基于深度卷积自编码器的岩性分类与识别

在地质勘探与地震信号处理中,岩性分类是一个最基本的问题。然而,由于实际的岩性分类涉及到各种复杂的因素与环节,使得传统的统计和机器学习方法难于得到满意的分类准确率,无法在实际应用中进行有效的岩性识别。为了有效地解决这一问题,本文依据测井曲线数据提出了一种基于深度卷积自编码器的神经网络模型及其相应的参数学习算法,来实现有效的岩性分类与识别,并采用游程平滑算法对分类结果中孤立点进行剔除,进一步改善岩性分类的效果。实验结果表明,即使在少量的测井曲线标注样本条件下,本文所提出的深度学习模型也能够显著地提高了岩性分类的准确率,能够达到实际应用的要求。     

基于深度卷积神经网络的红外小目标检测

提出了一种新的解决红外图像小目标检测问题的深度卷积网络,将对小目标的检测问题转化为对小目标位置分布的分类问题;检测网络由全卷积网络和分类网络组成,全卷积网络对红外小目标进行增强和初步筛选,实现红外图像的背景抑制,分类网络以原始图像和背景抑制后的图像为输入,对目标点后续筛选,网络中引入SEnet(Squeeze-and-Excitation Networks)对特征图进行选择;实验验证了整个检测网络相对于传统小目标检测算法的优势,所提出的基于深度卷积神经网络的小目标检测方法对复杂背景下低信噪比且存在运动模糊的小目标具有很好的检测效果.     

基于深度卷积神经网络的多元医学信号多级上下文自编码器

多元医学信号的典型代表有多模态睡眠图和多通道脑电图等,采用无监督深度学习表征多元医学信号是目前健康信息学领域中的一个研究热点。为了解决现有模型没有充分结合医学信号多元时序结构特点的问题,该文提出了一种无监督的多级上下文深度卷积自编码器(mCtx-CAE)。首先改进传统卷积神经网络结构,提出一种多元卷积自编码模块,以提取信号片段内的多元上下文特征;其次,提出采用语义学习技术对信号片段间的时序信息进行自编码,进一步提取时序上下文特征;最后通过共享特征表示设计目标函数,训练端到端的多级上下文自编码器。实验结果表明,该文所提模型在两种应用于不同医疗场景下的多模态和多通道数据集(UCD和CHB-MIT)上表现均优于其它无监督特征学习方法,能有效提高多元医学信号的融合特征表达能力,对提高临床时序数据的分析效率有着重要意义。

     

基于稀疏自编码器的空间微动目标融合识别方法

当采用高分辨雷达对空间微动目标进行观测时,往往能同时获得其窄带、宽带回波。为充分利用其中蕴含的丰富电磁散射、形状、结构及运动信息,该文提出基于稀疏自编码器(SAE)的空间微动目标特征级融合识别方法。在训练阶段,首先采用卷积神经网络(CNN)分别提取训练集中微动目标回波的1维高分辨距离像(HRRP)、时频图(JTF)及距离-瞬时多普勒像(RID)层级特征。随后,将提取的3个深层特征进行1维拼接形成联合特征向量,并采用SAE自动学习联合特征向量的隐层特征。进而剔除SAE解码部分并在编码器后接入Softmax分类器构成识别网络。最后,利用SAE网络参数对识别网络进行初始化,并利用上述联合特征向量对其进行微调得到训练好的识别网络。在测试阶段,将CNN所提测试集的联合特征向量直接输入训练好的识别网络以得到融合识别结果。不同条件下的电磁仿真数据识别结果证明了所提方法的有效性及稳健性。     

卷积自编码器中粗粒度池化特征提取研究

卷积自编码器（Convolutional Auto Encoder,CAE）提取的粗粒度池化特征具有一定范围内旋转和平移的不变性,因而得到广泛使用.然而,目前CAE仍主要依靠经验调节内部参数以获取满足要求的粗粒度池化特征.本文将CAE看作一个整体,从概率上分析了影响其表现的具体原因,构建了一个通用框架用于调节其中的主要参数以获取更好的粗粒度特征.首先从概率上权衡了粗粒度特征在池化层上的判别性与不变性,并在CAE中选择合适的卷积范围和白化参数.然后通过分析池化域内特征的稀疏度选择相应的池化方法以获取具有更好可分离性的粗粒度池化特征.在两个公开数据库（STL-10和CIFAR-10）的实验结果表明本文提出的方法可以指导CAE提取到更好的粗粒度池化特征并在多类分类任务中表现得更好.     

