浅海海底浅层微小目标体高精度探测技术研究

浅海海底浅层微小目标体一般体积小、埋深较浅,且由于其材料制作上的特殊性,目前应用水声探测方法达不到较好的探测效果。本文从地声数值模拟角度出发,研究如何通过多道地震这一地声探测手段来实现对海底浅层微小目标体的高精度探测。首先,基于波动理论的高阶交错网格有限差分法实现对于微小目标体的正演模拟,探索不同激发主频、不同海底形态、不同掩埋深度情况下浅海微小目标体的地声传播响应特征,总结微小目标体在不同条件下的地声传播规律;其次,通过成像精度更高的逆时偏移技术,实现对于微小目标体的位置、形态的高精度成像。不同浅海微小目标体模型的试算结果表明,采用多道地震的地声探测手段,能够实现对于浅海微小目标体的高精度探测,探测的微小目标体成像位置准确、形态表征良好。

基于多尺度分层残差网络的光学遥感图像微小目标检测

针对光学遥感图像中微小目标空间分辨率低、有效特征不足等问题,在YOLOv5检测算法基础上,提出一种基于多尺度分层残差网络的光学遥感图像微小目标检测方法。设计了一种简单高效的多尺度分层残差特征提取模块,可在更细粒度水平上获得更丰富的感受野,强化神经网络的特征提取能力,进一步提升微小目标特征丰富度。在此基础上,进一步优化损失函数中的定位损失项,通过增加距离惩罚提升检测算法对微小目标的定位能力。在光学遥感微小目标检测数据集AI-TODv2和微小行人检测数据集TinyPerson上开展了系统对比实验,实验结果表明所提出算法相较于基准YOLOv5算法平均精度分别提升了5.5%和1.8%,有效提高了微小目标检测的召回率和准确率。

基于改进VariFocalNet的微小目标检测

针对航拍场景中包含的目标尺寸小、有效特征信息少的问题,提出一种基于改进的变焦网络VFNet(VariFocalNet)的航拍场景中微小目标检测算法。首先,为增强微小目标的特征表征能力,采用特征提取性能更好的循环层聚合网络(RLANet)代替ResNet作为主干网络;其次,为解决特征金字塔自顶向下融合时顶层特征信息丢失问题,引入特征增强模块(FEM);然后,为解决现有标签分配方法在微小目标标签分配上的样本分布不平衡问题,改进的VFNet采用了基于高斯感受野的标签分配方法;最后,为减小微小目标对位置偏移的敏感性,引入一种边界框回归损失函数Wasserstein损失测量预测边界框高斯分布和真值框高斯分布的相似性。在AI-TOD数据集上的实验结果表明:改进后的VFNet算法的平均精度均值(mAP)达到了14.9%;与改进前的算法相比,在航拍场景下的微小目标上的检测mAP提高了4.7个百分点。

遥感影像微小目标及动目标的变化检测方法——以小型车库和车辆为例

遥感影像在微小目标和动目标的变化检测中具有重要应用。本文以小型车库和车辆为例,综合运用微小目标检测和动目标检测方法,提出了一种综合方法来实现遥感影像中的微小目标和动目标的变化检测。该方法首先利用微小目标检测算法检测出车库中的微小目标,然后通过光流计算获得车辆的运动信息。接着,融合微小目标和动目标的特征,并利用基于深度学习的变化检测算法进行变化检测。实验结果表明,该方法在小型车库和车辆的变化检测中具有较好的性能和准确性。

微小目标图像多普勒频谱识别研究

为提高雷达对微小目标的识别精准度,基于深度信念网络对微小目标图像多普勒频谱识别方法展开研究。首先利用深度信念网络挖掘微小目标图像中的深层抽象特征,然后将对目标图像的多普勒频谱识别转换为对强杂波环境下微弱周期信号的识别,从而提高目标图像的信噪比。基于挖掘到的深层次特征,将目标图像周期信号转换为小频率信号,从而完成识别。仿真结果表明:该方法受强杂波影响较小,使得PSD图中峰值更加清晰明了,可在短时间内获得理想的识别结果,且优化了图像信噪比,从而实现了对微小目标的精准识别。

基于改进YOLOX的微小目标快速检测方法

针对微小目标检测存在准确率低、速度慢等问题,提出了一种基于改进YOLOX的微小目标快速检测方法。改进YOLOX算法中嵌入了一种轻量级的卷积块注意力模块(Convolutional Block Attention Module,CBAM),以帮助算法在大背景中找寻局部密集而微小的潜在目标区域,增强微小目标特征提取能力;使用DIoU损失函数优化收敛速度,提升目标检测的定位能力;在解耦头中引入Focal Loss作为置信度损失函数,缓解难易样本数量的不均衡。结果表明,改进算法在TinyPerson数据集上平均正确率(Average Precision,AP)最高可达52.69%,同时,改进YOLOX-s算法在Tesla P100上分辨率为1 440×928像素的图片检测速度可达35 FPS(Frames Per Second)。

