关键词： 小样本目标检测   先验知识   视觉语言模型   知识蒸馏   图像生成  

摘要： 小样本目标检测旨在对于图像中显著缺乏标注样本的前景类目标同时进行定位与分类。在小样本目标检测的主流方法中,模型通常需要先在具有丰富标注样本的基类数据上学习先验知识,之后再将这种知识用在具有小样本性质的新类数据上并进行微调。然而,由于基类数据能提供的先验知识较为有限,以此为基础进行微调得到的检测器普遍存在对于新类目标的识别错误与表征不良问题。此外,为缓解新类样本多样性欠缺问题而设计的方法,普遍受限于数据来源,能获得的增益相对有限。因此,本文引入并利用外部先验知识,针对小样本目标检测存在的上述三个问题,开展研究并设计方法,其具体内容包含以下几个方面: (1)针对小样本目标检测器存在的新类目标识别错误问题,本文提出了一种基于区域级分数矫正的方法。该方法将视觉语言模型与可学习的文本提示相结合,设计了区域级分数矫正分支,以利用包含在视觉语言模型中的先验知识,为候选区域提供高质量的前景分类分数。为了使得模型对于候选区域的最终分类分数既能反映对于背景的判别,又能更好地表示前景类别的置信度,该方法在上述分支与检测器之间设计了基于一种分数规范化方法的区域级分数融合模块。 (2)针对小样本目标检测器存在的新类目标表征不良问题,本文提出了一种基于知识蒸馏与特征归纳的方法。该方法以包含着先验知识的视觉语言模型作为教师网络,通过区域特征蒸馏与分类分数蒸馏的方式,令作为学生网络的检测器学习一种更完善的新类目标表示方式。其中,为了加快模型的训练速度,该方法设计了区域特征表达器以取代视觉语言模型中的图像编码器。此外,该方法在训练与测试阶段,分别构建了动态与静态的特征库,并利用从中归纳得到的一般规律,实施了新类特征增广与原型分数校准,以强化检测器的新类识别能力。 (3)针对小样本目标检测中存在的新类样本多样性欠缺问题,本文提出了一种新类实例生成方法,其主要利用图像生成等模型中包含的先验知识,生成并构造伪新类样本。该方法首先应用文本生成模型与图像生成模型,结合设计的文本提示与图像选择方法,以得到高质量的生成图像集合。其次,该方法对上述集合中的图像先后进行显著区域分割与随机粘贴背景,并应用掩膜自编码器进行前景目标区域重建,以得到用于新类增广的高质量生成实例。最后,上述实例结合一种多流数据输入方式参与训练,以降低由生成实例中的噪声带来的影响。

关键词： 遥感图像   目标检测   能量最小化   神经网络   鲁棒性  

摘要： 遥感图像凭借其丰富的光谱信息,为地物辨识创造了有利条件,使得遥感图像目标检测技术在军事探查、环境监测和农业分析等领域具有广泛应用。随着高分辨率传感器与人工智能技术的深度融合,遥感图像目标检测的准确性与智能化水平持续提升,呈现出广阔的发展前景,已成为支撑智能遥感决策与地理空间认知的核心技术手段。然而,遥感图像在提供丰富光谱信息的同时,也增加了沉重的计算负担,导致许多传统的遥感图像目标检测算法难以在保证检测精度的同时满足实时性需求。另外,现有的大多数遥感图像目标检测算法在设计过程中没有考虑各种环境噪声对检测结果的影响,极大限制了其在实际场景中的应用。 针对现有遥感图像目标检测算法的不足展开深入研究,主要研究内容如下: (1)针对遥感图像目标检测器建模问题,通过将期望目标的等式约束放宽为不等式约束提高了检测器在波段数较少时的检测性能,极大拓展了其应用范围。此外,通过引入时间信息动态设计滤波系数,提高了检测器对时变信息的捕捉能力,从而构建了一种等式和不等式约束的能量最小化检测器。 (2)针对等式和不等式约束的时变二次规划实时在线求解问题,提出一种基于梯度的速度积分补偿神经网络模型。严格的理论推导和数值仿真实验证明了该模型的全局指数收敛性和时变噪声干扰下的鲁棒性,为噪声环境中的遥感图像目标检测问题提供了理论支撑和神经网络求解框架。 (3)针对遥感图像目标检测方法设计问题,提出一种基于神经网络模型优化的遥感图像目标检测方法,并将其用于不同场景的遥感图像目标检测实验。可视化检测结果和相关性能评价指标均证明了所提出方法的有效性和优越性。通过传统遥感图像处理技术与神经网络方法的结合为遥感图像目标检测提供了新的神经网络范式和研究思路。

