联合知识与CNN的遥感影像目标检测研究综述

目标检测是遥感影像智能解译的重要内容,是将影像转换为信息的关键环节。基于知识的方法是遥感影像目标检测的传统经典方法,而基于卷积神经网络的深度学习方法则是近年来逐步兴起并迅速大范围应用的主流方法。介绍了基于几何知识、上下文知识、辅助知识、综合知识的方法,以及一阶段、两阶段的卷积神经网络方法,重点论述了联合知识与卷积神经网络的新方法,并对改进遥感影像数据集、调整算法网络框架、实现目标上下文推理等三种具体应用形式进行了详细介绍。对联合知识与卷积神经网络方法的遥感影像目标检测方法进行了展望。     

生成对抗网络及其图像处理应用研究进展

生成对抗网络（GAN）是一种基于对抗思想的架构体系。作为人工智能大发展背景下诞生的前沿算法,GAN已经在图像处理的多个领域取得了显著的成果。从传统GAN的算法入手,对其模型架构、数学机理、优缺点进行剖析。总结了具有代表性的GAN变体,并对GAN在图像处理方面的前沿应用进行介绍。结合现有GAN发展依然存在的问题,对GAN的发展趋势进行了展望。     

基于增强RPN的孪生网络目标跟踪算法

目前孪生网络跟踪器已经具有比较良好的表现,但是对于卷积神经网络所提取的特征仍没有较好地利用其特点,同时孪生网络通过相似性学习进行跟踪的特性使跟踪器的准确性和鲁棒性存在不足。提出了一种金字塔式特征融合的方法,根据骨干网络特征提取层不同深度具有不同侧重的特点提高网络对目标的表征能力,然后使用注意力机制对区域推荐网络（Region Proposal Network,RPN）进行增强,最终实现更精准更鲁棒的跟踪。在OTB100数据集的实验中,新提出的SiamERPN(Siamese Enhanced RPN)算法分别得到了0.668的成功率和0.876的精度,测试结果好于基线算法和其他对比算法。     

基于数据融合的SAR图像目标识别算法

目前卷积神经网络已经在SAR目标识别领域得到了广泛应用, 然而, 由于SAR图像的目标样本数量过少, 以及图像相干斑噪声的存在, 使得网络不能充分的学习样本深层特征, 对网络的识别性能会造成一定的影响. 针对上述问题, 提出一种基于数据融合的目标识别方法, 算法首先对原始图像分别进行噪声抑制和边缘信息提取处理, 然后将处理后的两类特征信息进行数据融合, 将单通道灰度图像融合扩充至双通道图像来作为训练样本, 同时构建了一个高低层特征融合的卷积神经网络模型, 使用注意力机制来加强了对有用特征的学习, 实验结果显示, 该方法在MSTAR数据集上, 表现了对不同目标型号的优秀识别效果.     

基于深度学习的视觉单目标跟踪综述

单目标跟踪是一种在视频中利用目标外观和上下文信息对单个目标分析运动状态、提供定位的技术,在智能监控、智能交互、导航制导等方面具有应用前景,但遮挡、背景干扰、目标变化等问题导致实际应用的进展缓慢.随着近年来深度学习的快速发展,研究使用深度学习技术优化单目标跟踪算法已成为计算机视觉领域的热点之一.围绕基于深度学习的单目标跟踪算法,在分析了单目标跟踪的基本原理基础上,从相关滤波、孪生网络、元学习、注意力、循环神经网络和生成对抗网络六个方面,根据核心算法的不同分别进行了概述和分析;此外,对研究现状进行了总结,提出了算法的发展趋势和优化思路.     

SAR图像仿真方法研究综述

SAR图像仿真是一种在计算机平台上,通过模拟SAR图像特征或者SAR系统工作过程,从而得到仿真SAR图像的技术。它克服了真实SAR系统获取不同参数SAR图像成本高、周期长的缺点,在SAR系统研制和算法验证等方面起着重要作用。按照仿真流程,介绍了三种SAR图像仿真方法并对它们的优缺点进行了剖析,对其当前的发展状况做了较为全面的综述,对当前存在的问题进行了分析并对未来的发展趋势进行了展望。