维实景模型目标识别的优越性与准确性。     

基于改进YOLO V3的舰船目标检测算法

针对YOLO V3算法中对于小目标检测精度不高、容易出现漏检误检的问题,提出了一种基于改进YOLO V3的舰船目标检测算法.首先,通过在YOLO V3原网络结构基础上额外从主干网络引出一个输出尺度,将其与上一个输出尺度中的特征信息进行特征拼接,得到具有更丰富语义信息的特征向量;其次,基于数据集进行聚类改进,改进度量距离...     

一种新型RBF神经网络及其在舰船雷达目标识别中的应用

利用一种新型径向基（Radial Basis Function）神经网络对舰船雷达目标识别进行了探讨，通过从目标的雷达回波中提取特征信息，并进行适当处理来判断目标的类型已成为目标识别的一种重要方法。仿真结果表明，识别精度很高。     

舰船目标识别的神经网络方法

本文综述了神经网络用于雷达舰船目标识别目前所作的研究。对三种完全不同的神经网络结构进行研究和比较。三种网络情况下都将改进过的傅里叶离散Ｍｅｌｌｉｎ变换形式的预处理用作特征矢量的提取方法，特征矢量不受雷达扫描角影响。并根据模拟和实际数据进行了娄类试验。结果表明分类精度达到９３％。     

基于灰色模型的舰船声信号目标识别

深入研究了灰色模型在目标识别中的应用,给出了基于灰色模型的目标识别方案,利用舰船声场仿真数据,建立目标声信号的GM （1,1）模型,并用组合神经网络对两类目标的模型参数进行分类与识别。此外,还利用舰船声场实测数据,对识别结果进行了验证。研究表明灰建模方法在目标识别中是可行的和有效的。     

基于深度学习的YOLO目标检测综述

目标检测是计算机视觉领域的一个基础任务和研究热点。YOLO将目标检测概括为一个回归问题,实现端到端的训练和检测,由于其良好的速度-精度平衡,近几年一直处于目标检测领域的领先地位,被成功地研究、改进和应用到众多不同领域。该文对YOLO系列算法及其重要改进、应用进行了详细调研。首先,系统地梳理了YOLO家族及重要改进,包含YOLOv1-v4, YOLOv5, Scaled-YOLOv4, YOLOR和最新的YOLOX。然后,对YOLO中重要的基础网络,损失函数进行了详细的分析和总结。其次,依据不同的改进思路或应用场景对YOLO算法进行了系统的分类归纳。例如,注意力机制、3D、航拍场景、边缘计算等。最后,总结了YOLO的特点,并结合最新的文献分析可能的改进思路和研究趋势。     

增强层次CNN模型在目标识别应用中的研究

受生物视觉信息处理机制启发的目标识别是当前计算机视觉领域研究的热点之一,其主要思想是对大脑视觉皮层中视觉信息的层次性处理过程进行模拟,构建数学模型来实现目标识别。然而传统的层次化计算模型通常以前馈信息传递为基础,层与层之间采用被动的硬连接方式,强调对视觉信息的多层分解,却较少涉及视觉神经系统的主动感知和学习过程。因此选择以同时具备稀疏连接思想和自我学习机制、并且具备良好网络拓扑结构的卷积神经网络为框架,基于经典卷积神经网络模型,融入分层和仿生的思想,提出新的基于视觉神经增强层次CNN模型——IH-CNN。实验结果表明,IH-CNN模型可以较好的解决大规模图像中的目标识别问题,目标识别准确率高达84%。     

一维卷积神经网络用于雷达高分辨率距离像识别

针对人工提取高分辨率距离像（HRRP）优良特征比较困难的问题,研究了基于一维卷积神经网络（CNN）的HRRP识别方法。利用CNN具有分层学习特征的能力,训练CNN自动地从HRRP中学习有用的特征并分类。在仿真实验中描述了网络的相关配置,分析了不同激活函数、不同参数、不同网络结构的识别性能,对比了CNN与其他分类器的识别结果,用可视化特征图直观地说明了CNN通过卷积层能够学习到易于分辨的特征。实验结果表明CNN具有很好的识别性能。     

采用改进型AlexNet的辐射源目标个体识别方法

针对辐射源目标精确识别需求,结合以深度学习为代表的机器学习理论技术,提出将改进型AlexNet作为特征提取器,实现目标细微特征提取固化,形成智能化识别网络模型。以广播式自动相关监视（ADS-B）信号为实验对象,在机场实地采集了13个目标的ADS-B脉冲信号数据作为辐射源目标个体识别的训练和测试样本,利用AlexNet和改进的AlexNet验证了算法的有效性。结果表明,改进的AlexNet网络训练时间更快,综合识别率达到98.32%.     

