对深度学习中目标定位不确定度评定的讨论

得益于深度学习技术的快速发展,高准确率的目标自动定位得以实现,这为各领域的智能化转型提供了极大的助力。然而,尽管大多数情况下基于深度学习的目标定位方法都能够获得较为精确的输出,但一些误差较大的定位结果还是难以避免。正因为缺少规范的不确定度评定,所以那些误差较大的定位结果难以被有效地消除,进而影响了基于深度学习的目标定位方法的工程化应用。从符合计量规范的测量不确定度入手,讨论了当前深度学习中目标定位技术评价指标的意义和不足,并提出了对规范化目标定位技术不确定度评定的建议。

基于FIR与正交基分解的磁性目标检测方法

针对磁异常探测中,磁性目标信号被噪声淹没,信噪比较低的情况,提出了FIR与正交基分解相结合的检测方法。先利用FIR低通滤波器滤除高频噪声,保留磁性目标磁异常信号,再利用正交基分解检测算法,大幅度提升磁性目标信号的信噪比,从而实现磁性目标检测。仿真试验结果表明,该方法可以提升磁性目标检测能力,具有一定的工程应用价值。

应用弦切变换提取几何特征实现目标检测

提出了应用弦切变换(CTT)来提取目标几何形状特征的方法,并基于对提取形状特征的匹配实现了对二维目标的检测。介绍了弦切变换的理论依据和算法的实现过程,同时进行了误差及可靠性分析。分析和实验表明,由于CTT可基于边缘点信息提取出更有意义的几何形状特征,这种几何特征不但具有平移、旋转和缩放的不变性,同时还可以输出目标相对于模板的旋转角度、缩放尺度等运动参数信息,因此,该方法在一定程度上克服了传统方法中灰度特征易受复杂环境和光照变化等影响的缺点,同时该特征对于目标边缘的部分失真或缺损也具有一定的鲁棒性。最后,对多组复杂环境下的图像序列进行了仿真实验,实验结果显示,检测的平均成功率达90%以上,而且在目标缺失或变形达到40%时,仍能得到比较准确的检测结果,这些结论验证了该方法的有效性。

遥感分类方法在建筑物震害提取中的应用(以玉树地震为例)

建筑物损毁情况是地震灾害评估的一项重要指标,利用遥感技术快速提取震后建筑物震害信息,对科学指导地震应急救援工作具有重要意义。利用2010年4月14日青海玉树7.1级地震前后玉树县结古镇团结村高分辨率遥感影像,结合像素光谱和空间特性的纹理、结构等多源信息,基于支持向量机(SVM)方法,对地震前后建筑物信息进行分类提取,变化检测出建筑物损毁情况,并与面向对象多源信息复合的模糊分类法的分类精度、提取效率进行对比分析。研究结果表明,多源数据复合的SVM影像分类方法能够有效解决模糊分类影像破碎问题,地震前后两实相影像分类总精度达到77.53%和73.56%,提高了建筑物震害信息提取精度。

基于Mask R-CNN的高分遥感影像建筑物目标检测

深度学习方法在目标检测和语义分割领域得到了广泛应用,但在遥感影像中,由于建筑物呈聚集型分布且目标之间间隔紧密,建筑物目标检测暂未取得较好的效果。针对上述问题,提出一种基于Mask R-CNN的高分辨率遥感影像建筑物目标检测方法,将边界框识别与像素级语义分割结合起来,较好地解决了聚集分布且间隔紧密的建筑物目标检测问题。实验结果表明,该方法具有较高的检测精度。

伪激光点云增强的道路场景三维目标检测

目的针对激光雷达点云稀疏性导致小目标检测精度下降的问题,提出一种伪激光点云增强技术,利用图像与点云融合,对稀疏的小目标几何信息进行补充,提升道路场景下三维目标检测性能。方法首先,使用深度估计网络获取双目图像的深度图,利用激光点云对深度图进行深度校正,减少深度估计误差;其次,采用语义分割的方法获取图像的前景区域,仅将前景区域对应的深度图映射到三维空间中生成伪激光点云,提升伪激光点云中前景点的数量占比;最后,根据不同的观测距离对伪激光点云进行不同线数的下采样,并与原始激光点云进行融合作为最终的输入点云数据。结果在KITTI(Karlsruhe Institute of Technology and Toyota Technological Institute at Chicago)数据集上的实验结果表明,该方法能够提升多个最新网络框架的小目标检测精度,以典型网络SECOND(sparsely embedded convolutional detection)、MVX-Net(multimodal voxelnet for 3D object detection)、Voxel-RCNN为例,在困难等级下,三维目标检测精度分别获得8.65%、7.32%和6.29%的大幅提升。结论该方法适用于所有以点云为输入的目标检测网络,并显著提升了多个目标检测网络在道路场景下的小目标检测性能。该方法具备有效性与通用性。

一种基于随机码本的运动目标检测算法

针对传统码本算法模型建立时间过长、更新效果差等问题,将视觉背景提取(ViBe)算法中模型建立和更新的思想用于改进码本算法,提出了一种基于随机码本(RCB)的运动目标检测算法。为减少计算量,提出了一种基于YUV空间的码本模型;为减少背景建模时间、提高模型的洁净度,提出了随机选取第1帧图像空间领域内像素点的码本训练方法;为提高背景模型对复杂场景的适应能力,提出了基于随机策略的码本更新方式。与典型算法进行了两组实验。结果表明,本文算法兼有二者的优点,不仅能迅速适应场景的转换,而且在检测精度、动态适应能力和实时性等方面都有较大提高。