面向复杂交通场景的道路目标检测方法

针对复杂交通场景下小目标检测精度低,容易出现误检和漏检的问题,提出一种基于改进YOLOv5s的道路目标检测算法YOLOv5s-MRS。提出基于反馈机制的特征提取网络(RFP-PAN),增加浅层特征层与反馈连接并设计IASPP模块,充分融合不同尺度的特征信息,提升网络的特征融合能力;提出级联注意力机制(SECA),在通道和空间维度上聚焦重要特征,让算法关注更加有用的信息;利用Ghost模块的轻量化优势,降低算法的参数量、计算量和模型占用空间。实验结果表明,YOLOv5s-MRS算法在KITTI数据集和VisDrone2021 DET数据集上的检测精度分别达到了93.4%和40.8%,相比原始算法分别提高了1.6和8.6个百分点,模型大小为12.9 MB,在保证实时性的同时具有良好的检测精度,在一定程度上解决了小目标的漏检和误检问题。

压缩感知算法在阵列测向中的相干信号分辨

现有算法在进行信号重建时,需要原始信号的稀疏信息来控制初始原子集的大小和算法迭代的最大次数,这削弱了重建精度,增加了计算复杂度,限制了其实际应用能力。为了克服这个问题,提出了基于正交匹配追踪算法的改进算法。该算法将阵元个数作为假设稀疏度,在稀疏度未知的初始阶段扩展初始原子集。最后通过对测量信号的幅度进行阈值过滤以实现信号的分辨和信源数的估计。为解决测向人员面对监测软件所指示的多个信号示向度中,无法分辨哪些指示方向是同一个信号源所产生的折反射信号的问题,首次提出了基于压缩感知算法的相干关系分析和相干信号分辨的模型。实测数据结果表明,该算法在不同环境下可以清晰分辨相干信号,并且能够适应多种实验平台。

基于二阶统计特性的方向向量估计算法的DOA估计

为了减小天线阵流形误差对波达方向(DOA)估计结果的影响,以及克服基于传统盲源分离算法的DOA估计算法不能应用于少通道测向设备的不足,提出一种基于2阶统计特性的方向向量估计算法的DOA估计算法。首先,根据确定性最大似然(DML)估计算法谱函数的特征,构造关于协方差矩阵的酉约束下的优化问题;然后,通过优化该问题获得各个单信号的实际方向向量;最后,将各个单信号的实际方向向量输入到空间谱算法中实现DOA估计。由于将多信号的DOA估计转化为多个单信号的DOA估计,因此在天线阵列流形存在误差时,所提算法比传统的DOA方法具有更好的DOA估计性能。由于所提算法仅需使用协方差矩阵,因此所提算法可应用于少通道测向设备。由仿真实验结果可知,在阵列流形存在误差以及测向设备为少通道测向设备时,与传统DOA方法相比,所提算法的DOA估计的准确度、抗扰度以及分辨率更高。

初始微观结构缺陷和断裂的温度依赖及相关性

纳米线(NW)结构内的微观结构缺陷对NW的机械性能存在一定的影响。NW断裂位置的预测关系着纳米器件应用的寿命,进而引起了人们的广泛关注。在本工作中,基于统计分析,分别研究了单晶铜纳米线(Cu NW)拉伸过程中出现的断裂位置以及在应力屈服点处产生的初始微观结构缺陷(初始缺陷)的位置对温度的依赖性,进一步探究了两者之间的联系。利用分子动力学(MD)模拟了单晶Cu NW在20~300 K的温度范围内的拉伸状态,共包含6个体系,各温度体系包含300个独立的样本。基于机器学习,采用density-based spatial clustering of applications with noise(DBSCAN)算法,将hexagonal close-packed(hcp)原子划分为各个初始缺陷以进一步确定其位置。统计结果显示,当温度低于50 K时,初始缺陷的位置集中在NW的两端。随着模拟温度的上升,MD模拟结果展现了单晶Cu NW的拉伸过程中的杨氏模量、平均屈服应力、平均势能等机械性能对温度的依赖性。温度的升高进一步促使了更多初始缺陷的产生,并使得初始缺陷的位置由统计分布的两端向中间平均化。与初始缺陷相比,各温度下的断裂位置集中在两端。统计结果表明,模拟的温度范围对NW的断裂位置无明显影响,但对初始缺陷的产生具有明显影响。当温度低于100 K时,初始缺陷的位置分布与断裂位置分布呈现了一致性。由于两者具有不同的温度依赖,其差异随着温度的上升逐渐显现。对不同温度下的微观结构形变行为观察发现,断裂失效明显受到NW两端的表面效应和阻挡效应的影响。最终的断裂位置受塑性形变中后期的影响,与应力屈服区产生的初始缺陷无直接联系。