基于背景抑制与特征融合的红外微小目标检测

为了解决多特征融合微小目标检测算法复杂、受到假设限制等问题,提出了一种背景抑制与特征融合相结合的海天背景红外微小目标单帧检测算法,算法采用高通滤波抑制背景,利用灰度变换强化目标特征,特征融合时不涉及像素行均值问题,克服了海天线水平的假设;采用计算量小的局部灰度最大值、局部对比度均值反差两个特征进行加权信息融合,形成特征图,检测出微小目标.实验结果表明,该算法不论在实时性、实用性还是有效性方面都取得了满意效果.

基于奇异值分解的雷达微小目标检测方法

提出了一种强杂波环境下雷达微小目标的检测方法。该方法以奇异值分解理论为基础,利用奇异值一阶、二阶差分谱进行奇异值选择,通过奇异值逆变换将雷达回波信号分解成不同的成份,从而实现杂波抑制和小微目标凸现。试验表明:该方法能有效抑制杂波,平均提升信噪比7 dB左右。

基于背景杂波自适应预测的微小目标检测(英文)

本文主要研究基于图像的强空域杂波背景下微小目标检测。本文提出了一种新的基于邻域梯度差平方累积函数最小原则的背景杂波自适应预测算法。该算法能显著改善微小目标的信杂比(SCNR)。试验证明,本算法相对于已有的多种算法,有着更好的性能。本文还引入了一种基于统计分析的快速检测算法,该算法能在较低的虚警概率情况下,获得更高的检测概率。理论分析及仿真表明,本文提出的检测系统在微小目标检测中,具有很高的实用性。

可见光偏振成像系统的微小目标检测

可见光偏振成像系统得到的微小目标图像特征较少,导致准确检测较为困难,基于此,本文设计一种可见光偏振成像系统的微小目标检测方法。根据可见光偏振成像系统获取图像原理,从多角度获取微小目标图像;通过图像空间位置,配准不同角度的目标图像,去除目标图像噪声,提取偏振特征;融合不同角度的目标图像,计算图像信息熵,增强检测目标;采用图像阈值分割的方式,划分目标图像范围,通过小面拟合的方式,完成微小目标检测。实验结果:应用该方法后检测到的微小目标图像品质因素高达0.99,图像信息熵、目标与背景对比度值较对比方法分别高0.2、0.25、0.19,0.03、0.05、0.03,检测到的微小目标具有较优的质量。

实时图像序列的空中微小目标检测和跟踪

实时图像序列空中微小目标的检测和跟踪,采用基于对比度跟踪算法。其目标检测通过确定跟踪区域、分割目标等步骤先减少噪声影响,使图像对比度增强,把目标从背景中突显出来。同时,采用相应的目标识别及跟踪、记忆跟踪等方法,计算图像的目标预计位置,并附之以形状匹配。试验证明,该算法满足微小目标跟踪要求。

远程微小目标图像的粘连区域高精度分割模型

远程微小目标图像粘连区域存在孔洞和震荡突变问题,使得传统针对微小图像粘连区域分割模型,容易产生过分割现象,分割效率较低,获取的分割结果存在较大的偏差,提出了一种优化马尔科夫随机场(MRF)的分割方法,塑造远程微小目标图像优化分割模型,采用改进势函数获取MRF的条件概率,处理图像的粘连分割问题,全面分析图像分割区域的相对高度和面积,通过优化的MRF标记准确分割区域和过分割区域,运算过分割区域同邻域的紧密度,采集紧密度最大的领域并与之融合,实现远程微小目标图像粘连区域的高精度分割。实验结果说明,所提模型可对远程微小目标图像的粘连区域进行准确分割,准确率为97%。

基于卷积神经网络的模糊图像微小目标检测方法

由于模糊图像对微小目标特征的抑制,导致对其检测的效果较低。为此,提出基于卷积神经网络的模糊图像微小目标检测方法。利用PM扩散模型对模糊图像进行背景抑制,将经过背景抑制的模糊图像输入到卷积神经网络中,结合图像的残差计算结果,完成对微小目标的检测。测试结果表明,设计方法对微小目标的检出正确率可以达到92.00%以上,检测完整性也在90.00%以上,具有良好的应用效果。

