全卷积神经网络应用于SAR目标检测

在合成孔径雷达（SAR）图像目标检测中,由于场景杂波的复杂多变,对背景杂波统计模型估计难度增加,从而导致多数检测器容易受到背景杂波的干扰。针对如何避免场景杂波对目标检测干扰的问题,提出了一种基于全卷积神经网络的SAR目标检测模型。该模型将目标检测任务转化为像素分类问题,利用卷积神经网络对数据集中目标像素特征和背景杂波像素的先验信息进行自主学习,有效减少了虚警目标的数量;通过对目标及其阴影区域的联合检测,提高了目标的检测概率。对多个不同场景图像进行测试,实验结果表明提出的检测模型具有良好的检测性能和鲁棒性能,与传统恒虚警检测算法相比,在无需考虑背景杂波统计模型前提下有效降低了虚警概率。     

基于遥感图像的船舶目标检测方法综述

如何在复杂环境中准确、快速地实现各类船舶目标检测是一项重要研究课题，也是保障船舶航行安全、保护领土安全、加强水域资源监管的基础。红外成像、合成孔径雷达（Synthetic Aperture Radar，SAR）以及卫星遥感等成像技术的发展为船舶检测提供了丰富的图像数据，已取得许多研究成果。介绍了船舶目标检测的过程，从基于传统图像处理技术的船舶目标检测和基于深度学习的船舶目标检测两方面总结并分析了现有船舶目标检测方法，讨论了相关关键技术，最后指出了未来的研究方向。     

结合多源特征与高斯过程模型的SAR图像目标识别

针对合成孔径雷达（Synthetic Aperture Radar，SAR）图像目标识别问题，提出结合多源特征和高斯过程模型的方法。分别利用主成分分析（Principal Component Analysis，PCA）、非负矩阵分解（Non-negative Matrix Factorization，NMF）以及单演信号提取SAR图像的特征矢量，并将它们串接为单一矢量。三类特征从不同角度描述SAR图像目标特性，从而为目标识别提供更为有效的信息。决策分类过程采用高斯过程模型进行多元分类，基于融合特征矢量获得概率意义上的最佳决策。实验中，采用MSTAR数据集设置3类目标、10类目标、型号差异以及俯仰角差异识别问题，结果验证了提出方法的优越性能。     

面向SAR图像处理的生成式对抗网络应用综述

针对缺少合成孔径雷达（Synthetic Aperture Radar，SAR）目标图像数据导致的识别网络难以训练的问题，总结了现有的基于深度学习方法的解决方案。归纳了现阶段生成式对抗网络（Generative Adversarial Network，GAN）的发展情况，以及主要的衍生模型及其特点与优势。综述了GAN在SAR图像生成与风格迁移两方面的应用情况，并合理分析了应用中的技术难点和问题。最后结合深度学习的发展趋势，展望了GAN在SAR智能解译方面的应用。     

深度卷积神经网络在SAR自动目标识别领域的应用综述

深度卷积神经网络（DCNN）可自动学习目标层次化特征,在合成孔径雷达（SAR）自动目标识别（SAR-ATR）领域具有广泛应用前景。首先,介绍了DCNN的基本原理以及DCNN在光学图像上的应用与发展;然后,介绍了SAR-ATR的基本概念,综述了DCNN在SAR图像语义特征提取、片段级SAR图像分类、基于数据增强技术的SAR自动目标识别、异质图像变化检测等领域中的前沿应用研究及代表性网络架构;最后,总结并讨论了DCNN在SAR-ATR应用中存在的参数设置经验化、算法泛化能力较弱等不足,并对未来研究方向进行了展望。     

一种基于视觉感知的舰船目标智能化识别方法

为有效识别视觉系统采集的可见光图像中的舰船目标，提出了基于YOLO（You Only Look Once）网络模型改进的10层的卷积神经网络（Convolutional Neural Network,CNN）用于水面舰船目标的智能识别，通过反卷积的方法可视化CNN中不同卷积层提取到的舰船目标特征。按照传统目标识别方法提取了舰船目标的四类典型人工设计特征，将所提CNN的舰船目标识别结果与YOLO网络模型及四类人工设计特征结合支持向量机用于舰船目标识别的结果进行比较。实验结果表明，与YOLO网络模型相比，综合精确率、召回率和效率3个舰船目标识别的性能指标，改进后的CNN性能更好，从而验证了所提方法的有效性。不同数据量下采用典型特征识别舰船目标与基于深度CNN识别舰船目标的识别结果比较说明了不同类型目标识别算法的优劣势，有利于推动综合性视觉感知框架的构建。     

