针对SAR图像检测船舶任务中的目标小、近岸样本目标检测困难等问题,文章提出一种名为长短路特征融合网络(Long and Short path Feature Fusion Network,LSFF-Net)的船舶检测网络。该网络通过长短路特征融合模块有效协调了大目标与小目...针对SAR图像检测船舶任务中的目标小、近岸样本目标检测困难等问题,文章提出一种名为长短路特征融合网络(Long and Short path Feature Fusion Network,LSFF-Net)的船舶检测网络。该网络通过长短路特征融合模块有效协调了大目标与小目标检测,避免小目标特征信息的丢失。网络中应用结构重参数化结构提高了模块学习能力。为了满足多尺度目标检测,加入特征金字塔网络,融合多尺度特征。为了应对近岸样本目标检测,设计数据重分配算法,提高了对近岸样本目标的检测精度。实验结果表明:在公开数据集检测时,算法的平均精度(Average Precision,AP)达到97.50%,优于主流目标检测算法。该方法为提高SAR图像中小目标和近岸样本目标检测精度提供了新的实现方案。展开更多
为了对物体产生的微弱振动频率进行测量,该文提出了基于视频放大的非平稳微振动测量方法。该方法首先使用摄像机拍摄物体振动视频并将微振动可视化,进而从视频中提取物体振动频率信息。具体地,首先采用基于灰度空间的欧拉视频放大(Euler...为了对物体产生的微弱振动频率进行测量,该文提出了基于视频放大的非平稳微振动测量方法。该方法首先使用摄像机拍摄物体振动视频并将微振动可视化,进而从视频中提取物体振动频率信息。具体地,首先采用基于灰度空间的欧拉视频放大(Euler video amplification based on gray space, EVM-GS)方法将视频中肉眼难以分辨的微弱振动放大到人眼能够明显观察的幅度;然后通过基于灰度值帧差的最佳分析区域选择算法确定分析区域,对该区域使用空间滤波对视频图像去噪以及减小待处理数据量;最后使用基于S变换的非平稳信号分析方法(non-stationary signal analysis method based on S transform,NSS-S)提取振动频率。实验结果表明,该测量方法能将微振动可视化,并实现非接触式的无损测量,所测振动频率结果准确。展开更多
文摘针对SAR图像检测船舶任务中的目标小、近岸样本目标检测困难等问题,文章提出一种名为长短路特征融合网络(Long and Short path Feature Fusion Network,LSFF-Net)的船舶检测网络。该网络通过长短路特征融合模块有效协调了大目标与小目标检测,避免小目标特征信息的丢失。网络中应用结构重参数化结构提高了模块学习能力。为了满足多尺度目标检测,加入特征金字塔网络,融合多尺度特征。为了应对近岸样本目标检测,设计数据重分配算法,提高了对近岸样本目标的检测精度。实验结果表明:在公开数据集检测时,算法的平均精度(Average Precision,AP)达到97.50%,优于主流目标检测算法。该方法为提高SAR图像中小目标和近岸样本目标检测精度提供了新的实现方案。
文摘为了对物体产生的微弱振动频率进行测量,该文提出了基于视频放大的非平稳微振动测量方法。该方法首先使用摄像机拍摄物体振动视频并将微振动可视化,进而从视频中提取物体振动频率信息。具体地,首先采用基于灰度空间的欧拉视频放大(Euler video amplification based on gray space, EVM-GS)方法将视频中肉眼难以分辨的微弱振动放大到人眼能够明显观察的幅度;然后通过基于灰度值帧差的最佳分析区域选择算法确定分析区域,对该区域使用空间滤波对视频图像去噪以及减小待处理数据量;最后使用基于S变换的非平稳信号分析方法(non-stationary signal analysis method based on S transform,NSS-S)提取振动频率。实验结果表明,该测量方法能将微振动可视化,并实现非接触式的无损测量,所测振动频率结果准确。