一种基于扩张残差网络的雷达信号识别方法

针对低信噪比(SNR)条件下雷达信号识别率低的问题,提出一种基于多时频图像融合和扩张残差网络的识别方法。首先,通过多种时频分析方法,将雷达信号变换为不同的时频图,并对这些时频图进行融合和处理。然后,构建一种新网络模型,将扩张残差网络与特征融合提取模块相结合,对10类雷达信号进行识别。仿真结果表明,当SNR为-6 dB时,所提方法对10类雷达信号整体识别准确率达到98.7%。

基于多尺度扩张残差循环网络的图像去雨算法

针对以往方法难以同时去除不同雨纹并恢复图像背景细节的问题,提出一种基于多尺度扩张残差循环网络(multi-scale dilated residual recurrent network,MDRRN)的图像去雨算法。该算法首先在利用卷积激活层提取浅层特征的基础上,采用长短时记忆(long short-term memory,LSTM)网络与门控循环单元(gated recurrent unit,GRU),有效传递不同阶段雨纹和背景的特征;再采用3种不同扩张因子(dilated factor,DF)的扩张卷积构成的扩张残差块,扩大感受野,提取多尺度的深层雨纹、背景特征信息;通过通道注意力进一步融合雨纹信息;最后利用卷积层融合图像特征,得到无雨图像。实验结果表明:对于数据集Rain100L,所提方法与其他几种方法相比,峰值信噪比(peak signal-to-noise ratio,PSNR)提高0.51~10.01 dB,结构相似度(structural similarity,SSIM)提高0.1%~11.8%;对于数据集Rain12,所提方法的PSNR提高0.02~7.36 dB,SSIM提高1.1%~11.7%。

基于扩张残差网络的雷达辐射源信号识别

针对低信噪比条件下,复杂多类雷达辐射源信号识别存在特征提取困难,识别正确率低的问题,本文提出了一种基于时频分析和扩张残差网络的辐射源信号自动识别方法.首先通过时频分析将信号时域波形转换成二维时频图像以反映信号本质特征;然后进行时频图像预处理以保留时频图像完备信息,适应深度学习模型输入;最后构建扩张残差网络以自动提取信号时频图像特征,实现雷达辐射源信号分类识别.实验结果表明,信噪比为-6dB时,该方法对16类雷达辐射源信号的整体识别正确率能够达到98.2%,对时频图像特征相似的类LFM(Linear Frequency Modulation)信号的整体识别正确率超过95%.本文提供了一种新的雷达辐射源信号智能识别方法,具有较好的工程应用前景.

基于扩张残差网络的半荒漠化地区高速公路驾驶疲劳研究

为探究单调路侧景观对驾驶疲劳的影响过程,选取了13名驾驶人在半荒漠化地区的3条高速公路开展自然驾驶试验,采用生理仪器获取驾驶人的心率指标用于表征驾驶疲劳,提取行车记录仪中的图像用于衡量路侧景观的变化。基于扩张残差网络模型对采集的图像进行语义分割,量化了路侧各景观元素的比例,并选取“天空”元素作为路侧单调环境的量化指标。对相邻时刻图像间的天空比例变化量进行聚类,将路侧景观划分为低、中、高3个刺激等级,结合心率和路侧景观刺激等级分析了单调路侧景观对驾驶疲劳的影响。分析结果表明:存在一个将驾驶人从疲劳状态唤醒的天空比例变化量刺激阈值,3条试验路段的这一起始刺激阈值分别为2.8%,3.8%和4.6%;驾驶人的单元间心率差值随景观刺激频率和强度的增大而增大;当路侧景观刺激频率至少为3次/min或路侧景观刺激强度为4级/min时,可缓解驾驶人在单调景观路段下行驶的疲劳状态。因此,考虑到路侧景观刺激阈值的存在,在半荒漠化地区高速公路景观设计中,可通过设置合理的路侧景观刺激频率和强度,缓解半荒漠化地区高速公路单调路侧景观导致的累积驾驶疲劳,降低驾驶风险。

