基于弱监督学习的多标签红外图像分类算法

红外图像的场景感知与分类分级是图像识别的一项关键技术,对于红外侦察与制导具有重要意义。为有效解决红外图像多场景多目标的场景感知及分类分级的问题,本文提出一种基于弱监督学习的多标签红外图像分类算法。将多标签图像分类技术应用于红外前视图像领域,针对多场景的红外图像进行弱监督的图像级标注,使用主干网络Resnet-50对图像进行特征提取;引入类特定的空间残差注意力模块CSRA以捕捉图像中不同类别所占据的不同空间区域,提高类别特征的表达性能;引入先进的损失函数ASL以解决多标签分类中正负标签数量失衡问题,使训练过程中更多地关注阳性样本,提高检测准确率。试验结果表明,本文算法对于多场景多目标的红外图像分类具有更好的适应性和准确率,算法检测率可达90%以上,能够很好地完成红外图像分类分级任务。

基于改进CenterNet的红外舰船目标检测算法

为有效解决红外舰船目标的检测问题,提出一种改进CenterNet的红外舰船目标检测算法。首先使用Mosaic算法进行数据增强,其次使用主干网络ResNet50对红外舰船图像进行特征提取,然后在原有特征图像处理的网络上添加Encoder模块,引入3×3的空洞卷积模块增大感受野,以提高网络性能增强网络的鲁棒性。实验表明,相比于改进之前算法,优化后算法精度提高了6%,准确率达98%,算法适应性强、准确率高,能够完成检测任务。

基于显著性检测的红外舰船目标检测识别技术

为有效解决舰船目标的检测与识别问题,提出一种基于显著性检测和Hu不变矩的红外舰船目标检测识别方法,首先使用中值滤波、维纳滤波及灰度非线性变换去除噪声,增强对比度,然后利用Itti算法模型进行显著性检测,针对检测分割后的舰船目标提取几何特征、灰度特征和Hu不变矩特征进行综合识别。经大量仿真实验证明,此方法具有较高的检测识别率和良好适应性,在复杂海天背景下能够快速有效地检测出舰船目标并实现准确识别。