基于卷积神经网络的SAR图像目标检测算法

该文研究了训练样本不足的情况下利用卷积神经网络(Convolutional Neural Network, CNN)对合成孔径雷达(SAR)图像实现目标检测的问题。利用已有的完备数据集来辅助场景复杂且训练样本不足的数据集进行检测。首先用已有的完备数据集训练得到CNN分类模型,用于对候选区域提取网络和目标检测网络做参数初始化;然后利用完备数据集对训练数据集做扩充;最后通过四步训练法得到候选区域提取模型和目标检测模型。实测数据的实验结果证明,所提方法在SAR图像目标检测中可以获得较好的检测效果。     

基于区域卷积神经网络的目标检测方法

本文针对煤矿环境中出现的目标检测精度低等问题,提出了一种基于区域卷积网络的矿井目标检测方法。实验表明,本文方法针对于煤矿环境中的目标检测具有较高准确率。     

基于全卷积神经网络的SAR图像目标分类

近年来,卷积神经网络(Convolutional Neural Network,CNN)在合成孔径雷达(Synthetic Aperture Radar,SAR)图像目标分类中取得了较好的分类结果。CNN结构中,前面若干层由交替的卷积层、池化层堆叠而成,后面若干层为全连接层。全卷积神经网络（All Convolutional Neural Network, A-CNN）是对CNN结构的一种改进,其中池化层和全连接层都用卷积层代替,该结构已在计算机视觉领域被应用。针对公布的MSTAR数据集,提出了基于A-CNN的SAR图像目标分类方法,并与基于CNN的SAR图像分类方法进行对比。实验结果表明,基于A-CNN的SAR图像目标分类正确率要高于基于CNN的分类正确率。     

基于专用集成电路的雷达动目标检测信号处理器

雷达动目标检测的实时信号处理原来一般用模拟器件和通用数字信号处理器（ＤＳＰ）实现。本文设计了基于数字专用集成电路的雷达目标检测实时信号处理系统，本文对该信号处理系统的雷达背景视频产生，单元平均恒虚警率（ＣＦＡＲ）检测，杂波图形成，动目标提取，视频信号积累，雷达定时器和控制等用现场可编程门阵列（ＦＰＧＡ）进行了专用集成电路设计，该系统性能稳定，抗干扰能力强，体积小，便于调试，已投入实用。     

基于卷积神经网络的目标检测算法综述

本文对基于卷积神经网络的目标检测算法进行综述。文章首先介绍了卷积神经网络的概念与发展历史,其次重点归纳分析了目标检测当前主流的两段检测算法和一段检测算法,并简要介绍了目标检测常用的数据集以及各算法的性能对比,最后进行了总结与展望。     

卷积神经网络在雷达自动目标识别中的研究进展

自动目标识别(ATR)是雷达信息处理领域的重要研究方向。由于卷积神经网络(CNN)无需进行特征工程,图像分类性能优越,因此在雷达自动目标识别领域研究中受到越来越多的关注。该文综合论述了CNN在雷达图像处理中的应用进展。首先介绍了雷达自动目标识别相关知识,包括雷达图像的特性,并指出了传统的雷达自动目标识别方法局限性。给出了CNN卷积神经网络原理、组成和在计算机视觉领域的发展历程。然后着重介绍了CNN在雷达自动目标识别中的研究现状,其中详细介绍了合成孔径雷达(SAR)图像目标的检测与识别方法。接下来对雷达自动目标识别面临的挑战进行了深入分析。最后对CNN新理论、新模型,以及雷达新成像技术和未来复杂环境下的应用进行了展望。

     

基于卷积神经网络的无人机运动目标检测研究

无人机的监管也成为了社会关注的焦点,"黑飞"现象屡见不鲜,无人机"黑飞"逼停航班等事件不断升级,已经触动人民生命财产安全问题了。本文主要通过视频分析发现"黑飞"现象,首先采用摄广角镜头观测检测领空区域,通过目标检测算法发现疑似无人机的物体;然后,利用长焦镜头对检测到的目标进行识别和跟踪;从而达到自动检测和跟踪目标的效果。本文对目标检测领空进行了测试,将改进的算法与Faster RCNN、传统目标检测算法ACF进行了比较。本文算法分别提升了接近13个百分点和5个百分点以上,进一步证明了本文算法的有效性。总体上本文算法有一定的实用性和扩展能力,能够给"黑飞"检测提供一定的理论方法支撑。     

基于Faster区域卷积神经网络的目标检测

针对Faster区域卷积神经网络目标检测算法,提出了一种自适应候选区域建议网络.在训练过程中根据当前损失反馈调节候选区域数目,使候选区域在一定范围内动态变化,进而节省开销,并记录下表现最好的候选区域数目;在测试时用记录的候选区域数目进行测试.针对Softmax函数对候选区域进行分类时需要人为选取置信度阈值带来的时间成本和小目标检测准确率下降问题,提出了一种自适应置信度阈值选取算法.实验结果表明,相比传统算法,本算法的检测速度提升了25％,平均检测精度提高了1.9个百分点.     

基于CNN分类器和卷积的目标检测

随着机器视觉领域的研究进展和多媒体技术的迅猛发展,目标检测成了机器视觉研究方向的一个热门领域。在一张图片中,如何寻找某类特定的目标是一个十分值得研究的课题,并且具有优秀性能的算法可以用在十分广阔的领域中,比如视频中的行人、车辆检测等。文中提出了一个基于卷积神经网络的深度学习分类器和卷积的方法,该方法性能优良,漏报率较低,可以快速检测出图片中的某类目标。并且通过以行人检测为例的实验证明,甚至与传统的检测相比鲁棒性更好,速度更快,可以更好地确定标的位置。     

基于无预训练卷积神经网络的红外车辆目标检测

为解决基于卷积神经网络的目标检测算法对预训练权重的过度依赖,特别是数据稀缺条件下的红外场景目标检测,提出了融入注意力模块来缓解不进行预训练所带来的检测性能下降的方法.本文基于YOLO v3算法,在网络结构中融入模仿人类注意力机制的SE和CBAM模块,对提取的特征进行通道层面和空间层面的重标定.根据特征的重要程度,自适应...     

