基于嵌入式设备的Anchor Free行人检测

通过嵌入式设备在边缘端进行行人检测能满足实时、安全与隐私保护等方面的基本需求.由于原CenterNet检测网络模型backbone通常以DLA、Hourglass等复杂度较高的多层特征融合结构,嵌入式设备的计算能力有限难以满足实时的要求,因此基于BiFPN网络结构和加权特征融合方法,通过对backbone中的不同特征层进行加权融合,改进了原来的backbone方法,在保证检测精度的同时提升了检测速度.同时针对行人这一特定的检测类别,通过修改训练期间HeatMap上高斯核分布,增加对行人检测的适应性,进一步减少了因行人之间相互遮挡而漏检造成的精度降低.在Jetson TX2上的实验结果表明,改进后的行人检测AP为0.774,同时单张图像的推理时间为68 ms,能够满足在嵌入式设备上的实时要求.

几种时频分析方法的性能比较

在时频分析算法的研究中,传统傅里叶变换无法反映时变信号中信号频率随时间变化的关系,而时频分析方法则是处理时变信号的有效工具。为了比较谱图、魏格纳-维尔分布WVD、平滑伪魏格纳-维尔分布SPWVD、局部多项式周期图LPP、S-method、高斯径向核函数RGK时频分布等6种时频分析方法的性能,针对线性调频信号和正弦调频信号,以瞬时频率估计的最小均方误差、信号的时频聚集度、运算时间等方面为指标对上述6种方法进行了比较。并且给出了上述6种方法对多分量信号和蝙蝠声音信号的时频表示比较。为处理不同信噪比下的不同信号选择合适的时频分析方法提供了依据。

基于改进的半监督主动学习的雷达信号识别

为解决在雷达信号分类识别过程中训练样本较少的问题,本文提出了联合主动学习和半监督学习,并对其伪标记样本进行迭代验证改进的分类算法。针对复杂的电磁环境下雷达信号识别率低的问题,本文将径向高斯核时频分析应用于雷达信号,并对时频分布进行奇异值分解,提取出奇异向量作为雷达信号识别的特征参数。针对传统的半监督主动学习算法的不足,利用改进的半监督主动学习算法构建分类器,该算法通过对伪标记样本进行迭代验证来提高伪标记信息的准确性,从而改善了最终的分类性能,实现了在可获取的有标签样本数量较少的条件下对雷达信号的高概率识别。仿真结果表明,本文提出的特征识别方法可以获得较高的识别率。

基于Wigner-Hough变换改进算法的多分量LFM信号检测

Wigner-Hough变换可以很好的抑制多分量LFM信号Wigner-Ville分布中严重的交叉项,但是在低信噪比时,Wigner-Hough变换完全被噪声淹没.本文提出一种改进算法,用基于信号的自适应高斯核时频分布代替Wigner-Hough变换中的Wigner-Ville分布.仿真表明,对于多分量信号在信噪比为-3dB,单分量信号在-17dB时该算法仍然有很好的性能.