基于分离卷积的战场目标聚集行为识别

针对大部分行为识别算法效率较低,难以应对大规模影像识别任务的问题,一方面,提出一种结合双流结构与多纤维网络的双流多纤维网络模型,分别以RGB序列、光流序列为输入提取视频的时空信息,然后将两条支路网络的识别结果进行决策相加,提高了对战场目标聚集行为的检测效率与识别准确率;另一方面,提出一种结合分离卷积思想与多纤维网络的双流分离卷积多纤维网络模型,进一步提高网络检测效率与抗过拟合能力。实验表明,在建立的情报影像仿真数据集中,上述算法能够有效识别出战场目标聚集行为,在大幅提升检测效率同时实现了识别准确率的提升。     

改进的证据组合规则及其在融合目标识别中的应用

针对D-S理论在解决证据冲突时的局限性,提出了一种改进的证据组合规则.该方法充分考虑了证据源信息和冲突证据本身的信息,利用证据间的支持度矩阵,得到各证据的可信度.并以此对证据进行加权平均;在此基础上,将支持证据冲突的概率按各个命题在所有命题中所占的比重进行分配.仿真实验结果表明,该方法在处理冲突证据问题及证据比较一致的问题时,都能得到合理的融合结果.在实际的多传感器融合目标识别中,可以充分利用多个传感器的互补信息,最大程度地降低矛盾冲突因子对识别结果的影响,从而提高了融合识别的可靠性和有效性.     

迁移学习在天基红外目标识别中的应用

星载红外传感器对飞行的火箭进行识别时,因为观测数据有限,一般属于小样本甚至单样本学习的分类问题.本文建立了一种以一维全卷积为主体结构的孪生神经网络,将多分类问题转化为比较相似度的验证问题;并利用UCR时间序列数据集的预训练权重,对孪生神经网络的卷积特征提取部分进行知识迁移,最后使用公开文献中火箭红外辐射强度序列数据对网...     

粗神经网络在雷达目标识别中的应用

将粗集理论与神经网络结合起来设计出粗神经网络,用于对雷达目标数据进行融合,特别是对雷达目标进行识别。研究表明这种网络可以接受定性输入,即输入是一个范围或在观测时间内输入是变化的,从而大大提高雷达目标的识别率。粗集理论和神经网络结合起来将在雷达数据融合方面有着很好的应用前景。     

一种基于卷积神经网络的雷达目标分类方法

雷达作为对低空和地面目标探测及监视预警的主要手段,在安全领域应用广泛。针对现阶段实际应用中雷达目标分类技术中过于依赖人工提取特征的问题,提出了一种基于卷积神经网络的分类方法,对雷达回波数据进行二维傅里叶变换得到距离-多普勒图像,再以距离-多普勒图集作为数据集,训练神经网络,得到能够完成雷达目标识别的网络模型。结果表明,相较于传统方法,基于卷积神经网络的目标识别模型在省去人工工作的同时提高了目标识别精度。     

基于YOLO模型的红外图像行人检测方法

针对基于传统特征提取方法的远红外图像行人检测存在准确率和实时性不足的问题,本文研究了一种基于改进YOLO模型的远红外行人检测方法,通过改进其深度卷积神经网络的输入分辨率,然后在基于实际道路采集的红外数据集上进行训练,得到检测效果最佳的检测模型,并提出基于车速的自适应图像分辨率模型,以提高车载系统的行人检测性能。在基于实际道路的红外数据集上的对比实验表明,该方法与传统方法相比,准确率从76.5%提高到89.2%,每秒传输帧数从0.01259 f/s提高到40.5 f/s,满足车载情况下的实时性需求。     

基于YOLO算法的行人检测方法

针对复杂道路交通环境,选择YOLO(You Only Look Once)实时目标检测算法,对行人目标进行检测识别的研究。YOLO算法在目标检测的速度和精度上都取得过良好效果。首先在YOLO网络模型的基础上针对行人单类检测问题,修改分类器,并通过卷积操作改变网络最后的输出维度;其次通过对道路交通场景下采集到的样本图片进行标注,得到行人数据集;然后采用相同预训练模型在YOLOv2和YOLOv3上训练,通过优化网络参数,加速模型收敛。实验结果分析可知,基于改进的YOLOv3的行人目标检测方法更能满足实时性的要求。