基于深度帧差卷积神经网络的运动目标检测方法研究

复杂场景中的运动目标检测是计算机视觉领域的重要问题,其检测准确度仍然是一大挑战.本文提出并设计了一种用于复杂场景中运动目标检测的深度帧差卷积神经网络（Deep Difference Convolutional Neural Network,DFDCNN）.DFDCNN由DifferenceNet和AppearanceNet组成,不需要后处理就可以预测分割前景像素.DifferenceNet具有孪生Encoder-Decoder结构,用于学习两个连续帧之间的变化,从输入（t帧和t+1帧）中获取时序信息;AppearanceNet用于从输入（t帧）中提取空间信息,并与时序信息融合;同时,通过多尺度特征图融合和逐步上采样来保留多尺度空间信息,以提高网络对小目标的敏感性.在公开标准数据集CDnet2014和I2R上的实验结果表明：DFDCNN不仅在动态背景、光照变化和阴影存在的复杂场景中具有更好的检测性能,而且在小目标存在的场景中也具有较好的检测效果.     

基于深度降噪自编码器的多特征目标融合跟踪算法

针对在目标遮挡、光线变化、目标模糊等情况下的目标跟踪算法抗干扰能力较差的问题,提出了一种基于深度降噪自动编码器的多特征目标融合跟踪算法。该方法首先引入稳像和图像去雾算法以改善训练集数据和测试集数据的质量;再构建多特征深度降噪自动编码网络,基于深度神经网络的强大学习能力提取目标的颜色特征和均匀模式纹理特征;将两种特征加权融合输入到逻辑回归分类器,获得置信分数,更有效地区分目标和背景。最后,采用粒子滤波算法对目标进行跟踪。实验结果表明,该方法能够更准确地对存在目标遮挡、光线变化、目标模糊等干扰问题的视频进行跟踪。与传统方法相比,该方法成功率在上述三个方面平均分别提升33.73%、9.73%和12.80%;与近年流行算法相比,该方法成功率平均达到90.16%,实时性平均达到49.37 fps。     

基于深度学习面向中小目标的检测研究

现有的网络模型在复杂场景中暴露出针对中小目标检测能力不足的问题,本文针对该问题对目标检测领域较流行的SSD网络模型进行了改进.有以下两方面:(1)针对浅层卷积层的语义信息丰富度不足和浅层信息丢失问题,采用残差网络方法对Conv4卷积单元进行改进,并将Conv4_3和Conv5_3的特征图进行了特征融合,设计了新的SSD...     

利用近距离目标红外图像的机动检测问题研究

机动检测问题是目标跟踪(尤其是对近距离目标跟踪)过程中的一类关键性问题.传统的机动检测方法一般将目标看做点目标来处理,而在能得到目标红外图像的情况下,依据红外图像跟踪可以得到更快、更准确的机动检测性能,本文提出了一种针对近距离目标红外图像的依据类散度的小波包变换、初始聚类后叠代逼近以及能量最强直线段提取的图像处理方法,该方法在较低信噪比情况下依然能够保持较好的目标中心的跟踪精度,并进一步改善机动检测的性能.     

近距离慢速目标检测杂波抑制方法

针对强杂波环境下近距慢速运动目标检测问题,该文提出一种基于相位编码及子空间投影的杂波抑制方法。主要对周期探测信号调制Chirp相位编码,通过回波慢时间维解码使杂波近似白化,降低杂波与目标回波相关性,再依据白化后杂波及有用信号成分自相关性差异分离出信号和杂波干扰子空间;最后将接收信号投影至正交于杂波子空间的信号子空间来抑制杂波。由于该方法中杂波空间的构建不需要假设杂波模型,避免了模型假设与实际环境不匹配的问题。仿真结果和实测数据处理结果证明该方法在低信杂比条件下性能明显优于传统方法。     

机载火控雷达近距离地面慢速目标检测

机载火控雷达对近距离地面慢速目标进行检测时,由于地杂波散射体俯仰角随距离变化,引起杂波的空时二维分布随距离变化,呈现出严重的非平稳性.在这种杂波环境中,常规处理和空时二维处理都难以得到好的性能.本文提出一种杂波频移补偿的方法,对不同距离的杂波数据施加不同的频移变换,有效减弱了杂波的非平稳性,使杂波能量在二维平面内集中,杂波分布面积大大减小.仿真结果表明,在检测近距离地面慢速目标时,用频移补偿作为空时二维处理的预处理可以取得好的效果,大大提高了系统的改善因子,而且具有实现简单,运算量小,便于工程应用的优点.     

