李约热《人间消息》的弱小者文学书写

李约热的中短篇小说集《人间消息》,暗含着对弱小者文学的书写。小说集最引人注目的地方,是更为自觉地打造了“野马镇”这一文学地理学新地,突出了其“野性”“血性”、习俗信仰、好唱山歌、方言俗语等方面的独特性,以此消解全球化带来的同质化。小说集描写的高于一般人、一般人、低于一般人这三类人,无一不是可怜人,但其价值却由低到高排列。拯救的力量来自无助的个体、价值向更艰难关系倾斜、由庙堂之高滑向江湖之远,小说集对此三者的叙述,表明它对谦卑的高度认同。小说集对读书人的审视谨慎,描述了他们的好坏品行。乐于助人、特立独行、偶有“血性”,是这一群体的闪光点。他们存在的问题是:身体上有毛病、精神上无出路、生活上陷困顿。意识到脆弱和局限,是人真正得救的开始。

不仅仅是同情——从巴金笔下的弱小者形象谈起

巴金文学世界中有着一个独特的形象系列——弱小者形象。高觉新、汪文宣,觉慧、觉民、琴,还有高老太爷在历史进程中都显示出不同程度的软弱。作为一种精神现象的发现,推动巴金创造弱小者形象系列并使他在这一方面取得杰出成就的决不仅仅是同情。他的个人气质、善恶爱憎清晰地体现在他对于笔下人物的价值取向上,他是带着复杂矛盾的情感去创作的,他对于他们有同情,更有理解,甚至还有认同。

基于全卷积网络的复杂背景红外弱小目标检测研究

针对复杂背景红外弱小目标检测过程中存在的检测误差率高,检测时间过长等问题,提出基于全卷积网络的复杂背景红外弱小目标检测方法。分析复杂背景红外弱小目标检测的研究进展,找出不同方法的缺陷,采集红外图像,提取目标检测特征,并采用全卷积网络设计弱小目标检测的分类器,实现复杂背景红外弱小目标检测。实验结果表明,该方法的复杂背景红外弱小目标检测精度超过97%,具有较高的实际应用价值。

基于GLMB滤波的复杂场景下红外弱小目标自适应跟踪算法

针对红外弱小目标在复杂场景下受到漏检和杂波影响,导致跟踪不连续甚至失效的问题,本文提出一种红外弱小目标自适应跟踪算法。在预处理阶段,为了减少不必要的计算,首先定义一种衡量图像复杂度的算法。然后该算法通过计算红外图像多个特征得到场景复杂度来确认场景类型,再根据场景类型选取对应的检测算法提取目标候选位置、灰度以及局部直方图等特征建立对应的量测模型与似然函数。在目标跟踪阶段,为了自适应地匹配广义标签多伯努利(Generalized Labeled Multi-Bernoulli,GLMB)滤波器的滤波参数,在GLMB的基础上提出一种适应视频图像的新生算法进行航迹起始;针对红外图像序列目标检测概率未知的情况,将未知检测概率的基数化概率假设密度(Cardinality Probability Hypothesis Density,CPHD)滤波器集成到GLMB中实时估计目标检测概率以提升跟踪精度。仿真结果表明,所提出算法能有效地排除量测漏检和虚警的干扰,跟踪不同红外复杂场景下的弱小目标。

基于模糊神经网络的舰船雷达图像弱小目标检测

舰船雷达图像信息的维度较高,导致弱小目标的关键特征难以被精准提取,降低了弱小目标检测的可靠性,因此提出一种基于模糊神经网络的舰船雷达图像弱小目标检测方法。该方法对舰船雷达图像进行背景校正,利用图像灰度值加性模型从图像中提取弱小目标。最后将提取的弱小目标输入到模糊神经网络中,输出的结果即为舰船雷达图像弱小目标检测结果。通过实验证明,在不同高斯噪声环境中,该方法能够准确地检测出雷达图像中的弱小目标,并具有较快的检测速度。

基于卷积神经网络的红外弱小车辆目标检测方法

传统方法无法获得理想的红外弱小车辆目标检测结果,导致检测误差大,无法满足实际应用要求,为了解决传统红外弱小车辆目标检测方法存在的局限性,及时检测红外图像中的弱小车辆,提高车辆检测精度,设计了基于卷积神经网络的红外弱小车辆目标检测方法。首先对弱小车辆目标检测需要的红外图像进行采集,并对红外图像噪声进行处理,消除噪声对弱小车辆目标检测的干扰,然后采用卷积神经网络建立弱小车辆目标检测模型,最后通过具体仿真实验测试弱小车辆目标检测方法的性能。结果表明,该方法的弱小车辆目标检测精度超过了90%,大幅度减少了弱小车辆目标的误检率,同时弱小车辆目标检测时间控制在5 s内,可以满足弱小车辆目标检测的实时性要求,具有较高的实际应用价值。

