基于深度学习的无人机目标识别与反制

随着低空无人机在军事和民用领域的广泛应用,其安全隐患亟需关注。本文提出一种基于改进YOLOv7模型的检测方法,并引入注意力机制,强化模型对目标区域特征的表达能力。同时,提出一种改进的StrongSORT跟踪算法,优化跟踪性能。这些研究成果提高了检测和跟踪的准确性和实时性,通过云台主动跟踪控制算法扩大了监控视野,增强了系统的跟踪灵活性。最终实现了一套完整的红外无人机检测与跟踪系统,满足了实时跟踪的需求,并探讨了其在民用领域反无人机系统中的潜在应用。

面向无人机小样本目标识别的元学习方法研究

深度学习在基于图像检测和识别的问题上取得了显著的成果,然而该方法通常需要大量标记的样本进行大规模的预先训练,因而难以解决样本量不足条件下的场景感知和认知问题。以无人机识别地面目标为背景,提出一种基于小样本训练的学习框架。首先将元学习与迁移学习相结合,通过预训练和元学习等步骤,有效减少了解决未知新任务所需的训练样本量和迭代次数。并在公共数据集(Omniglot)对该算法进行验证,得到了良好的识别结果。最后对无人机拍摄的图像数据集进行小规模样本的识别模型定义,在算法经过学习后能够输出较为准确的样本识别和分类,从而验证了该算法的有效性和先进性。