基于稀疏增强重加权与掩码块张量的红外弱小目标检测

高度异构的复杂背景破坏了场景的低秩性,现有算法难以利用低秩稀疏恢复方法从背景中分离出小目标。为了解决上述问题,本文将小目标检测问题转化为张量模型的凸优化函数求解问题,提出基于稀疏增强重加权与掩码块张量的检测模型。首先,将掩码块图像以堆叠方式扩展至张量空间,并构建掩码块张量模型以筛选候选目标。在此基础上,利用结构张量构建稀疏增强重加权模型以抑制背景杂波,克服凸优化函数求解过程中设定加权参数的缺陷。实验表明本文检测算法在背景抑制因子及信杂比增益两方面都优于新近代表性算法,证明该算法的有效性。

极化滤波和跨维交互混洗的遥感影像目标检测

深度网络提取的多通道特征缺乏关联性,表达能力弱,对舰船目标识别精度低。针对上述问题,提出了基于跨维交互混洗特征的遥感目标检测方法。首先在特征提取阶段,利用等变神经网络提取具有旋转等变性的特征,有效降低目标方向角任意造成的定位精度损失。在此基础上,利用极化滤波机制的维度坍塌方法,对提取的特征分别进行仅空间和仅通道维度的权重学习,有效避免了降维引起的特征丢失。再应用跨维交互操作挖掘通道与空间维度间的关联信息,将通道间的信息混洗后融合,建立维度间的映射关系,增强特征的表达能力,改善目标的定位精度。通过在HRSC2016公开数据集上的实验证明本方法的检测精度高于对比方法,说明了所提方法的有效性。