基于改进顶帽变换的红外弱小目标检测

天空背景下的红外弱小目标检测技术较为成熟,但在近地复杂背景下,红外弱小目标的检测存在准确率不高、虚警目标多、实时性差的问题。针对以上问题,该文提出一种基于改进顶帽变换的红外弱小目标检测算法(OTHOLCM)。该算法采用基于改进顶帽变换的图像预处理算法(OTH),通过对不同灰度值的图像采取不同的策略针对性地处理图像,达到目标增强、背景抑制的效果。并在此基础上,采用基于改进多尺度局部对比度的红外弱小目标检测算法(OLCM),通过针对目标尺寸特点进行尺度设计,使得在保证算法实时性的基础上扩大目标尺寸检测范围。实验证明:OTHOLCM算法可以保证实时性并明显提高目标检测准确率、减少虚警目标数量。与3层模板局部差异度量算法(TTLDM)、基于边角感知的时空张量模型(ECASTT)等先进算法相比,OTHOLCM算法可使真阳性率分别提高近79%,61%,假阳性率分别降低近77%,73%,目标检测速度达到每秒25帧。

一种多深度特征连接的红外弱小目标检测方法

针对红外弱小目标像元数量少、图像背景复杂、检测精度低且耗时较长的问题,文中提出了一种多深度特征连接的红外弱小目标检测模型(MFCNet)。首先,提出了多深度交叉连接主干形式以增加不同层间的特征传递,增强特征提取能力;其次,设计了注意力引导的金字塔结构对深层特征进行目标增强,分离背景与目标;提出非对称融合解码结构加强解码中纹理信息与位置信息保留;最后,引入点回归损失得到中心坐标。所提网络模型在SIRST公开数据集与自建长波红外弱小目标数据集上进行训练并测试,实验结果表明,与现有数据驱动和模型驱动算法相比,所提算法在复杂场景下具有更高的检测精度及更快的速度,模型的平均精度相比次优模型提升了5.41%,检测速度达到100.8 FPS。

基于孪生网络和Transformer的红外弱小目标跟踪方法

针对红外弱小目标跟踪准确性较低这一问题,提出一种基于孪生网络和Transformer的红外弱小目标跟踪方法。首先,构建多特征提取级联模块分别提取红外弱小目标模板帧和搜索帧的深度特征,并将二者分别与其对应的HOG特征进行维度层面的串联;其次,引入多头注意力机制Transformer进行模板特征图和搜索特征图的互相关操作,生成响应图;最后,通过响应图上采样网络和边界框预测网络,获得目标在图像的中心位置和回归边界框,完成对红外弱小目标的跟踪。在包含13655张红外图像数据集上的测试结果表明:与KeepTrack跟踪方法相比,成功率提高5.9个百分点,精确率提高1.8个百分点;与TransT(Transformer Tracking)方法相比,成功率提高14.2个百分点,精确率提高14.6个百分点,证明所提方法对复杂背景下的红外弱小目标跟踪准确性更高。

基于深度学习的SAR弱小目标检测研究进展

随着合成孔径雷达(SAR)技术的不断进步,大范围观测和高分辨率成像使得SAR图像中包含了大量特征微弱的小尺寸目标,通常涵盖飞机、车辆、油罐、船舶等高价值民用目标和关键军事目标,这类目标尺寸较小、特征微弱、稠密相连、形态多变,对它们进行精确的检测是当前SAR图像解译的难题.随着深度学习技术的发展,研究者们针对SAR弱小目标的成像特性和检测挑战,通过对深度学习网络的精细调整和优化,成功地推动了本领域的进步.本文将全面回顾基于深度学习的SAR图像弱小目标检测,以数据集和方法为研究对象,深入分析SAR弱小目标检测任务所面临的主要挑战,总结最新检测方法的特点和应用场景,并汇总整理了公开数据集与常用性能评估指标.最后,总结本任务的应用现状,并对未来的发展趋势进行展望.

