强干扰下水下弱目标定位空域矩阵滤波技术

针对多传感器阵列的水声信号匹配场处理,提出了三种空域矩阵滤波器设计方法。通过建立三个最优化问题,分别实现了:阻带整体响应误差约束条件下的通带响应误差最小、通带整体响应误差约束条件下的阻带响应最小、通带整体响应误差和阻带整体响应误差加权和最小的滤波器响应效果,推导给出三个最优化问题的最优解。将所设计的空域矩阵滤波器用于仿真数据处理,使用常规Bartlett处理器和MV处理器,实现了在水面强干扰存在情况下的水下弱目标定位。

基于注意力机制及类别层次结构的弱监督目标定位

弱监督目标定位是指仅利用图像级的类别标注信息来训练目标定位器,而不需要使用精确的目标位置标注信息来进行算法训练.当前的一些方法往往只能定位出目标对象中最具鉴别性的部分而无法准确地标识出完整的目标对象,或者易受背景无关信息干扰从而导致定位结果不精确.为了解决上述问题,提出一种基于注意力机制和类别层次结构的弱监督目标定位方法.该方法通过对卷积神经网络的注意力图进行均值分割提取更完整的目标区域.进一步,通过类别层次结构网络实现对背景区域注意力的削弱,从而提高对感兴趣目标的定位精度.基于多个网络结构和公共数据集上的大量实验结果表明,相比目前已有的弱监督定位方法,所提方法在多个评价指标下均能够获得更好的定位效果.

一种基于区域权重平滑的弱监督目标定位方法

由于图像类别标签的弱监督目标定位方法存在定位区域仅覆盖目标最具有显著性类别信息部位的问题,同时,区域的类别信息响应受到关键权重的影响,且关键权重的不均衡导致了定位区域响应的稀疏性,因此,提出一种基于区域权重平滑的弱监督目标定位方法。文章设计了自适应标准差正则项,以缩小关键权重差异,从而在保留网络分类能力的同时平滑定位区域。在多个数据集上实验的结果表明,采用该方法所得的定位区域覆盖面更广,定位精度更高。

基于深度学习的风机叶片复杂场景目标定位检测算法

提出一种基于深度学习的风机叶片复杂场景检测与分析方法,为了解决弱监督目标定位算法中,目标定位区域不完整,定位区域中背景内容过多的问题,提出了一种应用在风机叶片复杂场景检测,基于自适应特征矫正的弱监督定位算法。该方法引入了自适应特征矫正模块,首先将输入的特征按通道分组,每组特征按照通道平均分为两部分,对这两部分特征分别使用空间注意力机制和改进的通道注意力机制,之后对两部分特征做拼接操作,最终对各组拼接后的特征做通道随机混合操作。在CUB目标定位数据集上对比验证了方法的有效性。实验结果表明,提出方法较基于自适应注意力增强的弱监督目标定位算法能够得到更加准确的目标区域。

基于对抗擦除的细粒度图像数据增强方法

不同于常规图像识别,细粒度图像识别中不同类别的视觉差异往往只取决对象的细微部件,因此对于细粒度图像识别任务而言,发现对象具有判别力的细微部件发挥了重要作用。为此,文中提出了基于对抗擦除的数据增强方法(AEDA),在训练阶段首先通过特征图定位对象最具有判别力的细微部件作为增强的部件图像,然后擦除对象最具有判别力的细微部件作为增强的互补图像。通过输入部件图像可以使网络学习对象最具有判别力的细微部件,通过输入互补图像可以迫使网络发现对象其他具有判别力的细微部件。在细粒度图像识别领域的三个经典公开数据集上的实验结果表明文中所提数据增强方法可以大幅提升模型性能且全面优于基于擦除的经典数据增强方法Cutout。此外引入定位模块(AOLM),使文中所提方法识别性能进一步提升,在CUB、Aircraft、Car数据集上分别达到了88.7%、94.2%、95.3%的识别精度。同时该方法还大幅度提升了定位性能,表明其在弱监督目标定位视觉任务的潜力。

融合弱监督目标定位的细粒度小样本学习

目的小样本学习旨在通过一幅或几幅图像来学习全新的类别。目前许多小样本学习方法基于图像的全局表征,可以很好地实现常规小样本图像分类任务。但是,细粒度图像分类需要依赖局部的图像特征,而基于全局表征的方法无法有效地获取图像的局部特征,导致很多小样本学习方法不能很好地处理细粒度小样本图像分类问题。为此,提出一种融合弱监督目标定位的细粒度小样本学习方法。方法在数据量有限的情况下,目标定位是一个有效的方法,能直接提供最具区分性的区域。受此启发,提出了一个基于自注意力的互补定位模块来实现弱监督目标定位,生成筛选掩膜进行特征描述子的筛选。基于筛选的特征描述子,设计了一种语义对齐距离来度量图像最具区分性区域的相关性,进而完成细粒度小样本图像分类。结果在mini Image Net数据集上,本文方法在1-shot和5-shot下的分类精度相较性能第2的方法高出0.56%和5.02%。在细粒度数据集Stanford Dogs和Stanford Cars数据集上,本文方法在1-shot和5-shot下的分类精度相较性能第2的方法分别提高了4.18%,7.49%和16.13,5.17%。在CUB 200-2011(Caltech-UCSD birds)数据集中,本文方法在5-shot下的分类精度相较性能第2的方法提升了1.82%。泛化性实验也显示出本文方法可以更好地同时处理常规小样本学习和细粒度小样本学习。此外,可视化结果显示出所提出的弱监督目标定位模块可以更完整地定位出目标。结论融合弱监督目标定位的细粒度小样本学习方法显著提高了细粒度小样本图像分类的性能,而且可以同时处理常规的和细粒度的小样本图像分类。

Research Review on Marine Search and Rescue

Locating the marine target in a quick and precise way is the crucial point of implementing SAR （search and rescue） at sea, which involves aspects of developing SAR strategy and detects the marine targets. As the effect of marine target detection restricts the SAR result directly, the study has focused on reviewing the previous research about marine target detection, especially dim marine target detection. What＇s more, small target detection under complex sea status is one of the severe challenges which is research＇s hotspot and needs more endeavor. Current research results and future research directions are discussed in the paper. The findings can provide systematic view of implementing maritime search and rescue for field researchers and governors.