《电讯技术》专题资料《雷达探测技术》题要（七）

基于模拟退火算法的SAR图像复原（彭祥龙,张扬）． 根据吉布斯马尔可夫随机场模型和SAR图像斑点噪声的伽玛分布统计特性,应用模拟退火算法,实现雷达截面的全局优化伪似然估计。本文将新解4选1的方法从极化SAR图像推广到一般SAR图像;提出一种实用有效的图像特征检测法;说明了一阶模型和零阶模型之间的联系,并给出满意的处理结果。     

基于ResNet_NSCS的通信信号调制识别

针对通信信号调制识别的特征提取问题，为进一步提高识别准确率，提出了一种基于嵌套式跳跃连接结构的残差网络（ResNet of Nested Shortcut Connection Structure，ResNet_NSCS）调制识别算法。该算法在残差神经网络（Residual Neural Network，ResNet）基础上，通过借鉴ResNet多通路选择思路，引入嵌套式恒等跳跃连接结构，利用提取的特征实现不同调制方式的分类。仿真结果表明，面向RadioML2016.10a数据集，较卷积神经网络（Convolutional Neural Network，CNN）算法和卷积神经网络_长短时记忆网络（Convolutional Neural Network_Long Short Term Memory Network，CNN_LSTM）算法，以增加网络复杂度为代价，ResNet_NSCS算法收敛速度快，识别准确率高。     

复杂轨迹合成孔径雷达后向投影算法图像流GPU成像

相对于基于傅里叶变换的频域成像算法,后向投影(BP)算法因采用时域逐点相干积累,更适合于复杂轨迹合成孔径雷达(SAR)高精度成像。但BP算法计算量巨大,限制了其应用于SAR大场景大数据量快速成像。图形处理器(GPU)具有强大浮点运算和并行处理能力,为大场景BP算法快速成像实现提供了途径。结合GPU并行处理,提出了一种基于图像流的复杂运动SAR大场景BP快速成像处理方法。该方法借助BP算法中图像像素点相互独立处理的特性,采用图像像素点并行及图像流程处理,设计了孔径与图像缓存调度方案,提高SAR大场景大数据BP算法成像效率。仿真和机载实测数据结果验证了方法的有效性,在有限GPU显存条件下实现了8 192×8 192大场景快速成像,并且成像加速比相对于传统CPU单线程处理可达300倍以上。     

多通道SAR-GMTI技术的研究进展

基于合成孔径雷达的多通道运动目标检测系统（SAR-GMTI）可以在对地面静止场景进行高分辨率成像的同时完成强杂波环境下的慢速运动目标检测，在军事和民用领域中具有很高的应用价值。首先，简要介绍了多通道SAR-GMTI系统的基本概念，对比了机载与星载、SAR成像与GMTI的同时与分时处理等不同系统的特点，并系统梳理了国内外研究现状；然后，选取分布式SAR-GMTI系统和基于MIMO的SAR-GMTI系统两个方向进行重点分析；最后，探讨了SAR-GMTI系统的研究重点，并对其发展进行了展望。     

采用深度卷积神经网络方法的毫米波图像目标检测

通过收集大量的毫米波图像并建立相应的人体数据集进行检测，提出基于Faster R-CNN深度学习的方法检测隐藏于人体上的危险物品。该方法将区域建议网络和VGG19训练卷积神经网络模型相结合，构建了面向毫米波图像目标检测的深度卷积神经网络。为了提高毫米波图像的处理能力，采用Caffe深度学习框架在图形处理单元上进行训练和测试。实验结果证明了基于Faster R-CNN深度卷积神经网络的目标检测方法能有效检测毫米波图像中的危险物品，并且目标检测的平均准确率约94%，检测速度约为6 frame/s，对毫米波安检系统的智能化发展有着极其重要的参考价值。     

