共查询到18条相似文献,搜索用时 62 毫秒
1.
目标检测是合成孔径雷达(synthetic aperture radar,SAR)图像方面的研究热点,综述SAR图像目标检测的几种方法.通过对传统方法SAR图像目标检测和基于深度学习的SAR图像目标检测进行梳理总结,从实验方面验证深度学习在复杂背景下SAR图像舰船检测存在的问题,分析目前SAR图像目标检测算法的优势和存在的不足,明确SAR图像目标检测急需解决的问题. 相似文献
2.
3.
4.
针对在小样本情况下目标检测的问题,对当前小样本条件下的目标检测方法进行归纳总结。列举4 类小
样本学习方法并介绍其优缺点,介绍目前这几类方法的典型算法;进行小样本目标检测实验设计,通过分析各方法
的特点得出其可应用方向;对目前的小样本图像目标检测存在的问题进行讨论。结果表明,该分析能为相关领域的
研究者提供更多的思路。 相似文献
5.
为提高图像制导弹药对大型舰船目标的毁伤效能,解决大型舰船目标关键部位漏检和定位精度差等问题,以Yolo v3为基线网络,提出了基于语义分割的二阶段目标检测算法。在主体目标准确检测的基础上,利用DeepLab v3plus网络在主体目标区域进行像素级检测,确定舰船关键部位的轮廓边界,提高了舰船关键部位的检测精度和定位精度。利用Linear bottlenecks结构在低分辨率主体目标中提取特征,减少特征损失,降低模型计算量和参数量,获得了较高的检测精度和定位精度,同时提高了算法的处理速度。 相似文献
6.
7.
对可见光与红外图像融合目标检测问题进行了研究,提出了一种针对目标检测任务的特征融合算法。采用端到端的神经网络方案,将可见光与红外图像同时输入神经网络,分别进行特征提取,后对提取的特征进行融合,再对融合的特征进行目标检测,最后输出检测结果。与一般先融合出一张图片再检测的方法比较,特征融合算法可以保留原始图像的特征,并根据目标检测的结果对特征进行挑选及融合,避免先融合图像造成的信息损失。红外图像能够弥补可见光图像的不足,适应不同光照强度及天气情况。针对目标检测的特征融合方法有效利用了纹理信息及热辐射信息,检测效果优于单独利用可见光或红外图像的方法。 相似文献
8.
针对战场指挥车等战地车辆内作战人员需要在车内实时了解外部战场动向的问题,提出一种基于图像拼接的全景目标检测技术研究。利用监控转台摄像头获得全景图像并检测运动物体,以此模拟战场实际情况。首先使转台进行水平360?旋转,同时使用安装在转台上的摄像头采集实时图像,利用转台转速与扫描场时间等参数对图像进行预处理,从而削弱前后两场信号叠加造成的边缘模糊。最后对前后两帧图像进行灰度值相关匹配,并检测出全景图像上的运动物体。实验结果表明,该技术可以实现全景图像拼接并在全景图中标出视场内运动物体的位置。 相似文献
9.
为解决原始单次多框目标检测(single shot multibox detector,SSD)目标检测算法中对小目标物体检测能力不足的问题,提出一种改进的SSD目标检测算法.采用VGG19作为特征提取网络,在低层特征图部分引入Conv3_3卷积特征图,对Conv4_4进行转置卷积操作,将转置卷积后得到的Conv4_3同Conv3_3的特征图进行特征拼接,实验部分使用VOC数据集对模型进行训练与测试.结果表明:该算法可提高检测能力,目标检测精度能比原始SSD算法提高3.6%,小目标检测效果比改进前也有明显提升. 相似文献
10.
11.
基于深度学习的目标检测算法已成为合成孔径雷达(SAR)图像目标检测任务的主流.深层网络通常具有大量参数,运行速度不能满足实时要求,难以在资源受限的设备(如移动端)上部署.考虑到对模型实时性和可移植性的要求,对双阶段目标检测算法快速区域卷积神经网络进行轻量化改进,比较不同改进方法对算法速度与精度的影响.结合SAR图像的特... 相似文献
12.
