不同炮兵标准气象条件下决定射击诸元一致性分析

比较了国内炮兵标准气象条件和北约炮兵标准气象条件的气温和压力分布差异,计算了两种炮兵标准气象条件下的射程,导出了两种炮兵标准气象条件下弹道气象诸元偏差关系公式,通过算例分析了两种标准气象条件下的决定诸元的一致性。得到的结果为:尽管两种标准气象条件有差异,但两者弹道气象诸元的精确层权基本相同,气象诸元偏差修正系数基本相同,对北约标准的气压偏差为对国内标准的气压偏差加上同高程国内标准气压对北约标准的偏差,对北约标准气温偏差为国内标准的气温偏差加上相同弹道高下国内标准气温对北约标准气温的弹道温偏;两者弹道纵、横风基本相同,决定射击诸元具有一致性。

基于多级特征融合的伪装目标分割

在伪装目标分割任务中,如何提取深度模型下高分辨率的目标语义特征是构建目标分割模型的关键。针对此问题,提出了一种基于多级特征融合的伪装目标分割方法。在特征编码过程中,引入多级门控模块对Res2Net-50的多级中间层特征进行选择性融合,有效过滤各级特征图的干扰信息;在解码过程中,通过自交互残差模块驱动不同尺度的编码特征实现交叉融合,获得更准确的目标表示信息。此外,在交叉熵损失的基础上加入Dice损失形成联合损失函数,帮助模型更精准地分割伪装目标。实验结果证明,在背景复杂的迷彩伪装数据集以及三个常用自然伪装数据集上,相比其他典型模型,该模型表现出更好的分割效果。

不同毁伤律下子母弹对目标毁伤概率仿真计算

为进行不同命中毁伤律下炮射子母弹对目标的毁伤概率仿真计算,给出了服从正态分布的诸元误差和母弹散布误差抽样法,及服从椭圆和椭圆环内均匀分布的子弹误差抽样法。通过计算不同毁伤律每一枚命中子弹的毁伤概率,建立了指数毁伤律、零一毁伤律和阶梯毁伤律下子母弹对目标毁伤的3种抽样模型。分析毁伤概率的估算方法及置信区间,进行了算例计算与分析,为毁伤概率的仿真计算提供了新思路。

结合扰动约束的低感知性对抗样本生成方法

目的对抗样本是指在原始数据中添加细微干扰使深度模型输出错误结果的合成数据。视觉感知性和攻击成功率是评价对抗样本的两个关键指标。当前大多数对抗样本研究侧重于提升算法的攻击成功率,对视觉感知性的关注较少。为此,本文提出了一种低感知性对抗样本生成算法,构造的对抗样本在保证较高攻击成功率的情况下具有更低的视觉感知性。方法提出在黑盒条件下通过约束对抗扰动的面积与空间分布以降低对抗样本视觉感知性的方法。利用卷积网络提取图像中对输出结果影响较大的关键区域作为约束,限定扰动的位置。之后结合带有自注意力机制的生成对抗网络在关键区域添加扰动,最终生成具有低感知性的对抗样本。结果在3种公开分类数据集上与多种典型攻击方法进行比较,包括7种白盒算法FGSM(fast gradient sign method)、BIM(basic iterative method)、DeepFool、PerC-C&W(perceptual color distance C&W)、JSMA(Jacobian-based saliency map attacks)、APGD(auto projected gradient descent)、AutoAttack和2种黑盒算法One Pixel、AdvGAN(adversarial generative adversarial network)。在攻击成功率(attack success rate,ASR)上,本文算法与对比算法处于同一水平。在客观视觉感知性对比中,本文算法较Adv GAN在低分辨率数据集上,均方误差(mean square error,MSE)值降低了42.1%,结构相似性值(structural similarity,SSIM)提升了8.4%;在中高分辨率数据集上,MSE值降低了72.7%,SSIM值提升了12.8%。与视觉感知性最好的对比算法Deep Fool相比,在低分辨率数据集上,本文算法的MSE值降低了29.3%,SSIM值提升了0.8%。结论本文分析了当前算法在视觉感知性上存在的问题,提出了一种对抗样本生成方法,在攻击成功率近似的情况下显著降低了对抗样本的视觉感知性。