基于角度距离损失与小尺度核网络的表情识别

针对人脸表情类内差异大、类间相似度高导致识别率低的问题，提出了一种基于角度距离损失与小尺度核网络的表情识别方法。网络基于3×3卷积核，在网络中加入融合空间金字塔注意力的点积残差块，引入Dropblock正则化，并提出了低层特征掩膜化。该模型低层特征具备高层特征的语义信息，而且参数量较少，结构简单有效。训练时，使用提出的基于角度距离损失函数监督神经网络学习，提高了网络的类间特征分离和类内特征聚类的特征判别能力。实验结果表明，该方法在CK+和FER2013数据集上识别准确率分别达到了97.88%和72.81%，具有较强竞争力。此外，消融实验表明所提出的改进方法可提高表情识别率，进一步验证了其有效性。     

基于显著区域提取的红外图像舰船目标检测

针对复杂海面背景下红外图像舰船目标由于灰度不均匀、海杂波干扰大等因素造成的自动检测虚警率高、准确率低的问题，提出了一种显著区域提取和目标精确分割相结合的红外舰船目标检测方法。首先，利用基于图论的视觉显著性(Graph-based Visual Saliency ,GBVS)模型计算待检测图像的显著图，使得目标区域信息增强；其次，结合舰船目标先验信息（长短轴、面积等），利用多级阈值划分算法提取关注的显著区域，并确定原图中候选目标区域；最后，利用空间约束模糊C均值(Fuzzy C-Means,FCM)算法对候选区域进行分割，结合目标先验知识对分割区域筛选并输出目标位置。所提方法在公开数据集IRShips上与相关方法进行比较，结果表明，相比直接进行全图目标搜索的方法，所提方法不仅准确率高、执行速度快，且检测目标的位置更加精确。     

改进的YOLO模型及其在舰船目标识别中的应用

针对传统目标识别方法资源消耗大、精度和可靠性低、泛化能力不强的问题,提出了一种基于改进YOLO（You Only Look Once）模型的舰船目标识别方法。通过精简YOLO模型,设计了一个10层的卷积神经网络用于舰船目标的自动特征提取和分类识别,模型训练过程中引入迁移学习的概念防止模型过拟合并加速模型参数的训练。在自建舰船目标图像测试集上的实验分析结果表明,该方法能够正确识别出航母、除航母外的其余军舰及民船三类舰船目标,识别精度达到93.7%且识别效率较高,验证了所提舰船目标识别方法的有效性。     

基于分数阶傅里叶变换的运动舰船聚焦算法

为解决合成孔径雷达(SAR)图像中运动舰船目标产生的散焦现象，结合对比度最大算法和分数阶傅里叶变换(FRFT)算法，提出了一种改进的对比度分数阶傅里叶变换(CFRFT)自聚焦算法。该算法利用分数阶傅里叶变换对已成像SAR图像进行时频域分析，根据旋转角分别利用参数模型和非参数模型对二阶相位误差和高阶相位误差进行补偿，和传统的相位梯度(PGA)法相比，图像分辨率和旁瓣比提升显著，可以更有效地补偿SAR中舰船运动产生的相位误差。对不同舰船和尾迹SAR图像实验表明，算法对二阶以上的相位误差具有较好的补偿效果，误差估计准确性高，适用范围广，解决了SAR运动舰船的散焦问题，提高了海洋舰船监测的准确性。     

基于ResNet的大型智能表面在毫米波系统中的应用

大型智能表面（Large Intelligent Surface,LIS）协助毫米波通信已经成为一种提高覆盖率和吞吐量的极具潜力的技术。为了设计LIS系统的反射波束,通常需要获取完美的级联信道状态信息。然而,由于LIS具有高维级联信道和大量无源反射元件,估计其级联信道状态信息一直是LIS的挑战之一。针对上述问题,提出一种基于残差神经网络（Residual Neural Network,ResNet）的LIS反射波束设计解决方案。该方案采用有源（连接LIS控制器的基带）和无源元件混合的LIS框架,只需要估计少量有源元件的信道状态信息便可以借助ResNet训练的网络模型预测最佳发射波束。与现有方法相比,所提出的ResNet网络可以减少训练开销,提升可实现速率,表现出更强的鲁棒性。