一种基于分层多尺度卷积特征提取的坦克装甲目标图像检测方法

针对坦克装甲目标的图像检测任务,提出一种基于分层多尺度卷积特征提取的目标检测方法。采用迁移学习的设计思路,在VGG-16网络的基础上针对目标检测任务对网络的结构和参数进行修改和微调,结合建议区域提取网络和目标检测子网络来实现对目标的精确检测。对于建议区域提取网络,在多个不同分辨率的卷积特征图上分层提取多种尺度的建议区域,增强对弱小目标的检测能力;对于目标检测子网络,选用分辨率更高的卷积特征图来提取目标,并额外增加了一个上采样层来提升特征图的分辨率。通过结合多尺度训练、困难负样本挖掘等多种设计和训练方法,所提出的方法在构建的坦克装甲目标数据集上取得了优异的检测效果,目标检测的精度和速度均优于目前主流的检测方法。

基于Top-down网络结构的坦克装甲目标检测

针对复杂场景下坦克装甲目标检测任务,提出了一种基于自顶向下聚合机制和分层尺度优化的目标检测方法。先基于ResNet-101骨架网络,提出一种自顶向下的聚合网络构架(TDA),克服了卷积神经网络在特征表达能力和细节捕获能力间存在的固有矛盾。在TDA网络的基础上,进一步探索了Faster R-CNN检测框架针对坦克装甲目标检测任务的优化方法,对于建议区域提取网络,提出了一种分层尺度优化的多路RPN网络,并根据感受野区域的大小设置合理的初始建议区域,有效提高了对建议区域的提取效率。对于目标检测子网络,构建了一个更加轻便快速的网络模型。针对坦克装甲目标构建了专用的目标检测数据集,并在该数据集上对几种目前主流的目标检测方法进行了训练和测试。实验结果表明,上述方法在坦克装甲目标数据集上取得了优异的检测效果,目标检测的精度和速度均优于目前主流的检测方法。

基于RGB图像的坦克损伤目标三维检测研究与应用

现代战争中,坦克在攻坚战中的地位越来越重要,检测坦克的损伤对于取得战场主动权乃至获取战争的胜利起着决定性作用,所以对实时性要求非常高。采用易获取的RGB图像,以坦克装甲车为研究目标,选用Complex-YOLO为基础三维目标检测模型,针对复杂战场环境中图像内容复杂、弹孔损伤目标小、没有三维CAD模型等问题,对Complex-YOLO模型进行改进,通过使用识别精度高且速度快的YOLOV3网络及九点法回归三维目标检测框的方法,提高模型性能。在坦克数据集上的实验结果表明,改进后的算法对于复杂战场环境下的多目标检测具有更强的敏感性,较大程度上增强了模型的检测识别精度。

基于DSP的坦克顶装甲精确定距的研究

针对电容引信的导弹对坦克顶装甲的弹目交会情况,利用幅度耦合探测器对坦克顶装甲所测的目标特性,采用区域识别方法,建立了相关区域识别准则及定距准则,给出了利用DSP技术实现精确定距的技术途径.利用设计的探测器进行了静态弹目交会的目标特性测试,得出反映不同弹目交会区域特征的目标特性曲线族.该方法和准则能够实现对坦克顶装甲的近距离精确定距,最大程度毁坏敌方坦克.

改进的YOLOV3算法在小目标检测中的研究与应用

战场目标的图像检测与识别对于战场监视、侦察、毁伤状态评估和火控系统研究等具有重要作用。以坦克装甲目标为研究对象,选用识别精度高、速度快的YOLOV3为基础目标检测模型,针对复杂战场环境中获取图像目标特征信息少的问题,引入多尺度特征增强结构的方法对YOLOV3模型进行改进,通过丰富特征图多样性的方式,提高模型性能。在坦克数据集上的实验结果表明,改进后的算法对于复杂战场环境下的小目标特征具有更强的敏感性,较大程度上增强了模型的识别精度。