基于增强上下文信息长短期记忆网络的弹道轨迹预测

根据己方观测数据进行弹道轨迹预测是现代陆军实施精准打击的重要一环。针对现有弹道轨迹预测方法存在精度不足且实时性不强的问题,提出一种新的增强上下文信息长短期记忆(CE-LSTM)网络轨迹预测模型,进行弹道轨迹的长期精准预测。在LSTM网络可逼近任意非线性函数且具备长期记忆能力的基础上,构建隐藏层输出混合单元提取短时上下文信息,进一步逼近弹体运动状态;通过建立不同条件下的弹道轨迹的数据集,训练得到具备最优超参数的CE-LSTM网络。实验结果表明,与弹道微分方程组的数值积分解法以及高斯混合模型相比,CE-LSTM网络在预测的精度上优于其他2种方法,预测速度提高了3~10倍,且具备较强的泛化能力。

基于上下文信息增强与特征细化的绝缘子破损检测方法

快速准确地检测出绝缘子缺陷是电网维护的重要任务,也极具挑战性。针对目前主流绝缘子缺陷检测算法检测速度慢且模型复杂度较高的问题,提出一种基于上下文信息增强与特征细化的绝缘子破损检测方法。该方法采用轻量化的ECA-Ghost Net作为骨干网络,骨干网络输出端嵌入轻量化的自适应上下文信息增强模块,为绝缘子破损缺陷注入多尺度上下文信息;然后在特征金字塔输出端引入快速且高效的特征细化模块,用于增强绝缘子破损缺陷特征。在该文构建的数据集上进行了多组对比实验,结果表明该文提出的方法均值平均精度可达约97.05%,检测速度约为63帧/s,模型计算量和参数量分别为1.46 G和1.68 M,各项性能指标均优于Retina Net、YOLOv4和YOLOF等主流算法。该文研究结果可为无人机嵌入式应用提供参考。

基于CAFPN和细化双头解耦的遥感图像目标检测

针对遥感图像背景的复杂性和图中目标尺寸小、方向任意性导致漏检或错检的问题,提出了一种新颖的目标检测算法。首先,提出一种基于上下文信息增强的特征金字塔网络。在特征提取阶段,自适应融合不同感受野,获得具有丰富语义信息的特征,减少小目标的信息流失。然后,在回归网络中,使用中心点偏移回归机制实现旋转框的检测,降低冗余锚框带来的计算复杂度。最后,结合双头网络将分类和回归特征解耦,通过注意力机制和极化函数引导的特征细化模块构建适应各自任务的重要特征,使网络能准确地检测目标。在遥感数据集DOTA、HRSC2016和UCAS_AOD上验证网络的有效性,对比于Faster RCNN算法,该算法在3个数据集上获得了8.48%、7.60%和3.10%的精度提升,实现了高性能的遥感图像目标检测。