变电站图纸物理回路建模方法及实现

目前变电站原始图纸信息保存单一、数字化解析程度不高,人工解析变电站原始图纸工作量庞大。为了解决该问题,提出基于可携带文档格式(portable document format,PDF)图纸智能化提取变电站设备及其连接关系信息、构建物理回路模型的方法,并根据智能变电站物理配置描述(substation physical configuration description,SPCD)文件对该方法进行具体实现。首先,对图纸中提取的图元信息进行处理;然后,通过字符串相似度匹配结合KR的贪心串覆盖(running Karp-Rabin greedy string tiling,RKR-GST)算法实现电气符号的识别,使用梯度提升决策树和逻辑回归(gradient boosting decision tree-logistics regression,GBDT-LR)混合算法进行变电站图像分类;最后,根据SPCD文件完成从原始图纸到物理回路模型的数字化描述。实验结果表明,在图元存在误差的情况下,电气符号匹配正确率达到93%,物理回路识别正确率超过90%。

基于几何序列分解与稀疏重构的DOA估计

为了解决均匀圆阵在欠定情况下对相干信号测向的问题,提出了一种利用几何序列分解与稀疏重构相结合的波达方向(DOA)估计算法。几何序列分解用于拆分相干组,并估计出每个相干组的实际方向向量,稀疏重构则对每个相干组进行DOA估计。仿真结果表明,当均匀圆阵的阵元数为M时,相比于现有算法,所提算法所能估计的最大信源数为M(M–1),并且当信源数较多时,其测向成功率和精度都更优,此外,所提算法能够解决“角度兼并”问题,并且在极少快拍数测向任务中具有一定的优势。

基于反馈机制与空洞卷积的道路小目标检测网络

随着卷积神经网络与特征金字塔的发展,目标检测在大、中目标上取得了突破,但对于小目标存在漏检、检测精度低等问题。在YOLOv4算法的基础上进行改进,提出YOLOv4-RF算法,进一步提高模型对小目标的检测性能。使用空洞卷积替换YOLOv4中Neck部分的池化金字塔,在网络更深处减少语义丢失的同时获得更大的感受野。在此基础上,对主干网络进行轻量化并增加特征金字塔到主干网络的反馈机制,对来自浅层与深层融合的特征再次处理,保留更多小目标的特征信息,提高网络分类和定位的有效性。鉴于小目标物体属于困难检测样本,引入Focal Loss损失函数,增大困难样本的损失权重,形成YOLOv4-RF算法。在KITTI数据集上的实验数据表明,YOLOv4-RF在各个类别上的检测精度均高于YOLOv4,并在模型缩小138 MB的基础上提高了1.4%的平均精度均值(MAP@0.5)。

基于改进YOLOv5的遥感小目标检测网络

受遥感图像背景复杂、分辨率高、有效信息量少等因素影响,现有目标检测算法在检测小目标过程中存在错检、漏检等问题。提出基于YOLOv5的遥感小目标检测算法YOLOv5-RS。为有效减少图像中复杂背景和负样本的干扰,构建并行混合注意力模块,采用卷积替换全连接层和移除池化层的操作来优化注意力模块生成权重特征图的过程。为获取和传递更丰富且更具判别性的小目标特征,调整下采样倍数并在模型训练过程中增加小目标信息丰富的浅层特征,同时设计卷积与多头自注意力相结合的特征提取模块,通过对局部和全局信息进行联合表征以突破普通卷积提取的局限性,从而获得更大的感受野。采用EIoU损失函数优化预测框与检测框的回归过程,增强小目标的定位能力。在遥感小目标数据集上进行实验以验证该算法的有效性。实验结果表明,与YOLOv5s相比,该算法在参数量减少20%的情况下平均检测精度提升1.5个百分点,其中,小车类目标的平均检测精度提升3.2个百分点;与EfficientDet、YOLOx、YOLOv7相比,该算法能有效兼顾检测精度和实时性。

基于频域叠加和深度学习的频谱信号识别

针对频谱监测领域频带较宽、接收机采样步进受限而造成的宽带频谱信号难以识别的问题,提出了一种频域叠加预处理和目标检测相结合的频谱信号识别方法。该方法利用频域叠加对频谱数据进行多帧叠加来突出频谱中的弱信号,将叠加处理后的频谱图像送入改进的目标检测网络中进行信号类型的识别。经过实验证明,此方法能够有效地识别7种类型的频谱信号,提出的频域叠加预处理能够提升目标检测算法的精度,并提高频谱中弱信号的识别能力,在信噪比为6 dB时,算法能够达到89.7%的平均识别率。