基于时频图深度学习的雷达动目标检测与分类

雷达动目标检测技术一直是雷达信号处理领域中的关键技术,而传统的雷达动目标检测技术仅适用于匀速运动目标,检测性能有限。针对该问题提出一种基于卷积神经网络(CNN)时频图处理的雷达动目标检测方法,通过从雷达动目标回波中提取多普勒频移信息,然后利用短时傅里叶变换转换为时频图,输入卷积神经网络,进行深度特征学习,进而实现检测和分类的目的。仿真数据验证表明,所提方法能够有效检测和区分匀速、匀变速运动以及微动目标,稳健性高,与传统动目标检测方法相比具有显著优势。     

雷达海上目标双通道卷积神经网络特征融合智能检测方法

受复杂海洋环境影响,基于统计理论的海面目标检测方法由于假设条件不成立,在实际应用中难以实现高性能检测,本文从特征提取分类角度,通过深度学习分类方法对目标和杂波的雷达回波信号进行二元分类,提出了一种基于双通道卷积神经网络(DCCNN)的雷达海上目标智能检测方法。首先,对实测海杂波和目标雷达信号进行预处理,得到信号的时间-多普勒谱和幅度信息;然后,构建DCCNN对预处理得到的数据进行智能特征提取,得到信号的特征向量,并对不同特征提取模型性能进行测试;最后,通过阈值可设的Softmax分类器作为检测器对特征向量进行分类,实现虚警率的控制。测试结果表明:与传统的单通道CNN以及无虚警控制Hog-SVM分类算法相比,基于二维卷积核VGG16和一维卷积核LeNet的DCCNN特征提取模型和softmax分类器可实现更高的检测性能,并可以实现虚警率控制,为复杂海杂波背景下目标智能检测提供了新的技术途径。     

基于自聚焦方法的SAR动目标检测技术研究

研究通过自聚焦方法在合成孔径雷达图像中进行动目标检测的方法。在检测过程中，针对不同的场合与要求，分别使用两种不同的自聚焦方法进行检测研究，并将检测结果进行对比，因此为这种动目标检测方法提供了两种自聚焦途径。经过在实测数据中试验，证明这种方法可以较好地检测出具有方位向速度和距离向加速度的运动目标。     

基于卷积神经网络的海上微动目标检测与分类方法

该文利用深度学习的高维特征泛化学习能力,将卷积神经网络(CNN)用于海上目标微多普勒的检测和分类。首先,在海面微动目标模型的基础上,在实测海杂波背景中分别构建4种类型微动信号的2维时频图,并作为训练和测试数据集;然后,分别采用LeNet, AlexNet和GoogLeNet 3种CNN模型进行二元检测和多种微动类型分类,并进行比较,研究信杂比对检测和分类性能的影响。最后,与传统的支持向量机方法进行比较,结果表明,所提方法能够智能学习微动特征,具有更好的检测和分类性能,可为杂波背景下的雷达动目标检测和识别提供新的技术途径。      

基于改进FRACTA算法的多通道SAR动目标检测技术

该文针对实际非均匀杂波环境对多通道SAR/GMTI动目标检测性能的影响,提出了一种改进型FRACTA算法。该算法将STAP中的FRACTA算法引入多通道SAR系统中,并进行改进,提高了其在多通道SAR系统中的检测性能和运算速度。实测数据处理结果表明,与传统的检测方案相比,该文算法能够在非均匀环境中明显地提高检测性能,是一种非均匀环境中鲁棒的多通道SAR动目标检测算法。     

基于时空二维信号处理的合成孔径雷达动目标检测

本文基于时空二维信号处理方法，利用阵列天线回波的时空等效性，对合成孔径雷达数据进行运动目标成像处理，该方法克服了单天线系统中由于运动目标径向速度太小而不能检测和成像的固有缺点，解决了盲速问题，实现慢速运动目标成像，计算机模拟表明了算法的有效性。     

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。     

采用卷积神经网络的海面多目标检测研究

对海雷达多目标检测在军事领域有着重要的应用价值。为了提高海杂波下的目标检测性能,减少临近目标的影响,本文引入深度学习思想,提出了采用卷积神经网络的多目标检测方法。通过雷达实测数据的分析与训练,构造适用于处理一维回波数据的网络模型,引入定向惩罚技术加快自适应学习效率,优化网络超参数提升网络性能,实现了回波数据信杂比的较大改善,完成了海面多目标的有效检测。最后,基于实测数据对该方法进行了性能验证,实验结果显示了本方法的有效性。      

雷达信号处理中动目标检测的研究

动目标检测（MTD,Moving target detection）是现代雷达系统重要的信号频域处理技术。文中利用MATLAB软件作为模拟仿真平台,以快速傅里叶变换（FFT,Fast Fourier Transform）以及有限冲激响应滤波器（FIR,Finite Impulse Response Filter）两种方法实现了MTD处理。仿真结果表明,对两种处理方法中各个滤波器进行加权处理,并结合利用目前较为成熟的数字信号处理技术,可提高MTD系统性能。MTD可为雷达系统建模仿真以及雷达信号处理技术的研究提供有力的支持。