复杂环境下军事目标检测技术是提高战场态势生成、分析能力的基础和关键.针对军事目标检测任务在复杂环境下传统检测算法的检测性能较低问题,提出一种基于改进YOLOv3的军事目标检测算法,通过深度学习实现复杂环境下军事目标的自动检测.构建军事目标图像数据集,为各类目标检测算法提供测试环境;在网络结构上通过引入可形变卷积改进的R... 相似文献
13.
目前,我国正在大力发展海洋武器装备,其无人化研究得到广泛关注,其中海上无人艇智能化是研究热点。针对我军对海上大中型目标检测和高精度定位的需求,进行基于深度学习的海上无人艇目标识别技术设计。设计了多源、多体制协同感知架构,以解决设备智能计算任务重复与资源浪费和深度学习加速问题;进行多层次特征提取、分析、融合技术设计,确定单/多传感器特征选取对象;开展基于深度学习的多特征目标检测、识别技术设计,建立基于深度学习网络的多源多维联合检测、识别处理方法。实验验证结果表明,所设计的方法对可见光图像识别率达99.7%以上,具有良好的识别效果。 相似文献
14.
目标识别是水声探测领域的难题,也是研究热点。在水声目标识别实际应用中,标记样本数量不足是制约识别结果的主要因素之一。针对水声目标噪声数据具有的小样本特点,基于深度学习理论提出一种基于生成对抗网络的识别模型。该模型从生成模型与对抗模型的相互博弈中,学习更多有效的识别特征信息,并与深度自编码网络和深度置信网络模型进行对比。仿真实验结果表明:在样本数量有限的情况下,生成对抗网络模型的识别效果优于深度置信网络与深度自编码网络;3种深度学习模型的识别性能均优于先提取梅尔倒谱系数特征,再用Softmax分类的方法。为进一步测试所建模型的性能,研究了3种深度学习模型在不同信噪比下的鲁棒性,仿真实验结果表明:生成对抗网络模型对噪声具有更强的鲁棒性。 相似文献
15.
在捷联图像导引系统目标跟踪过程中,针对跟踪前期弹目距离较远、跟踪目标在背景图像中所占的区域较小、易遭受背景信息干扰,提出了一种新的基于Mean Shift算法的目标跟踪方法.该算法通过对目标模型做背景直方图加权变换和对目标候选模型做倒数加权变换,显著降低了Mean Shift目标跟踪算法迭代过程中背景信息所占的比重,有效抑制了跟踪区域中背景信息对目标定位的干扰,提高了目标的跟踪精度.实验结果表明,该算法与经典算法相比,迭代次数低、单帧处理时间短,可应用于捷联图像导引系统目标跟踪的前期阶段. 相似文献
16.
生成对抗网络(GAN)是一种深度学习模型,是近年来在复杂分布环境下进行无监督学习的最有前景的方法之一。将GAN开创性地引入到随机密钥生成中,利用GAN对超混沌系统产生的随机密钥进行学习和训练。GAN通过学习训练生成的随机数与混沌系统生成的随机数有着很多相似的优点,如随机性和敏感性,但是同时它也具备了混沌系统所生成随机数不具备的特征,如不可复现性。GAN训练生成的随机数在对信噪比低、灰度等级少的微光图像加密中显示出其快速性与更高的安全性。本文将GAN引入到随机密钥生成中,利用量子细胞神经网络系统产生的伪随机数作为GAN的训练集,通过GAN对超混沌系统产生的随机密钥进行学习和训练得到一个随机密钥池,最后针对这种密钥生成方案在微光图像加密中的应用,提出了一种新的微光图像加密算法,该算法给出了一种与明文相关的2D指针,随机选择密钥池中的两个相位掩膜来实现微光图像的安全。结果表明该学习型密钥生成方案所生成的加密密钥可以通过美国国家标准技术研究所的所有随机测试,并且该方案能够有效抵抗差分攻击、已知明文/选择明文攻击和各种统计分析。同时,与其他同类算法的性能比较也进一步表明了该模型的优越性。 相似文献
17.