基于渐进式训练的多判别器域适应目标检测

基于对抗训练的域适应目标检测的研究旨在不对新数据集进行额外标注的情况下,将检测模型应用于不同的数据集。但现有算法存在目标检测和域对齐任务难以平衡的问题,且一般的单判别器结构容易局限于数据的单个模式,导致域对齐的质量下降。提出一种基于渐进式训练的多判别器域适应目标检测算法,针对传统的单判别器结构对复杂结构数据进行域对齐时的局限性,在实例级的域适应头中引入多判别器结构,使其在学习域不变信息时考虑数据的多模结构,实现质量更高、更全面的域对齐。同时,为降低引入多判别器结构而增加的模型复杂度,设计基于Dropout技术的多判别器结构,对单个判别器参数进行重复利用,并创新性地引入渐进式训练策略,即随着训练的推进逐步增大域对齐任务的比重和难度,动态平衡目标检测和域对齐任务的权重。实验结果表明,所提算法在Cityscapes到Foggy Cityscapes的域适应场景下的平均检测精度为42.9%,相比近几年该领域的新算法提高了至少0.5个百分点。

基于SAU-NetDCGAN的天气云图生成方法

天文台天气监测系统对天气云图存在巨大需求。为解决传统的生成对抗网络在扩充天气云图数据集时模型不稳定以及图像特征丢失等问题,提出一种基于SAU-NetDCGAN的双层嵌入式对抗网络天气云图生成方法,该方法由两层网络相互嵌套组成。首先,第一层嵌入式网络是将U型网络添加到生成对抗式网络的生成器中,该网络作为基础架构,利用编码器与解码器之间的跳跃连接增强图像的边缘特征恢复能力;接着,第二层嵌入式网络是将简化参数注意力机制(simplify-attention, SA)添加到U型网络中,该注意力机制通过简化参数降低了模型复杂度,有效地改善了图像暗部特征丢失的问题;最后设计了一种新的权重计算方式,加强了各特征之间的联系,增加了对图像细节纹理特征的提取。实验结果表明,该方法生成的图像在清晰度、色彩饱和度上与传统的生成对抗网络相比图像质量更好,在峰值信噪比、结构相似性的评价指标下分别提高了27.06 dB和0.606 5。

融合空间注意力的自适应安检违禁品检测方法

针对X光安检场景违禁品检测精度低,存在误检和漏检的问题,在Cascade R-CNN基础上,提出一种融合空间注意力的自适应安检违禁品检测方法 XPIC R-CNN。在ResNet50中引入可形变卷积作为主干网络,自适应地学习不同尺寸的违禁品特征;结合可形变卷积的空间稀疏采样优势和自注意力机制强大的元素间关系建模能力,提出一种空间自适应注意力模块,有效地抑制复杂背景的噪音干扰;提出一种多尺度自适应候选区生成网络,使用语义特征去指导锚框的生成,提高候选框的质量以提升网络的召回率;在级联检测器中引入在线难例挖掘训练策略,解决正负样本不均衡和小样本训练困难的问题。实验结果表明,XPIC R-CNN在数据集SIXray_PI上的平均检测精度为94.5%,召回率为77.4%,比原始算法分别提升了3.2和8.2个百分点,最高漏检率仅有10%。

基于MCMC的DOA估计及其在空域滤波中的应用

针对传统算法在进行波达方向角估计时需要进行全空间的谱峰搜索,且依赖初始化迭代和插值的缺陷,设计了一种贝叶斯估计方法。首先,构建基于均匀圆阵的频域信号处理模型,提出了基于马尔科夫链蒙特卡罗进行波达方向角估计的方法,实现了无需初始化和插值的测向算法,且不需要进行全空间的谱峰搜索即可直接估计结果,同时推导了该模型下进行波达方向角估计的克拉美罗下界。在以测向结果为先验信息,同时设计了一种新的空域滤波增益模型。利用马尔科夫链蒙特卡罗算法对信号子空间进行解耦合,然后计算滤波器增益系数,以此实现空域滤波。最后在无线电设备搭建的真实环境中进行实验,验证了基于马尔科夫链蒙特卡罗算法进行阵列波达方向角估计和空域滤波的有效性,并且与其他模型相比要明显优于后者。

基于分裂倒残差的轻量化目标检测算法

针对工业应用领域中终端设备计算能力较低且对检测算法的响应速度存在较高需求的问题,提出基于分裂倒残差的轻量型实时目标检测算法.首先,在主干网络中使用分裂倒残差结构,削减网络结构的参数量以及运算次数,以达到加快推理速度的目的;其次,引入自适应上下文感知模块以及轻量型双向特征融合模块,旨在提升特征信息交流、增加对小目标检测性能的同时,避免增加额外的学习参数与推理.实验结果表明,文中算法在参数量仅有7.5×105的情况下,MS COCO数据集中检测精度达到21.1%,移动端检测速度达到48帧/s,远超对比算法,该检测算法更适合在无法提供高计算能力的移动端设备上完成目标检测任务.