基于改进Faster RCNN的驾驶员手持通话检测

针对现有驾驶员通话行为识别误判率较高的问题,提出一种基于改进Faster RCNN的驾驶员行为检测方法,对驾驶员的违规手持通话进行检测.介绍了针对区域建议网络(RPN)及其损失函数的优化策略,并在原始Faster RCNN上运用多尺度训练、增加锚点数量以及引入残差扩张网络的方法增强网络检测不同尺寸目标的鲁棒性.基于车载平台上采集的驾驶员行为图像,对文中提出的方法进行仿真试验.结果表明:RPN和Faster RCNN通过交替优化共享特征提取网络部分,实现高效的目标检测,相较于原始Faster RCNN,检测精确度提高了3.8%,对环境的适应性更强.

基于多流扩张残差稠密网络的图像去雨算法

针对传统图像去雨算法未考虑多尺度雨条纹及图像去雨后细节信息丢失的问题,提出一种基于多流扩张残差稠密网络的图像去雨算法,利用导向滤波器将图像分解为基础层和细节层。通过直接学习含雨图像细节层和无雨图像细节层的残差来训练网络,缩小映射范围。采用3条带有不同扩张因子的扩张卷积对细节层进行多尺度特征提取,获得更多上下文信息,提取复杂多向的雨线特征;同时,将扩张残差密集块作为网络的参数层,加强特征传播,扩大接受域。在合成图片和真实图片上的实验结果表明,所提算法能有效去除不同密度的雨条纹,并较好地恢复图像细节信息。通过对比其他算法,证明了所提算法在主观效果和客观指标上都有提升。

一种乳腺X线影像肿块的多特征融合检测算法

针对在单视图的乳腺肿块检测算法中漏检率和假阳性率较高的问题,提出了一种改进的自动检测算法。将扩张残留网络(Dilated Residual Network,DRN)结合重新设计的特征金字塔网络(Feature Pyramid Network,FPN)用于对乳腺肿块的检测。首先利用DRN中的膨胀卷积,减少对图像的下采样次数;再扩充网络的深度,使其输出满足FPN所需的输入;在FPN结构中,采用注意力机制降低不同特征图直接融合所造成的信息损失,同时采用密集连接代替原有的横向连接,充分融合浅层特征中目标的位置和细节信息。仿真实验显示,所设计的模型在CBSI-DDSM数据集上的检测精度相比于基准模型提升了7.1%。

基于孪生DRN的遥感图像建筑物变化检测

针对传统的语义分割网络对中小目标存在漏检和误检,以及对于建筑物边界检测模糊的情况,提出一种基于孪生扩张残差网络(Dilated Residual Networks,DRN)的建筑物变化检测方法。该方法采用编码器解码器结构,在编码阶段使用具有更大感受野的DRN进行特征提取,并在网络的第三层和最后一层加入了RepMLP和金字塔池化模块,在解码阶段将编码器提取出来的各阶段的特征上采样到同一大小然后融合,最后上采样到原图大小得到最终的变化结果图。实验结果表明,本模型在精确率、召回率、F1等指标上均有所提升。

基于DRN和Faster R-CNN融合模型的行为识别算法

针对传统单人行为识别算法易受行人形态多样性、背景和光照等影响的问题进行研究。基于扩张残差网络(DRN)的精准分类效果及目标检测网络Faster R-CNN在目标追踪方面的准确性,提出了一种DRN和Faster R-CNN的融合网络模型。该模型在Faster R-CNN中融入DRN的扩张卷积残差块代替原来的一般卷积层,并对融合模型进行了两方面的改进:在每一层前面添加一个batch normalization层;用三层扩张卷积残差块代替部分两层残差块。实验结果表明三种融合网络识别算法在Olympic sports dataset上较其他行为识别算法取得了更高的mAP。其中,包含三层扩张卷积残差块的融合模型识别性能最好,mAP达到78.9%。