面向空中目标拦截的轻量化弱小目标检测方法与应用

空中目标拦截技术依赖于目标检测与跟踪技术,而弱小目标检测作为其中的难点,其效果将直接影响整个系统的性能。针对此问题,提出了一种面向空中目标拦截的轻量化弱小目标检测方法。首先,针对弱小目标全局信息较少的问题,以YOLOv5作为基础网络,使用Swin Transformer替代其结构中的C3模块,从而增强网络的局部信息捕获能力。随后,为了补偿被稀释的语义信息,在此基础上提出具备跨连接策略的特征融合网络,通过额外融合不同尺度的特征图,解决这个问题。最后,在特征融合网络上使用一次额外的上采样并融合高分辨率特征图,进一步提升网络对弱小目标检测的能力。此外,引入目标跟踪神经网络DaSiamRPN实现对动态弱小目标长时间跟踪。为保证无人飞行器上的边缘计算设备可以实时进行模型推理,在上述基础上进行模型轻量化,剔除了模型的大尺度目标检测头,以减少模型的参数量。通过计算,改进后的算法较原YOLOv5模型参数量减少了21.5%。在VisDrone2019数据集上的实验结果表明,提出的基于YOLOv5s的轻量化目标检测算法能更好地完成弱小目标检测任务,在准确率、召回率及平均精度均值上分别达到了96.3%、59%和40.2%,各指标均明显高于原始YOLOv5s算法,且优于目前主流目标检测算法。同时在TinyPerson数据集上进行泛化实验,实验结果表明,改进后算法的弱小目标检测性能得到明显提高。为了进一步验证所提方法的有效性,在无人机平台上进行了空中目标拦截的飞行测试,结果表明该方法能很好地完成目标检测跟踪任务并成功拦截目标,为空中目标拦截提供有力的支持。

多视觉传感器协同弱小目标检测

多视觉传感器协同对空实现全区域覆盖的弱小目标检测,在近距离防空领域中具有重要意义。现有的全区域覆盖方法存在覆盖率低、随机性差等问题,弱小目标检测算法存在模型大、定位及分类准确性低等问题。提出了一种高效的对空全区域覆盖算法和轻量级弱小目标检测算法,通过结合最大面积优先法和最小曼哈顿离法改善存在覆盖死角和随机性差等问题。提出密集通道扩展网络(dense and channel expand network,DCENet)模型,基于轻量级稠密拼接和自适应尺寸通道扩展方法,在弱小目标数据集上获得了比原算法更有竞争力的平均精度结果。

基于可见光-红外跨域迁移的红外弱小目标检测

红外弱小目标检测任务是红外探测领域的重点研究内容之一。然而由于其应用场景的特殊性,包含红外弱小目标的数据并不多见,且标注往往并不充分,这给由数据驱动的深度学习目标检测模型带来了挑战和困难。针对红外弱小目标数据集少、缺乏标记信息等问题,提出一种基于可见光-红外跨域迁移的红外弱小目标检测模型,将数据量更丰富的可见光域监督信息迁移到红外域中,实现红外域的无监督训练。首先,在YOLOv5的基础上设计通道增强的数据处理方法,利用低成本的通道分离技巧将可见光图像转换成类红外图像,缩小可见光域和红外域之间的模态差异。然后,构建多尺度域自适应模块,采用对抗训练的方式,对骨干网络提取得到的不同尺度特征在特征空间中进行域混淆以减小域偏移的影响,提高模型对弱小目标的检测性能。实验结果表明,所提方法改进后的模型相比各版本的YOLOv5模型检测精度均有所提升;与其他现有的无监督域自适应目标检测算法相比,所提方法在红外弱小目标的检测精度上明显占优。

基于随机化张量算法的红外弱小目标检测

为了降低基于张量低秩稀疏分解的红外弱小目标检测算法的计算复杂度,提升红外弱小目标的检测性能,将图像时空张量与随机化算法进行结合,提出了一种基于随机化张量算法的红外弱小目标检测算法。首先将红外图像序列构造成时空张量作为张量优化模型的输入,然后使用随机化张量算法求解张量优化模型,最后将计算得到的稀疏张量还原为图像,获得目标图像。结果表明,相比于传统基于低秩稀疏分解的算法,所提出的算法不仅计算速度快,而且具有较好的弱小目标检测性能。该研究为提升基于张量低秩稀疏分解的红外弱小目标检测算法的运算速度提供了参考。

一种基于ResNet的雷达弱小目标检测方法

为了解决恒虚警率(Constant False Alarm Rate,CFAR)检测算法对雷达弱小目标检测困难的问题,研究了基于卷积神经网络(Convolutional Neural Network,CNN)的目标检测方法。充分利用神经网络在特征提取上的优良性能,提出了一种基于残差网络(Residual Network,ResNet)块的雷达弱小目标检测方法。突破了传统方法仅利用幅度信息进行目标检测的框架,充分挖掘雷达回波数据中目标的相位特征作为神经网络目标分类检测的依据。经实验验证,所提出的方法在目标回波信噪比仅有-7 dB情况下,仍可实现50%以上的发现概率,并且随着信噪比的降低,所提方法的优异性越发明显。

