基于旋转去噪Transformer的遥感图像目标端到端检测

提出一种基于旋转去噪Transformer的遥感图像旋转目标端到端检测方法。首先,针对遥感图像滑窗切片时存在目标切断影响网络学习的问题,提出基于密集栅格的遥感图像数据增强方法,提升网络对不完整目标的预测能力。其次,提出旋转去噪Transformer架构的端到端检测网络,采用PVTv2提取多尺度特征,通过Transformer编码器对特征进行聚合与增强,利用Transformer解码器对目标解码,通过分类头和回归头直接实现旋转目标预测,即端到端检测。最后,提出旋转对比去噪学习方法,将去噪学习用于旋转目标检测,加速网络收敛。在2023全国大数据与计算智能挑战赛数据集上,所提方法的m AP达到了98.38%。

基于复数对比预测编码的辐射源个体识别

将无监督表征学习领域中对比预测编码技术用于辐射源个体特征提取,并结合复数网络,设计了一种基于复数对比预测编码的辐射源个体识别方法。对由实部和虚部组合而成的复数电磁信号,首先采用复数对比预测编码技术提取辐射源个体“指纹”特征,然后采用复数残差网络进行分类识别。实验结果表明,通过联合复数对比预测编码和复数残差网络的方法,极大地提高了辐射源个体识别正确率和鲁棒性,相较基于实数的神经网络算法和传统识别算法,识别正确率绝对提升了11.38%。

基于俯观相似度的遥感图像变化目标检测

提出了一种基于俯观相似度的光学遥感图像变化目标检测方法。对输入的两幅同一区域不同时段拍摄的光学遥感图像进行配准后,分别进行目标检测,提取出所有感兴趣的目标区域。采用残差网络提取目标的俯观特征,提升了特征的鲁棒性。通过计算目标间的俯观相似度,利用距离判据和相似度判据判断目标是否发生变化,实现变化目标检测。实验结果表明,提出的方法较现有的方法具有更好的性能表现,平均F1可以达到0.837。