基于改进YOLOv8的遥感图像飞机目标检测研究

为解决遥感图像飞机目标检测时易出现检测精度低与漏检误检等问题,提出了一种基于YOLOv8算法的遥感图像飞机目标检测改进算法。首先,将坐标注意力机制模块嵌入卷积模块中,使其能提取复杂背景下的飞机小目标;然后,优化了检测头,去除了大的目标检测头,在提升小目标检测能力的同时减少算法的计算量;最后,使用WIoU作为改进的损失函数,以提高检测精度。实验表明,改进的YOLOv8算法能够有效提高飞机检测精度,可适用于遥感图像的飞机目标检测。

SAR图像飞机目标智能检测识别技术研究进展与展望

合成孔径雷达(SAR)采用相干成像机制,具有全天时、全天候成像的独特优势。飞机目标作为一种典型高价值目标,其检测与识别已成为SAR图像解译领域的研究热点。近年来,深度学习技术的引入,极大提升了SAR图像飞机目标检测与识别的性能。该文结合团队在SAR图像目标特别是飞机目标的检测与识别理论、算法及应用等方面的长期研究积累,对基于深度学习的SAR图像飞机目标检测与识别进行了全面回顾和综述,深入分析了SAR图像飞机目标特性及检测识别难点,总结了最新的研究进展以及不同方法的特点和应用场景,汇总整理了公开数据集及常用性能评估指标,最后,探讨了该领域研究面临的挑战和发展趋势。

基于深度迁移学习的复杂机场场景飞机目标检测方法

提出了一种改进的深度学习模型,旨在解决检测问题。首先基于迁移学习,微调预训练模型,提高了模型在有限的飞机数据集中的特征提取能力。其次,融入调整模块以增加深层特征图的感受野,提升模型的鲁棒性。引入特征金字塔网络,融合不同尺度的特征信息,进一步增强多尺度特征提取能力。最后,优化了检测头,融合轻量化的分类和回归并行分支,平衡了目标检测的准确性和实时性。构建了易于拓展的Aeroplane数据集,并对所提方法进行了实验验证。结果表明,所提模型在单架飞机、相互遮挡的飞机和小飞机的检测中平均精度分别提高了4.9%、4.0%和4.4%。所提方法在不同环境下表现优于其他经典方法,包括各类遮挡和夜间、雾天等复杂场景,具有良好的场景鲁棒性。

改进无锚点的彩色遥感图像任意方向飞机目标检测算法

针对彩色遥感图像上飞机目标体积小、分布密集、背景复杂导致的检测精度低问题,提出了一种改进无锚点的彩色遥感图像任意方向飞机目标检测算法。采用BBAVectors为基准模型,以ResNet50为主干网进行特征提取,在特征金字塔网络FPN后增加一条自上而下的路径扩展网络PANet模块,缩短信息路径并用低层级准确位置信息增强特征金字塔。其次,引入注意力机制CBAM模块,通过抑制噪声和突出目标特征,实现复杂环境下的飞机目标检测精度的提升。在DOTA数据集上分别进行消融实验和对比实验,并使用DOTA_devkit对数据集分别进行0.5以及1倍比例的裁切,提高模型的检测精度。改进后的模型在彩色遥感图像测试数据集上的检测精度达到了90.35%。相较于原模型,检测精度提升了0.82%。实验结果表明,该方法在彩色遥感图像中的飞机检测任务中具有更好的检测效果。

基于改进Yolov3的飞机目标检测算法

为了解决军用飞机目标检测过程中难以兼顾检测精度与检测速度的问题,提出了一种新的飞机目标检测算法。该算法建立在Yolov3的基础上,其特点是在保证检测速度的情况下,大幅提升检测精度。在提出的方法中,首先使用K-Means++聚类算法,解决了由随机初始化聚类中心带来的误差问题;其次对通过聚类得到的先验框(Anchors)进行线性拉伸,使其在贴合数据集目标大小的同时具有不同的尺度;再次,用CARAFE上采样算子构建上采样过程,使得网络能够捕捉到丰富的语义信息;最后,在网络中加入改进的通道显著性注意力机制CS-SE,使得网络能够有效关注图像前景内容,从而提高检测精度。实验表明,相比于Yolov3,所提方法 mAP@0.5增加了5.3%,mAP@0.5:0.95增加了8.0%,提高了飞机的目标检测准确率和可靠性,减少误判和漏判,使其在不同的气象条件、光线条件和目标形态下实现准确的目标检测。

基于卷积神经网络+迁移的飞机目标分类方法

为提高现代战争中对飞机目标分类识别的准确度,提出了一种基于卷积神经网络与迁移学习相结合的飞机目标分类方法.首先利用建立的飞机叶片回波模型经过短时傅里叶变换后得到所需直升机、螺旋桨飞机和喷气式飞机的时频图数据集;其次通过迁移学习对源域网络模型进行迁移,并对目标域网络模型通过微调作进一步优化;最后利用所提方法对仿真生成的三类飞机时频图数据集进行预测分类.仿真结果表明,本文方法对三类飞机目标总测试样本的平均分类识别率为99.08%,表现出了良好的分类识别效果.

