基于SKNet注意力机制的飞机类型识别算法

飞机类型识别是细粒度图像分类的一种,重点在于设计神经网络模型使其能够分辨各飞机种类中细微而具有区分性的特征.针对当前飞机识别任务中飞机种类众多、类间差异细微、类内差异显著等问题,提出了一种基于改进SKNet注意力与数据增广的飞机类型识别算法.以ResNeXt101网络作为基础网络,改进CBAM注意力提出并行的通道-空间注意力PCSA并嵌入可选择卷积模块的不同分支,得到PCSA-SK注意力,将其嵌入基础网络以进一步融合基础网络提取的深层特征并为其分配权重.根据目标激活图中具有判别性信息的区域,在原图像上对判别性区域裁剪并加入训练集,实现数据增广.实验结果表明:该算法在FGVC-Aircraft数据集上取得了93.57%的识别准确率,优于其他飞机识别算法.

基于自编码器的飞机类型识别方法

针对人工监听识别飞机类型难度大的问题,提出了根据不同飞机发动机产生的不同噪声,通过特征提取,进而分类识别出飞机类型的一种方法。在梅尔倒谱系数(MFCC)算法特征提取的基础上,对提取的24维特征向量通过自编码器进行分类,对分类的准确率进行了仿真。实验结果表明,每一类声信号准确率均高于85%,且平均识别准确率为95.98%。针对单类别实际飞机声信号的分类准确率较其他类别准确率差的问题,提出了通过小波包分解-MFCC联合特征提取对自编码器进行优化。实验结果表明,每一类声信号准确率均高于90%,且平均准确率为97.74%。

基于短波通信的飞机类型识别问题的分析

在短波无线电通信中,因为飞机舱内环境特点及短波无线电通信信道特点,其噪声源相对复杂,声音环境相对恶劣,这会为飞机类型识别带来问题.本文首先对飞机短波无线电信道及背景噪音作出简要阐述,然后对基于短波通信的飞机类型识别分为提取背景噪音特征和利用支持向量机设计分类器这两个方面进行分析.

基于改进R-FCN框架的遥感影像飞机目标识别方法

遥感影像飞机目标识别是实现地面特定目标的精准打击、掌握机场军事价值的重要途径.针对飞机识别数据集未充分参照不同条件下飞机几何形态的问题,构建了飞机类型识别数据集,同时为进一步提高识别精度,基于区域全卷积网络(R-FCN)识别框架,提出飞机目标全卷积神经网络(AFFCN)识别方法.通过人工增强方法,扩增包含四种类型飞机影像的数量,构建了每种类型飞机识别数据集;基于深度残差网络能有效区分不同类型目标的性质,提出了飞机目标深度残差网络,并将此网络应用于R-FCN识别框架中,建立了AFFCN识别方法.仿真结果表明,该方法结合本文数据集可以准确地识别遥感影像中的飞机目标.