关键词： 深度学习   军事图像识别   目标检测   卷积神经网络   循环神经网络  

摘要： 本文概述了深度学习技术的基础知识和理论背景,详细介绍了军事图像识别技术,并深入研究了深度学习在军事应用中所面临的挑战,进而探讨了基于深度学习的军事图像识别与目标检测方法。结果表明,深度学习在提升军事图像识别效率和准确性方面具有显著效果,但在实际应用中仍存在一些挑战,如数据集的构建和标注、模型的训练和优化等。通过深入研究和解决这些问题,深度学习在军事图像识别领域的应用前景广阔。

关键词： 高机动目标   目标跟踪   自适应交互多模型   强跟踪CKF   SVD分解  

摘要： 为提升高机动目标跟踪精度,提出了一种改进的强跟踪CKF自适应交互多模型跟踪算法。在IMM算法运动模型集中引入CS-Jerk模型,增强对高机动目标的适应能力,采用奇异值分解(SVD)算法解决模型集中因模型扩维而导致CKF算法无法Cholesky分解的问题;提出了一种改进的强跟踪CKF算法,降低强跟踪CKF算法的计算量;利用模型的后验信息对IMM算法模型转移概率进行自适应调整,提高跟踪精度。仿真结果表明,基于所提算法目标的位置均方根误差均值和速度均方根误差均值较IMM-CKF算法分别降低了22.50%和16.58%,有效提高了目标跟踪精度。

关键词： 视觉SLAM   动态场景   目标检测   位姿估计  

摘要： 针对传统的视觉同步定位与地图构建(SLAM)在动态场景下容易受到运动物体干扰,导致位姿估计精准度和鲁棒性下降的问题,提出了一种基于目标检测网络的视觉SLAM算法。该算法通过在ORB-SLAM2的跟踪线程中新增动态特征点检测剔除模块,从而利用静态特征点进行位姿估计。首先,选择YOLOv7作为目标检测的主干网络,结合GhostNet轻量化卷积网络和具有SE注意力机制的卷积(Conv_SE),以有效地检测周围环境;其次,对检测到的物体进行分类处理,剔除动态物体特征点,通过几何约束的方法进一步检测和剔除潜在运动物体;最后,仅利用静态特征点进行特征匹配和位姿估计。在TUM数据集上的验证结果表明,与ORB-SLAM2相比,提出的算法在动态Walk序列下,绝对轨道误差(ATE)的均方根误差平均减少96.5%,在其他动态序列下也有改进效果。实验证明,该算法在动态场景下能够显著提升系统的定位精度和鲁棒性。

关键词： 目标检测   轻量化网络   注意力机制   YOLOv7-Tiny   SIOU  

摘要： 城市路边植物的检测与识别是智能洒水车的关键技术。针对路边植被图像检测中的小目标漏检和遮挡问题,提出一种改进型YOLOv7-Tiny的植物检测算法。在创建数据集时,使用相机实景拍摄和图片爬虫抓取方法获取原始数据集,通过LabelImg进行人工标注,并采用mosaic数据增强方法扩充数据集。为兼具准确率和较高检测速度,首先将YOLOv7-Tiny网络作为baseline,在网络的Head部分引入无参数SimAM注意力机制,使网络在不增加模型复杂度的情况下聚焦更多重要的特征信息;其次在网络的Head部分将ACmix替换部分传统卷积,以实现更高效的特征融合;最后在算法中使用SIOU替换原YOLOv7-Tiny网络模型的CIOU来优化损失函数,以减少损失函数的自由度并提升网络鲁棒性。实验表明,改进算法在测试集上的均值平均精度mAP@50:95达到67.2%,相较于YOLOv7-Tiny算法提升3.1%,在保证模型轻量化的同时具有较高的检测精度,可满足智能洒水车轻量化植物检测的准确度和速度要求。