面向小样本的SAR图像飞机目标分类方法

针对SAR图像中飞机目标的样本覆盖率低、类间差异度小、目标完整性差等问题,提出了一种基于传统特征与深度学习特征相融合的小样本SAR图像分类方法。首先,设计了针对小样本数据的分组卷积深度残差网络,使用分组卷积残差块替代传统残差块,并对激活函数进行优化,同时简化网络的参数结构,使网络适用于小样本数据的分类;然后,结合传统特征提取方法,针对飞机目标特性提取了几何特征、HOG特征和SIFT特征;最后,将传统特征和深度学习特征进行融合,再将融合后的特征通过全连接层和归一化指数函数,得到最终的分类结果。实验结果表明,该方法在每类训练目标样本数不超过22张的小样本SAR飞机数据集上达到了97.4%的准确率,Kappa系数为0.971。经对比,该方法相较于其他图像分类算法的识别准确率更高,在小样本SAR图像分类领域有一定的参考意义。

基于改进YOLOv4的大范围遥感影像飞机目标检测

对遥感影像中的军事目标进行检测识别具有重要的研究价值。提出了一种基于改进YOLOv4算法的大范围遥感影像飞机目标检测方法。先对YOLOv4算法框架进行改进,得到BP-YOLOv4,从而满足批量检测要求;将待检测影像按照文中提出的COCS策略进行裁切,得到切片序列;对影像切片进行批量化目标检测,并将检测结果整合;最后基于文中设计的bbox-DR算法对检测结果进行去重,并通过预设条件进一步精化检测结果。实验结果表明,所提方法在大范围遥感影像飞机目标检测中效果良好。

飞机目标红外辐射特性研究现状概述

主要介绍了近年来国内外飞机目标红外辐射特性研究现状。分别介绍了影响飞机目标红外辐射特性的主要物理因素,国外飞机目标红外辐射特性计算软件,飞机目标主要红外辐射源,飞行目标红外辐射特性外场飞行测试与相应软件仿真误差,以及国内飞机目标红外辐射特性研究现状。

基于本征极化的飞机目标识别

提出了变质极化散射矩阵对称性的最小Ｆｒｏｂｅｎｉｕｓ范数准则修正方法，并在此基础上利用本征极化理论提取了雷达目标的极化特征，对五种飞机目标进行了识别实验研究，取得了良好的目标分类或识别效果。

基于极化谱的飞机目标识别

本文基于宽带极化雷达体制背景，将动力学理论用于目标的极化散射特性分析．通过定义一种新的极化谱概念．

飞机目标在爆炸冲击波作用下的毁伤效应评估方法

从飞机结构强度设计角度出发,研究了大当量爆炸冲击波作用下飞机目标毁伤效应评估方法。根据飞机结构强度设计准则,确定了典型飞机目标的失效判据。通过有限元分析,获得了典型飞机目标机翼在均布冲击波作用下完全失效的超压值,与试验数据对比表明,该方法具有较好的合理性。在此基础上,考虑动态加载下的结构响应,通过计算不同工况下飞机目标失效的超压值和相应的持续时间,获得了飞机失效的冲击波超压-冲量准则,为后继冲击波对飞机整体毁伤效应评估提供了更为合理的方法。

基于阴影搜索法的飞机目标遥感图像分割研究

介绍阈值分割的原理并分析传统图像分割中阈值的确定方法;为提高对飞机目标遥感图像的分割效果,采用阴影搜索法对图像阈值进行判定。该算法对图像进行横向或纵向扫描,根据像素的变化频率判定阴影区域并确定目标与背景的关系,实现图像分割中最优阈值的自动提取。该算法克服了传统方法灵敏度低对分割效果的影响,有很好的通用性和有效性。

