基于深度学习的红外小目标检测算法综述北大核心CSCD

红外检测技术具有受环境负面影响小、抗外界干扰能力强等优势,在众多领域皆有极为重要的应用价值。然而,由于红外小目标存在缺少明显的可用信息、边界模糊等问题,对其检测的难度较大,因而成为目标检测领域的研究热点与难点。本文通过分析困扰红外小目标检测研究发展的难题所在,首先就目前针对其检测的传统算法原理进行简要说明。其次,详细阐述了基于深度学习的多类型红外小目标检测算法,并对相关算法的分类、评估指标、相关数据集等多方面内容进行了介绍,随之以实例说明对当前算法改进的有效方式。最后,归纳总结现有检测算法的优缺点,探讨了红外小目标检测研究领域的未来发展趋势,即向高精度、高实时性、强鲁棒性、低复杂度的算法方面深入研究。     

基于深度学习的HRRP舰船目标识别性能分析

针对分辨率、信噪比、补零及深度置信网络等对深度学习舰船目标识别性能的影响问题,文中开展了基于实测数据的相关实验分析,整个实验分析处理过程包括回波信号对齐、数据脉冲压缩、信号能量归一化、深度学习模型训练、分类器设计及判决输出。实验分析结论为深刻理解基于深度学习的高分辨距离像舰船目标识别技术原理内涵,开展舰船目标识别工程化应用设计奠定了坚实的基础。     

基于SVM分类的红外舰船目标识别

针对海天背景下红外舰船目标识别提出了一种基于机器学习的分类算法。该算法首先利用分割算法提取红外图像中的连通区域,并对原图相应的位置进行标记和归一化处理,然后利用HOG特征提取标记区域的高维特征向量,用线下样本库训练得到的SVM分类器对所提取的HOG特征进行高维特征空间的分类,识别目标和干扰。仿真实验表明,该算法具有良好的性能,在复杂海天干扰背景下能够有效地识别红外舰船目标。     

基于深度学习的海上舰船目标多源特征融合识别

针对海上舰船雷达辐射源特征和高分辨率距离像独立使用难以有效进行目标识别的问题,提出多种基于深度学习的多源特征融合目标识别方法.通过构造深度序贯融合模型、深度分支融合模型、深度卷积融合模型和深度循环融合模型四种框架,实现舰船目标的多辐射源特征与高分辨率距离像深度特征的自动提取与融合识别,完成目标分类.利用不同长度、不同类...     

结合目标提取和深度学习的红外舰船检测

传统显著区域提取红外舰船目标检测算法进行图像处理时虚警率高,而深度学习的红外舰船目标检测方法速度慢。针对这些问题,提出了一种将传统的目标提取与深度学习中分类的思想相结合的红外舰船目标检测算法。首先通过高帽变换（TOP-HAT）和 低帽变换（Bottom-HAT）对图像进行处理,然后通过阈值分割方法和归并算法对图像进行候选区域的提取,再运用深度学习中分类的思想完成对目标船舰的检测。通过测试数据集进行实验并对比分析,结果表明改进后的检测算法平均精确度达到83.69%,较之于传统显著区域提取算法精确度提升了8.09%,较之于Faster-R-CNN算法每百张检测时间缩短了2 s。     

基于YOLOv4的空间红外弱目标检测

在空间红外弱目标检测问题中,相关模板法和帧间差分法等传统算法判别率较低,且对数据质量要求较高.针对这一问题,本文提出了一种基于改进YOLOV4的空间红外弱目标检测方法,该算法首先针对空间不同红外目标建立了相应的数据集;以YOLOv4为基础建立了空间目标检测任务专用的神经网络框架,利用k-means聚类算法重新构造先验框...     

基于深度学习的图像目标定位识别研究

为了解决常规图像目标定位识别方法存在的识别准确率较低问题,实现图像目标精准定位识别,该文设计一种新的基于深度学习的图像目标精准定位识别方法,提取图像CNN特征以降低定位识别难度,构建图像定位深度学习识别模型以提高识别图像的特征表达能力,设计Faster图像定位识别算法以优化识别网络结构,从而实现图像目标定位识别。实验结果表明,设计的图像目标深度学习精准定位识别方法的识别准确率较高,识别效果较好,符合图像目标定位识别的需求,有一定的应用价值。     

基于改进Faster R-CNN的红外舰船目标检测算法

针对Faster R-CNN算法中对于红外舰船目标特征提取不充分、容易出现重复检测的问题,提出了一种基于改进Faster R-CNN的红外舰船目标检测算法.首先通过在主干网络VGG-16中依次引出三段卷积后的3个特征图,将其进行特征拼接形成多尺度特征图,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Anchor的...     

基于轻量化深度网络的舰船目标识别技术研究

针对海上多平台资源受限条件下的舰船目标识别任务,提出一种基于轻量化深度网络的舰船目标识别方法,通过深度可分离卷积及多尺度语义信息融合等进行改进。设计了嵌入式平台应用背景下的轻量化舰船目标识别方法,在自建目标数据集保证top5准确率达到93.5%情况下,实现了模型参数量与计算量的大幅度削减。证明了该网络在低功耗资源受限情况下能够有效完成舰船目标识别任务。     

一种基于红外特性分析的目标识别方法

当目标所处背景与目标本身红外辐射相差不大时,目标不能被准确识别.为了能够准确定位目标并摧毁目标,提出了采用7元红外排列方法对目标进行扫描的想法.实验结果表明,通过目标的红外特性曲线可以很准确地实现发动机位置的识别.依据典型目标的发动机位置可判定目标类别,并能准确打击目标要害,从而摧毁目标.     