基于BERT-AWC的文本分类方法研究

针对现有文本分类算法处理中文数据时存在的分类精度低、参数量庞大、模型难训练等问题,对BERT算法进行了优化.BERT算法处理中文文本时无法提取词向量特征,为此提出了均匀词向量卷积模块AWC.通过在传统卷积神经网络中引入注意力机制来提取可靠词向量特征,再进一步获取到文本的局部特征,由此弥补了BERT模型无法提取词向量的缺点.BERT模型本身具有的自注意力网络可提取到文本的全局特征来突出全文的重点含义,与此同时在BERT算法中又引入了局部特征,通过将描述文本的局部特征以及全局特征按照重要程度进行融合,最终生成了更加丰富的文本信息.将融合后的特征输入softmax层得到模型的分类结果.平衡多头设计、层级参数共享机制、全连接层优化等方法的运用在保证算法准确度的前提下大大降低了模型参数量,最终形成了一种基于混合注意力机制的BERT-AWC轻量化文本分类算法.在多个公开数据集上的实验结果表明,相较于基准算法BERT,该算法在多个公开数据集上的预测精度均有1~5%的提升,而模型参数量仅为BERT的3.6%,达到了设计预期.

基于空间注意力与图卷积的多标签图像分类算法

针对传统多标签图像分类模型存在难以生成更接近相关标签的高层图像特征,以及因未能利用标签之间的视觉相关性而导致的识别精度不够高等问题,提出了一种基于空间注意力与图卷积的多标签图像分类算法.首先,利用图卷积网络学习标签邻接图特征和使用GLOVE算法,从标签序列获取的标签嵌入;其次,在高层语义信息中引入改进的空间注意力网络以对特定类别的语义特征进行重标定,实现背景和干扰信息的抑制;最后,在基于共现特征融合的分类器中,整合高层语义信息与图卷积网络提取的标签共现特征,采用通道一对一的方式完成模型最终预测.在两个公开数据集上进行实验表明,该算法在MS-COCO和VOC-2007数据集上的平均精度分别为81.42%和94.3%,较基础的MLGCN网络分别提升了1.13和1.3个百分点,且模型参数量仅为原模型的八分之一,训练过程中需要的迭代次数也远少于原模型,极大程度地降低了其训练成本.

基于EfficientNetV2模型迁移的车辆图像识别算法

智能交通系统中,由于车辆流动性大、道路拍摄环境恶劣等问题,传统深度学习大多只能识别车牌与数量,该领域数据集也极为稀少,基于这些问题提出一种EfficientNetV2为主干网络的图像识别模型.使用ImageNet的预训练参数,冻结部分网络快速提取图像特征,选取VOC2012数据集中交通工具部分进行领域适配,得到一个可移植性强的交通工具识别模型.将上一步得到的模型参数作为源域,二次迁移至车辆数据集,与ImageNet作为源域的单次迁移对比可知,领域相似性越高的领域迁移效果更好.最后,以上一步获得的特征提取网络及相应参数为基础,结合子空间变换法Coral对不同网络深度的特征进行约束,令模型适配特征分布有差异的新任务并加快收敛,并以随机抽取的少量样本检测模型是否有过拟合现象.通过实验可知,在小样本数据集下运用迁移学习后模型的识别精度和训练速度大幅提升,并且能便捷地再次使用于其它相似领域的识别任务.

基于MDSCLDNN-HAN的调制识别算法

针对基于深度学习的调制识别模型存在模型参数多、计算量大等问题,使用深度可分离卷积和注意力机制,提出了一种新型多通道特征融合的神经网络模型。在数据集RadioML2016.10a和RadioML2016.10b上进行实验,验证结果表明,信噪比在0 dB以上时,所提算法模型对2个数据集的识别准确率分别为92.9%和93.1%,识别准确率优于现有模型,同时参数量减少65.7%,计算量减少76.6%。

基于TC-CNN网络的残缺TACAN空/地信号识别方法

TACAN空/地信号是一种基于脉冲调制技术的短程通信信号,主要应用于方位测量和距离测量,当使用接收器捕获TACAN空/地信号时,由于信噪比、信号完整度等差异,导致信号识别率较低。针对传统模板匹配算法无法有效对残缺的TACAN空/地信号进行识别的问题,提出了一种新型卷积神经网络(Convolutional Neural Network,CNN)模型,该模型以传统CNN模型为基础,同时加入了长短期记忆(Long Short-Term Memory,LSTM)人工神经网络结构以提高模型对信号时序特征的识别能力,实验结果表明,当数据丢失率低于30%时,该模型可以达到84%以上的识别率。