基于高级语义特征蒸馏的增量式连续目标检测方法

现代防御要求智能感知算法具备复杂开放场景下增量式连续学习能力,而传统深度学习方法基于全体数据进行封闭训练,导致其应用能力和使用范围受限。现有连续学习算法面临灾难性知识遗忘问题,提出一种基于高级语义特征蒸馏的增量式连续目标检测方法,通过高级语义特征引导高价值底层特征的选择,将该特征从教师模型蒸馏到学生模型,从而有效促进旧任务知识传递,缓解灾难性知识遗忘。在公开图像数据集MS COCO上的实验表明,该方法在各类连续学习场景下的目标检测性能均超越先前最好方法,有望推动智能系统在动态开放场景下持续学习能力和自主遂行能力生成。

基于无锚框的红外多类别多目标实时跟踪网络

本文提出一种改进的红外多类别多目标实时跟踪网络,在确保跟踪精度的同时,重新设计无锚框网络结构,进一步降低网络的参数量与推理时间。通过优化目标特征向量,进一步提高识别精度,同时简化与改进跟踪流程。此外,通过细化分析相关流程执行时间,选用GPU与CPU分别执行最优运算,提升跟踪整体运行速度。上述方法被应用于低空海面红外目标跟踪数据集中。结果表明,在本文所提的综合评价指标下,所设计的网络相较其他轻量级网络评分提高1.78,且运行速度在NVIDIA Jetson Xavier NX中达到52.37 FPS,满足边缘端实时运行需求。

基于无监督域适应的低空海面红外目标检测

提出一种基于无监督域适应的低空海面红外目标检测方法。首先利用图像翻译网络将源域图像翻译为目标域图像并共享标签。其次在YOLOv5s目标检测网络中使用梯度反转层优化网络提取特征的域间适应性。此外利用最大均值差异损失进一步缩小从网络中提取的不同红外探测器图像的特征分布。最后采用AdamW异步更新优化算法进一步提高模型在训练过程中的稳定性与检测精度。将所提方法在不同红外探测器采集的低空海面红外船只与无人机数据集中进行实验。实验结果表明,相较于传统有监督学习方法,所提方法有效降低了人工标注成本,且源域检测精度提高6.56个百分点,目标域检测精度提高2.62个百分点,有效提升目标检测模型在不同红外探测器间的泛化能力。