复杂背景下红外弱小运动目标检测半仿真数据集

红外弱小运动目标检测是空中红外探测的核心技术之一,且一直是光电探测领域研究的热点问题,尤其是复杂背景下弱小运动目标检测,尚缺乏有效的技术解决途径。针对当前红外弱小运动目标检测领域数据规模小、场景类型丰富程度不足的问题,本数据集面向空中红外探测设备远距离探测空中飞行目标应用,借助小型无人机平台搭载红外探测设备,通过实地拍摄、数据加工及仿真目标嵌入处理等,提供了一套数据规模大、场景类型丰富的复杂背景下红外弱小运动目标检测半仿真数据集。图像数据采集中设置多种实验条件,以求尽可能地全方位模拟典型应用场景:为体现探测平台与目标的相对高度,设置了仰视、平视和俯视三种拍摄视角;为模拟不同场景类型,数据集获取场景涵盖了天空、水面、植被、建筑物等多种场景;为模拟被探测目标不同运动情况,数据集中采用分段拟合的方式,设置了不同复杂程度的目标运动轨迹;本数据集仿真了不同灰度分布、不同信号强度的弱小运动目标,并高质量地嵌入图像背景中。本数据集共计350段数据、150185帧图像,标注文件中给出目标坐标位置的详细标注信息。本数据集可为复杂背景下红外弱小运动目标检测、跟踪等研究提供基础数据。

基于递归标记的红外图像弱小点目标自动识别方法

为准确识别红外图像中的弱小点目标,以递归标记算法为核心提出了红外图像弱小点目标自动识别方法。采用平滑滤波器和区域生长分割法,完成待识别红外图像的预处理;应用基于递归的二值图像标记模式,扫描所有的红外图像像素点并定义相应的标记值,形成多个图像连通域;针对每个连通域分别提取几何特征和形心特征,将其应用到稀疏表示分类器和卷积神经网络分类器中,自动生成弱小点目标识别结果。实验结果显示:应用所提方法识别海面红外图像、云层红外图像和纯净天空红外图像的mAP值分别为0.95、0.96与0.91,表明其具有较好的红外图像弱小点目标自动识别效果。

融合CNN-Transformer的红外弱小目标检测方法

针对远距离红外目标探测技术中存在的弱小目标特征信息提取困难、局部背景噪声干扰强导致检测算法虚警率和漏检率偏高的问题,提出了融合CNN-Transformer的单帧红外弱小目标检测算法。针对已有方法在提取红外弱小目标特征信息时感受野受限且易受到局部噪声干扰的问题,对Swin Transformer中的窗口自注意力计算模块进行改进,设计了基于可分离卷积的局部感知增强模块,兼顾对全局信息和局部信息的提取,提升骨干网络对弱小目标空间分布信息的提取能力。针对小目标特征难以在深层网络中保留的问题,设计了自下而上的多尺度特征融合模块,在不同层级的特征图之间利用注意力机制确保小目标的低层特征信息能够在高层特征图中得以保留。在公开数据集NUAA-SIRST上进行了测试,验证了本文所提算法相比已有算法取得了更佳的检测效果,同时能够兼顾对检测精度和召回率的优化。

基于改进YOLOv5s模型的红外弱小目标检测方法

针对复杂背景下红外场景对比度低、特征不足、细节不清而导致的目标检测效率低的问题,在YOLOv5s模型基础上通过创建TCC(two-way convolution and Concat)模块并引入华为Ghost模块,提出了一种基于改进YOLOv5s模型的红外弱小目标检测方法。首先,结合红外图像的低级语义特征,采取二路卷积和多尺度思想创建了TCC模块,提升了特征提取的全面性;接着,为进一步简化网络结构、减少网络参数量,引入轻量化Ghost模块改进了SPP池化层和CSP2卷积网络;最后,以无人机为实验对象,构建了白天和夜间不同背景条件下的红外弱小目标数据集,实验验证了本文改进算法的有效性。结果表明:改进后的YOLOv5s模型在较少损失帧频的情况下,检测精度提升了1.34%,平均精度均值(mean average precision, mAP)提升了2.26%,优于YOLOv4-tiny和YOLOv7-tiny两种轻量化模型,并与YOLOv8s模型精度相当,但模型参数量仅为YOLOv8s模型的53%,完全可以满足嵌入式设备部署的需求。

水系沉积物地球化学“弱小”异常研究——以嵩县幅Au元素异常为例

传统的化探数据处理方法全区常采用统一异常下限圈定异常,存在将异常扩大或者忽略“弱小”异常的缺点,笔者在河南省嵩县地区采用统一的异常下限圈定1∶5万水系沉积物测量综合异常,发现区内Au异常弱小、零散、规律性差。通过采用地质子区异常下限衬值法对区内化探数据重新处理,发现在研究区内存在多个“弱小”异常,这些异常沿主构造方向大致断续分布,具有一定的规律性。通过对“弱小”异常开展查证工作,最终在坡根、七峰山等地发现了多个金矿(化)体。证明在高背景地球化学异常地区采用地质子区异常下限衬值法圈定化探异常并指导找矿具有良好效果,研究成果可为下一步地质找矿工作提供依据。