关键词： 主动声呐   水下探测   混响   噪声   非负矩阵分解   双曲调频信号   回波增强   目标检测  

摘要： 双曲调频信号是主动声呐中常用的多普勒不敏感信号。在实际使用中,由于信道变化和混响影响,目标回波较弱。针对水下航行器主动声呐探测性能下降问题,本文提出基于非负矩阵分解的双曲调频信号目标回波增强方法。该方法对目标回波和干扰信号的基矩阵分别定义,将发射信号的时频图作为目标回波的频率信息矩阵,对目标回波的时间信息矩阵做出约束,迭代处理完成目标回波的增强,获得较高增益的匹配回波检测结果。数值仿真和海上试验结果表明:本文方法与传统匹配滤波方法相比,其峰均比值提高了2 dB以上,提高了回波检测结果。

关键词： 智慧民航   目标检测   行李分类  

摘要： 针对机场旅客托运行李多样化、非规格化的特点,存在行李类别难分类,托盘回收效率低等问题,提出一种基于深度学习的目标检测算法YOLOv7对机场行李进行自动化分类的方法,通过改进后的算法来检测机场是否使用行李托盘以及对行李进行分类与定位,后续根据HSV颜色模型过滤图像背景并计算图像中白色区域面积来判定目标所属色系。最终实验结果表明,改进后的YOLOv7在本实验中针对行李类别和是否使用托盘的同时检测精度可达98.7%,色彩判定精度83%。

关键词： 行为识别   卷积神经网络   深度学习   残差网络   计算机视觉   运动特征   空间特征  

摘要： 针对视频行为识别方法中运动特征不足导致识别精度低的问题,提出一种结合空间和运动特征的行为识别算法。通过空间和运动两路卷积提取特征。空间卷积采用Res2Net作为主干网络并添加注意力模块;运动卷积细粒度地分为局部和全局特征,构造自适应通道序列重构模块提取局部特征,采用逐帧特征信息作差后聚合的方法提取全局特征。将运动和空间特征信息融合后,经过全连接层输出类别。该模型在UCF101和HMDB51数据集上准确率达到95.6%和70.7%,与传统算法相比,识别精度得到一定提升,验证了该算法的有效性。

关键词： 自然语言处理   计算机视觉   AI技术   计算机程序   人类智能   机器学习   智能行为   深度学习  

摘要： 一、人工智能治理研究现状人工智能(AI)是一个综合性的概念,不同的研究者和组织从不同角度给出了各自的定义。总的来说,AI是指通过计算机程序或机器展现出的智能行为,尤其是类似人类智能的行为,如学习、推理、判断、规划等。近年来,AI技术取得了长足进步。当前,以机器学习、深度学习为代表的AI技术在计算机视觉、语音识别、自然语言处理等领域取得了突破性进展,在许多任务上的表现已经接近甚至超过人类水平(LeCun et al.,2015)。

关键词： YOLOv5   高分辨率   遥感图像   目标检测  

摘要： 随着遥感技术的快速发展,高分辨率遥感图像以其高精度的地表细节信息,为城市规划、环境监测、灾害评估等提供了强有力的支持。但由于目标尺寸多样性和背景复杂性的增加,在高分辨率图像中准确地检测和识别特定目标面临挑战。YOLOv5在实时目标检测领域展现了出色的性能,在处理速度上具有显著优势,在多种复杂场景下保持高准确度。基于YOLOv5算法框架,提出一种面向高分辨率遥感图像的目标检测算法,引入改进多尺度特征融合技术,有效提升模型在复杂背景下对小目标的检测能力。结果表明,所提算法在高分辨率遥感图像目标检测任务中的性能优越,具有实用潜力。

关键词： 光学遥感图像   显著性目标检测   相邻上下文协调   特征精细化   注意力机制  

摘要： 为了提升网络对特征的表征,提出一种基于特征重聚焦和精细化的光学遥感显著目标检测算法。利用相邻层特征交互捕获上下文语义互补信息,并通过膨胀卷积调节感受野提取信息的范围,完成初次特征聚焦。再将注意机制作用于深层特征,组成位置引导模块,增强对显著性特征的关注,完成特征重聚焦。最后,通过浅层特征获得显著特征注意图和反注意图,引导网络进一步挖掘高置信度显著区域和低置信度背景区域的信息,精细化优化后的特征。采用EORSSD和ORSSD 2个公开数据集进行实验与评估,以证明算法的有效性。