基于SAU-NetDCGAN的天气云图生成方法

天文台天气监测系统对天气云图存在巨大需求。为解决传统的生成对抗网络在扩充天气云图数据集时模型不稳定以及图像特征丢失等问题,提出一种基于SAU-NetDCGAN的双层嵌入式对抗网络天气云图生成方法,该方法由两层网络相互嵌套组成。首先,第一层嵌入式网络是将U型网络添加到生成对抗式网络的生成器中,该网络作为基础架构,利用编码器与解码器之间的跳跃连接增强图像的边缘特征恢复能力;接着,第二层嵌入式网络是将简化参数注意力机制(simplify-attention, SA)添加到U型网络中,该注意力机制通过简化参数降低了模型复杂度,有效地改善了图像暗部特征丢失的问题;最后设计了一种新的权重计算方式,加强了各特征之间的联系,增加了对图像细节纹理特征的提取。实验结果表明,该方法生成的图像在清晰度、色彩饱和度上与传统的生成对抗网络相比图像质量更好,在峰值信噪比、结构相似性的评价指标下分别提高了27.06 dB和0.606 5。

压缩感知算法在阵列测向中的相干信号分辨

现有算法在进行信号重建时,需要原始信号的稀疏信息来控制初始原子集的大小和算法迭代的最大次数,这削弱了重建精度,增加了计算复杂度,限制了其实际应用能力。为了克服这个问题,提出了基于正交匹配追踪算法的改进算法。该算法将阵元个数作为假设稀疏度,在稀疏度未知的初始阶段扩展初始原子集。最后通过对测量信号的幅度进行阈值过滤以实现信号的分辨和信源数的估计。为解决测向人员面对监测软件所指示的多个信号示向度中,无法分辨哪些指示方向是同一个信号源所产生的折反射信号的问题,首次提出了基于压缩感知算法的相干关系分析和相干信号分辨的模型。实测数据结果表明,该算法在不同环境下可以清晰分辨相干信号,并且能够适应多种实验平台。

融合空间注意力的自适应安检违禁品检测方法

针对X光安检场景违禁品检测精度低,存在误检和漏检的问题,在Cascade R-CNN基础上,提出一种融合空间注意力的自适应安检违禁品检测方法 XPIC R-CNN。在ResNet50中引入可形变卷积作为主干网络,自适应地学习不同尺寸的违禁品特征;结合可形变卷积的空间稀疏采样优势和自注意力机制强大的元素间关系建模能力,提出一种空间自适应注意力模块,有效地抑制复杂背景的噪音干扰;提出一种多尺度自适应候选区生成网络,使用语义特征去指导锚框的生成,提高候选框的质量以提升网络的召回率;在级联检测器中引入在线难例挖掘训练策略,解决正负样本不均衡和小样本训练困难的问题。实验结果表明,XPIC R-CNN在数据集SIXray_PI上的平均检测精度为94.5%,召回率为77.4%,比原始算法分别提升了3.2和8.2个百分点,最高漏检率仅有10%。