基于深度学习的遥感图像微小目标检测方法研究

遥感图像中含有大量的微小目标,只有准确检测到这些微小目标,才能实现远程目标的识别与跟踪;为了给远程跟踪工作提供有效的辅助工具,以深度学习算法为技术支持,优化设计遥感图像微小目标检测方法;利用硬件设备实时采集包含微小目标的遥感图像,通过几何校正、灰度化转换、噪声抑制、去雾以及图像增强等步骤,完成初始图像的预处理;通过前景与背景图像的分割,选择遥感图像中的待检测目标;构建深度卷积神经网络作为深度学习算法的运行环境,经过前向传播、反向传播提取遥感图像特征;最终,通过特征匹配,得出包含微小目标数量以及位置坐标的检测结果;通过性能测试实验得出结论:与传统遥感图像目标检测方法相比,优化设计方法的查准率和查全率分别提高了6.3%和10.74%,目标位置检测误差得到明显降低,且响应时间缩短了2440 ms,由此证明优化设计方法具有良好的检测性能。

YOLOv5-SATC:用于遥感图像目标检测的网络

无人机(Unmanned Aerial Vehicle,UAV)遥感图像具有成像距离远、分辨率高和目标密集等特点。本文旨在开发一种基于深度神经网络和注意力机制的学习模型,以改善无人机遥感视角下微小目标检测的性能。本研究改进了YOLOv5,并提出了一种名为YOLOv5-SATC的新无人机遥感图像微小目标检测算法。实验结果表明,该算法在NWPU数据集上优于其他主流目标检测方法。

一种基于微小运动的目标识别算法设计

针对计算机技智能识别应用中存在的问题,研究基于微小运动目标的视频跟踪对策,分析了智能识别应用的两个主要的功能,一是基于计算机辅助视觉实现对周边环境的感知判定,另外一个是对既定目标的跟踪与检测。围绕基于微小运动目标的检测算法进行深入分析和实验,以理论推导为依据,对实际应用进行仿真,最终设计了一种基于微小运动目标的检测过程和算法设计。

特征金字塔多尺度全卷积目标检测算法

基于区域建议网络构建一种特征金字塔多尺度网络结构,并结合全卷积操作完成微小目标与类别无关目标的检测.为了提升图像中微小目标的检测精度,构建基于侧链接融合的3层金字塔结构网络,充分利用语义级别比较低的图像卷积特征.为了提高类别无关的图像目标检测鲁棒性,提出特定的非极大值抑制算法,在重叠目标过滤时消除冗余目标窗口,并对目标窗口进行位置精修.在PASCAL VOC 2007、PASCAL VOC 2012以及古代绘画数据集上的实验结果表明:所提算法对于微小目标、多尺度目标检测及种类无关的目标检测的检测精度高于已有算法.

基于YOLOv5的森林火灾人员救援识别算法

针对森林火灾救援场景存在小目标实例多、人像重叠、类内个体差异小等特点,造成了救援目标识别漏检误检率高等问题。因此,提出一种基于YOLOv5的森林火灾人员救援识别算法,以提高目标检测精确度。通过将标准卷积模块改进为全维度动态卷积模块,增强目标区域的信息提取能力。同时,增加微小目标尺度预测结构,提高微小目标的识别准确性。林火人员救援数据集的实验结果表明,该方法可使模型平均精确度达到77.7%,较原YOLOv5s提高了2.4%,可有效检测森林火灾场景的人员目标,稳定提升模型的泛化性能。

空间目标监视雷达信号频率的优选准则

随着在轨微小卫星及空间碎片数量不断增加,为保证在轨卫星的运行安全,需要对微小目标进行有效跟踪探测及稳定编目。雷达作为近地空间目标监视的主用设备,在对厘米级小目标进行探测跟踪时,其工作频率是决定其能否可靠探测关键因素,高频有利于探测小目标,并可获得相对稳定的RCS,但高频信号的波束小、搜索能力较低,实现难度大,也使得成本过高。为适于实际工程应用,需从效费比出发,对频率进行优选。本文从目标RCS的角度提出一种空间目标监视雷达信号频率的优选准则,给出该准则下周长波长比ka的取值范围。为了更加清楚地说明该优选准则的应用,给出了直径5 cm和10 cm的目标在该准则下信号频率的取值范围,并与国外工作做了比较,证明该准则可行。

基于AIS与机器视觉检测的船桥智能避碰系统

为提高目标识别率,基于自动识别系统(Automatic Identification System,AIS)与机器视觉检测的船桥智能避碰系统,提出针对大背景中微小船舶目标的检测方法,主要包括图像预处理、图像处理和目标识别。试验结果表明:单纯视觉检测目标识别率可达到98.52%,AIS与机器视觉检测设备共同工作情况下识别率可达到100%。研究成果可为船桥智能避碰系统的设计提供一定参考。