基于多尺度深度卷积网络的高光谱图像分类

高光谱遥感数据越来越普及并为人们广泛使用,基于高光谱数据的地面物体精确分类是高光谱遥感技术的核心应用之一。随着深度学习的发展,卷积神经网络在图像分类上表现效果优异。针对高光谱图像光谱维度高、特征丰富的特点,应用添加多尺度滤波器的深度卷积网络进行图像的像元精细分类。实验证明,结合多尺度滤波器的深度卷积网络模型可以得到更好的分类效果。     

采用改进全卷积网络的“高分一号”影像居民地提取

针对现有的高分辨率遥感图像居民地信息提取精度和效率不够高的问题，提出了一种基于改进全卷积网络的“高分一号”（GF-1）遥感影像居民地提取方法。首先，通过专业的目视解译制备大量居民地训练样本；然后，将预训练过的深度卷积神经网络进行全卷积网络的改造，并以具有多尺度卷积核的Inception模块代替由全连接层改造的卷积层，达到减小网络模型参数量、增加特征表达能力的目的；最后，用制作好的高分辨率遥感图像居民地数据集进行训练和验证，生成可直接进行居民地信息提取的全卷积网络。实验结果表明，基于改进全卷积网络的方法可以实现精确有效的居民地信息提取，Kappa系数超过94%。     

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。     

基于深度学习的船舶火灾报警技术

在船舶火灾检测报警领域,引入发展迅速的深度学习技术.在CNN的理念下,自主设计搭建轻量化的卷积神经网络,并在自行设计建立的数据集上进行迭代训练.将训练好的模型做定点量化处理,在控制精度损失的前提下,压缩模型大小,提高推理速度,得到一个较适合实际使用的深度学习网络模型.     

基于深度学习的远程视频监控异常图像检测

针对复杂场景下远程视频监控图像异常检测困难、传统算法功能单一(仅针对某种特定场景或某种异常图像进行检测)等问题,提出一种基于深度学习的全自动远程视频异常图像检测方法。首先采用Xavier方法对自行设计的卷积神经网络(Convolutional Neural Network,CNN)的参数进行初始化,然后将标准化后的视频差分图送入CNN的输入层,通过特征提取及下采样,最后在CNN的输出层获得远程视频异常图像检测结果。实验结果表明,该方法可以对远程视频监控中突然出现遮挡、模糊和场景切换等多种异常同时进行实时在线检测,准确率可达88.75〖WT《Times New Roman》〗%〖WTBZ〗。     

基于改进AlexNet卷积神经网络的人脸表情识别

为了解决传统卷积神经网络用于人脸表情识别准确率不高的问题，提出了一种基于改进深度AlexNet卷积神经网络的表情识别方法。该方法基于AlexNet网络的基本结构，采用单图形处理单元（Graphics Processing Unit，GPU）进行训练，减少了两层卷积层和一层全连接层，在每层卷积层后加上批标准化（Batch Normalization，BN）代替原来的局部归一化，并在全连接层后加上Dropout正则化进一步防止过拟合。与AlexNet模型相比，改进的网络结构更简单、复杂度低、参数量少，可以节省大量模型训练时间进行快速预测，且更不易过拟合，同时加快了模型收敛速度，提高了网络泛化能力。在Fer2013数据集以及CK+数据集上进行实验，结果表明，所提方法分别得到了68.85%和97.46%的识别率，较其他人脸表情识别方法的识别率有一定提高。     

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。     

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。     

改进的基于CNN的高光谱遥感图像分类办法

由于高光谱遥感图像光谱维度大,标注样本相对较少,提出了一种结合主成分分析和改进的二维卷积神经网络的高光谱遥感图像的分类方法。首先,通过主成分分析,降低光谱维度,消除光谱亢余信息。然后,将数据进行分块处理,获得分块数据的样本标签,并将数据分为训练集和验证集,用训练集和验证集训练改进的针对高光谱遥感图像分类的卷积神经网络的参数。最后,将测试集投入训练好的2D-CNN上进行分类,得到分类结果。实验结果表明,提出的模型的分类精度明显提高,从而验证了该方法的有效性和实用性。     

利用改进特征金字塔模型的SAR图像多目标船舶检测

深度学习模型中的特征金字塔网络（Feature Pyramid Network，FPN）常被用作合成孔径雷达（Synthetic Aperture Radar，SAR）图像中多目标船舶的检测。针对复杂场景下多目标船舶检测问题，提出了一种基于改进锚点框的FPN模型。首先将特征金字塔模型嵌入传统的RPN（Region Proposal Network）并映射成新的特征空间用于目标检测，然后利用基于形状相似度距离（Shape Similar Distance,SSD）度量的Kmeans聚类算法优化FPN的初始锚点框，并使用SAR船舶数据集测试。实验结果表明，所提算法目标检测精确率达到98.62%，在复杂场景下与YOLO、Faster RCNN、FPN based on VGG/ResNet等模型进行对比，模型准确率提高，整体性能更好。     

一种优化的卷积神经网络调制识别算法

针对非合作接收条件下信号的调制识别问题,提出了一种基于循环谱特征和深度卷积神经网络的自动调制分类算法。该算法首先利用二值化、形态学操作等技术对循环谱数据集预处理,提高网络泛化能力;然后将数据集输入到卷积神经网络模型中,经过网络的特征提取实现分类识别。在网络中添加残差块网络增大感受野,提高特征提取能力。采用Dropout、优化函数等技术优化网络结构,防止训练过拟合。仿真结果表示,与传统方法和现有的一些深度学习调制识别方法相比,该算法在低信噪比条件下有更高的准确率,具有明显的抗噪声优势,是一个有效的调制识别算法。     

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。     

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。     

深度学习技术在海关风险甄别中的应用研究

随着互联网的高速发展和人工智能时代的到来,越来越多从前必须由人脑完成的工作能够利用计算机技术来完成,而深度学习的出现更解决了传统机器学习算法在计算机视觉领域、自然语言处理领域表现不佳的问题,使机器也能够拥有准确感知图像和语音的能力。人脸识别是深度学习网络最常见的应用场景之一,具有自然、直接、方便的特点,且不需要检测对象配合,因此非常适合用于公共安全领域的风险检测。研究充分结合海关实际需求,搭建基于深度学习技术的人脸识别模型,提供对通关旅客进行实时风险甄别的解决方案,以及海关通关风险防控场景的理论参考,为后续深度学习技术在海关业务的研究提供支撑。     

毫米波雷达高压线检测技术的研究进展

高压线是威胁飞行器低空安全飞行的主要障碍,高压线的准确检测和有效预警是毫米波低空防撞雷达最重要的功能需求之一。首先介绍了毫米波雷达高压线检测技术的研究现状,其次重点分析了高压线的电磁散射特性、检测算法和检测系统三个主要方面的研究进展,提出了毫米波防撞雷达应具备大空域扫描、高数据更新率、高分辨率、小目标检测和抗杂波干扰等特点,最后指出了高压线检测技术的未来发展趋势,即基于多传感器信息融合检测、自主学习的智能化检测和深度信息检测。     

分离通道联合卷积神经网络的自动调制识别

针对通信信号的自动调制识别需要大量特征提取的问题,提出了一种分离通道卷积神经网络自动调制识别算法。该算法通过结合深度学习中卷积神经网络(CNN),分别提取时域信号的多通道和分离通道调制特征,再利用融合特征实现不同信号的分类。仿真结果表明,相比基于CNN的算法,所提算法在高信噪比下针对两个数据集的识别率分别提升7%和18%;此外,相比于基于特征提取的传统识别算法,其高阶调制识别性能平均提升3 dB。