红外系统空间点目标探测距离测试

描述了一种成像型红外系统对空间点目标探测距离的内场测试方法,介绍了以灰度描述的点目标图像的信噪比定义、空间点目标及背景的辐射特点、目标检索算法以及照度等效原理,详细描述了测试设备的搭建方法和各项参数的选取原则,并给出了相关参数的计算实例。     

Short Range Laser Rangefinder Employing False Target Rejection

Till now a laser rangefinder has been used to find the range of a stationary target or the variations and deformities of a plane surface like in the manufacturing processes.New concept in the design of a laser rangefinder for a moving target is described.It is based on triangulation method of ranging and combines with a threefold false target rejection circuit to eliminate the possibility of false target indication due to light reflected by and obstruction in the line of sight of laser source and the target.The false target rejection is done twice through hardware and once through software.     

低信噪比缓动点目标的序贯检测算法的分析和改进

本文主要讨论的是低信噪比红外图像序列中缓动点目标的实时检测问题.在对传统序贯假设检测(正推法)进行了分析后,针对正推法的轨迹交叉和初始点多而引起的组合爆炸等问题,本文给出了一种基于逆推法的统计检测算法,并对如何利用目标的缓动特性和分段技术来提高信噪比,如何表示轨迹等进行了论述.实验结果表明,该算法有较好的性能.     

双约束深度卷积网络的高光谱图像空谱解混方法

高光谱图像凭借其“图谱合一”的特点逐渐在军事、环境、农业等方面发挥出重要作用。但是,由于传感器空间分辨率的限制以及地物分布的复杂多样性,高光谱遥感图像中通常存在大量的混合像元,严重制约了高光谱遥感的应用范围。目前,处理混合像元问题最有效的分析方法是混合像元分解（解混）。近年来,深度学习的发展对高光谱遥感产生了重大影响,也催生出一系列基于深度学习的解混方法。现有基于深度学习的解混方法在隐藏信息挖掘方面表现出极大的潜力和优势,通常情况下能够取得更加准确的结果。然而,这些方法大多只考虑了地物的光谱信息而忽略空间分布规律,导致在复杂场景中估算结果可能并不理想,逐渐难以满足工程应用的实际需求。为进一步发掘和利用空间信息提升解混的准确性,本文构建了一种新的深度学习网络来实现高光谱图像解混。新提出的解混网络采用卷积层来获取先验信息,利用高斯核函数的特性来协助区分物质属性,并且通过分配中心像元与邻域像元间的权重来增进丰度平滑性。在新网络中,本文使用Softmax作为丰度对应层的激活函数来约束丰度的输出。此外,在Softmax中,本文采用了L1/2正则化来避免节点出现过拟合而影响最终结果,进一步强化了网...     

雷达与雷达网的目标检测威力模型

针对飞行器面临雷达网的威胁描述问题,研究了雷达目标检测威力模型。基于雷达方程、雷达系统参数和检测概率建立了雷达目标检测模型。该模型不仅可以用于描述单部雷达的目标检测威力,还可以推广到雷达网中,用于规划飞行器突破雷达网的航迹、突防成功概率和飞行器突防雷达网临界雷达散射截面积计算。     

基于全卷积网络的红外弱小目标检测算法

在小天体探测、导弹制导和战场侦察等航空航天领域,由于目标信号较弱,占有像素数少,缺少目标形状和纹理信息,使用手工特征提取的传统算法容易出现大量虚警,而拥有强大特征提取能力的深度学习算法无法对微小且缺乏轮廓信息的目标训练.本文采用了滑动窗口取样训练,它源自基于人类视觉特性的传统目标检测算法中嵌套结构的思想,设计了一种使用...     

利用卷积神经网络的车道线检测方法

车道线检测是自动或智能辅助驾驶的核心问题之一。本文主要研究单目视觉下车道线检测算法。车道线具有多样性,其存在的环境又具有复杂性,因此准确高效车道线检测是一个具有挑战性的问题。本文提出了一种新的车道线检测算法,在传统车道检测方法中引入深度学习模型,主要包括下了步骤:首先使用基于车道线先验特征的图像增强算法进行边缘增强,对于边缘增强后的图像采用线段检测器进行线段提取,然后利用卷积神经网络构造线段分类器排除线段噪声,最后通过对消失点聚类排除无关线段,并按斜率聚类产生主车道线。实验表明,本文实现的算法具备较强的鲁棒性和很高的检测准确度。