地面背景下基于SURF的红外目标识别方法

采用SURF算法对地面背景下红外目标识别。采用具有实时性的自适应中值滤波器和小波分频与直方图均衡的图像增强方法,对图像进行预处理,拉开目标与背景的灰度差异,从而突出目标,以便识别。对预处理完的图像采用SURF特征提取匹配的方法进行红外目标识别。仿真实验中重点对SURF特征匹配阈值和匹配特征点的数量进行了研究。实验表明,文中方法对地面背景下红外目标识别效果较好。     

非参数岸岛背景红外舰船目标识别算法研究

由于战场环境复杂且瞬息万变,针对岸岛背景引入了一种快速 的检测/定位算法。该算法能够搜索出感兴趣的红外舰船目标,比如停靠在港口的舰船,而且无需 预先训练。这种方法仅仅使用一幅单一的目标物体样例图片来发现视场中相似的匹配舰 船,而无需对要搜索的物体进行预先学习。从查询图像中提取局部方向核 作为描述器,用于度量一个像素与其邻域间的相似度。然后从这个描述器中提取出显著 特征,并将其与目标图像中的类似特征进行比较。这些比较是使用一个余弦相似度度量矩阵 来实现的。实验结果表明,这个算法表现优异,成功地识别出了复杂背景条件下的舰船目标。     

嵌入式红外目标识别跟踪系统的研究

本文研究的嵌入式红外目标处理系统基于ATR技术,它可以用来实现对动态红外目标的自动识别与跟踪。根据功能的要求,设计了一个包括红外信号采集处理模块、自动目标识别跟踪模块和嵌入式主控模块三部分的嵌入式处理系统。该系统可高速实时地处理动态目标,具有友好的人机交互界面;对提高目标识别的速度,实现系统的小型化有着积极的意义。文章重点介绍了系统各功能模块软硬件的具体实现。     

基于迁移学习的红外图像多目标检测技术

针对用传统方法难以解决城市背景下红外图像多目标检测的问题,采用迁移学习技术把深度学习中可见光域的目标检测框架迁移到红外域中。利用该方法建立的模型的小目标检测性能非常好,在制作的测试集上平均精度mAP（IoU=0.50）为0.858。还对训练数据与模型检测性能之间的关系进行了初步研究。制作了大数据量和小数据量2个训练集,对模型进行训练,然后在相同的测试集上进行测试。通过小数据量训练的模型在制作的测试集上的平均精度mAP(IoU=0.50)为0.615。实验结果表明,数据的多样性、数量、质量等都会影响模型的好坏。     

基于DCResNet的SAR图像车辆目标识别

合成孔径雷达（SAR）图像自动目标识别中,特征提取和目标分类是两个重要环节。残差网络（ResNet）作为一种较新的卷积神经网络,凭借其对目标特征的自适应学习能力,在SAR图像分类领域表现突出。本文在ResNet基础上,设计出了密集连接型残差网络（DCResNet）,用于SAR图像目标识别。DCResNet在残差模块中增加了跳跃性连接的密度,不仅继承了ResNet的易学习的优点,还加强了特征的传播和利用率。除此之外,DCResNet采用平均池化的方式进行下采样,抑制了SAR图像中噪声对识别精度造成的影响。关于SAR图像目标识别的实验结果证明,本文提出的DCResNet与ResNet、AlexNet相比,不仅具有更快的收敛速度和推理速度,而且目标分类的准确率更高。     

基于深度学习的水声被动目标识别研究综述

被动声呐通过接收目标自身发出的辐射噪声信号进行目标探测。水声目标识别通过分析水声信号来判别目标个体,是水声工程领域的重点研究方向。深度学习作为近年来各领域的研究热点,其在水声目标识别领域中的应用引起了学者的广泛关注。该文以水声目标识别的步骤框架为切入,介绍了典型深度网络模型;总结出了深度学习在水声目标识别领域中的两大内涵：围绕时频谱、梅尔倒谱系数等特征调研了近几年深度学习作为分类器的关键问题以及研究进展,围绕数据增强、数据降噪等信号处理手段调研了近几年深度学习作为信号处理工具的关键问题以及研究进展;并从数据驱动、特征驱动、模型驱动3个方面对该领域的发展趋势进行展望,旨在推动水声目标识别领域的发展。     

基于深度学习的SAR图像舰船目标检测综述

近年来,合成孔径雷达成像技术因具备全天时和全天候的目标感测能力,在海洋实时监测和管控等领域发挥着重要作用,特别是高分率SAR图像中的舰船目标检测成为当前的研究热点之一.首先分析基于深度学习的SAR图像舰船目标检测流程,并对样本训练数据集的构建、目标特征的提取和目标框选的设计等关键步骤进行归纳总结.然后对检测流程中的各部...     

基于深度学习的目标跟踪技术的研究综述

深度学习技术在计算机视觉领域的应用日趋广泛,基于深度学习的目标跟踪技术是当前计算机视觉领域的一项重要研究课题。文章首先对国内外目标跟踪技术的发展历程进行了回顾和梳理,详细介绍并对比了部分典型的基于深度学习的目标跟踪方法;然后介绍了几种目标跟踪领域的典型数据集;最后对基于深度学习的目标跟踪技术的研究进行了总结,并对未来的发展方向进行了展望。