远程迎头探测飞机目标的红外辐射特性研究

研究了远程迎头探测飞机目标的红外辐射特性。分别介绍了飞机迎头的主要红外辐射源,飞机红外辐射特性的计算流程,以及红外光电系统入瞳接收到的蒙皮红外辐射能通量的计算模型,最后对远程探测水平路径大气透过率和飞机目标红外辐射强度进行仿真计算。

多特征分类的PolSAR图像飞机目标检测

针对目前有关极化合成孔径雷达(Polarimetric Synthetic Aperture Radar,PolSAR)的飞机目标检测算法虚警较多、自适应性较差的问题,给出一种复杂大场景中PolSAR图像多特征分类的飞机目标检测方法。该方法分为线下分类器训练和飞机目标检测两部分。使用Filter特征选择结合穷举法筛选出分类性能高的飞机极化特征训练SVM(Support Vector Machine,SVM)分类器;利用异化散射功率提取疑似飞机目标,进一步提取多个极化特征送入SVM分类获得检测结果。利用UAVSAR系统采集的多幅实测数据进行实验,并与现有的PolSAR图像飞机目标检测算法进行对比,结果表明该方法能够有效检测出飞机目标,并且虚警和漏警较少,方法自适应性有所提高。

低分辨机载雷达飞机目标分类识别技术研究

目标分类识别技术是机载雷达当今和未来发展的重要需求之一。目前研究较多的是基于宽带信号的目标识别,对雷达系统和目标信噪比提出了较高的要求,且对角度较敏感。考虑到现有机载雷达大多具有窄带跟踪模式和目标分类识别的需求背景下,该文提出了一种基于窄带分形和幅度调制联合2维特征的飞机目标分类识别方法。文中以支持向量机(SVM)为分类器,以实测试飞数据进行分析验证,试验结果表明,该方法能有效分类识别直升机、螺旋桨飞机、喷气式飞机,平均分类识别率在92%以上。

高频段飞机目标RCS分析

在高频波段飞机目标雷达散射截面研究中,存在因建模不够精确,而导致的结果偏差较大的问题。针对此问题采用矩量法详细分析了在建模时飞机各主要部件的尺寸变化对RCS造成的影响,指出了建模中需要注意的问题。对建模计算结果和实测结果进行了对比,验证了方法的有效性。基于对战斗机目标散射截面计算结果的分析和对比,提出了该类飞机目标RCS估计的经验公式,利用多类目标的结果验证了经验公式的有效性并给出了经验公式的估计精度。

基于层次化分类器的遥感图像飞机目标检测

在大量航空航天遥感图像中,快速发现和统计飞机目标并对其进行准确定位,在军事和民用方面均具有重要意义。结合遥感图像特点,针对飞机目标的特征,文章设计了一种基于层次化的分类器的遥感图像飞机目标检测方法。首先用基于哈尔(Haar)特征的底层AdaBoost分类器快速去除大部分非目标区域;然后用基于梯度方向直方图(Histogram of Oriented Gradient,HOG)特征的顶层支持向量机(Support Vector Machine,SVM)分类器进行精细检测。在分辨率为1m的遥感图像数据集上的实验结果表明,层次化分类器在保证较高检测率的前提下,大大降低了虚警率,可以有效解决遥感图像飞机检测问题。

基于骨架特征的多光谱遥感影像飞机目标识别方法研究

飞机目标的自动提取,是信息处理领域的重要研究内容。提高飞机目标的识别率,可以准确把握区域动态,为相关决策提供支持。由于数学形态学特征和复杂几何结构等特征相对抗干扰性较强,而骨架线由地物的边界形态决定,不受其他因素影响,具有良好的稳定性。据此,本文选取香港机场多光谱遥感影像作为试验数据,基于骨架线几何特征参数与网络测度,提出一种由多光谱遥感影像自动提取飞机目标的方法:基于边缘的多光谱遥感影像分割方法,提取矢量地物边缘;基于约束Delaunay三角网自动提取地物骨架和主骨架;选取对飞机目标识别具有良好区分度的特征参数,最终实现飞机目标的自动识别与定位。

采用独立分量分析Zernike矩的遥感图像飞机目标识别

为了提高遥感图像目标自动识别系统的准确性,提出了一种新的采用独立分量分析(ICA)Zern ike矩的飞机目标识别方法.首先对分割后的目标区域进行独立分量分析处理,将待识别目标形状转换到标准形式,然后对标准化后的图像目标提取Zern ike矩作为特征向量进行识别.通过实验表明此方法具有鲁棒性,能有效地消除遥感图像目标尺度、旋转、平移、反转和扭曲影响,能够有效地识别遥感图像飞机目标.