关键词： 雷达目标检测   异常检测   GANomaly   自注意力机制  

摘要： 对海面慢速小目标的检测一直是雷达杂波中目标检测的难点问题,其中复杂多变和较强的海杂波环境成为制约目标检测效果的主要因素。由于海杂波的非平稳、非高斯、非均匀的复杂特性,统计模型难以完美拟合实际海杂波数据出现失配,导致传统的基于统计模型的检测方法效果不佳,难以满足实际场景应用的需要。 深度学习方法的不断发展为雷达海面目标智能和高效检测提供了新的可能,本文在海杂波目标检测任务中引入相关深度学习方法,基于异常检测思想构建智能检测模型,以提高海杂波背景下低信杂比目标的检测性能。本文的具体工作如下: 1.分析了海杂波的相关特性和分布特性,针对实测海杂波数据进行了预处理以构成训练数据集,并叠加不同目标构成测试数据集,在此基础上,对基于统计模型的恒虚警检测方法进了仿真实验,验证了模型失配情况下传统检测方法的性能下降。 2.分析基于WaveGAN模型的目标检测方法原理,针对现有模型不适应异常检测的问题,改进了特征提取方式、损失函数设计和网络结构,在实测海杂波背景下进行了试验验证,结果表明改进后的检测器相比原判别器在不同信杂比条件下性能均有提高,且相比恒虚警检测方法适应性更强,相同信杂比下检测概率提升幅度约为30%。 3.改进WaveGAN模型对低信杂比目标检测性能仍显不足且未利用目标速度信息,针对这一问题,本文进一步提出了一种基于GANomaly的检测方法,结合自编码器和生成对抗网络,并联合边缘谱特征和分布特征,以生成器的重构误差作为判别依据进行检测。实验结果表明,该检测器进一步提高慢速目标检测性能,且在低信杂比下相比WaveGAN方法检测概率提升幅度最大约为30%。 ***模型未能充分利用回波数据中的长期依赖关系和全局时序特征,本文针对这一问题引入长短期记忆网络和自注意力机制两种改进方法。实验结果表明,改进后的检测器在不同信杂比实验条件下均表现出更高的检测概率;其中,使用长短时记忆网络改进后在相同信杂比下检测概率提升约10%,而引入自注意力机制后的模型在低信杂比条件下提升约25%,并且在效率方面具有明显优势。

关键词： 简缩极化SAR   目标检测   多极化特征   超图卷积  

摘要： 合成孔径雷达(Synthetic Aperture Radar,SAR)凭借全天候成像优势,成为了海上目标检测的核心手段。单极化SAR仅依赖散射幅度,难以区分相似散射特性的目标和干扰。极化SAR可以通过多极化组合提升目标辨识度,其中简缩极化SAR采用特殊的双极化发射模式,能够获取比传统双极化模式更加全面的极化信息,同时拥有比传统全极化模式更大的成像幅宽,在海上典型目标检测方面具有重要的技术优势和应用潜力。然而,传统的简缩极化目标检测方法主要聚焦于单一目标的检测,难以满足在复杂场景中对多类别目标进行检测的实际需求。因此,本文以提升简缩极化SAR目标检测的精度与任务复杂度为核心目标,开展了一系列研究工作: (1)针对简缩极化SAR海上目标数据稀缺问题,本文提出了一种基于生成对抗网络(GAN)的简缩极化船只数据增广方法。该方法首先构建简缩极化SPAN数据集,随后通过特征降维提取数据的主要特征分布,以此为物理约束并结合真实特征数据驱动GAN模型生成多样化的增广样本,最终构建了SPAN扩增数据集。相较于扩增前,扩增后的数据集应用于主流检测模型时,平均准确率提升了0.4%-2.7%。 (2)针对船只目标在尺度差异条件下简缩极化特征利用不足的问题,本文提出了几何自适应双域小波网络。为自适应学习船只的几何特征,构建了基于偏移量学习的变形卷积模块;为增强简缩极化数据在频域的边缘纹理特征,构建了小波变换模块(G-DWT),该模块进行二维离散小波分解并叠加高频子带(LH、HL、HH);为有效融合空域和频域信息,构建了注意力联合机制,并在特征金字塔网络中实现特征融合。实验结果表明,本文方法相较于最优主流检测方法在平均准确率上提升1.5%。 (3)针对简缩极化SAR的多极化特征与船只、岛屿和桥梁目标在特征空间的高阶语义边界模糊问题,本文构建了简缩极化多通道超图卷积网络。首先设计了基于特征选择的多通道超图卷积算法框架,通过OSP算法分离目标/背景特征区域,结合帕累托前沿评估筛选出六维关键极化分量以消除冗余。在检测网络中构建多通道融合编码模块实施特征压缩与语义增强的双重优化;引入超图卷积网络,利用超边建模极化特征间的高阶关联,实现几何散射特征与语义空间的联合的映射推理。基于构建的简缩极化多目标数据集的实验表明,该方法相较于对比实验中检测效果最佳的主流模型,在平均准确率上提升了10.6%。 本文的研究有效改善了简缩极化SAR在复杂海上场景中目标检测与表征能力,为其在海上目标检测方面提供了新的方法支撑。

关键词： 铁路异物侵限检测   计算机视觉   深度学习   目标检测   轻量化网络   特征融合  

摘要： 针对传统铁路异物侵限检测方法成本较高、效率较差的问题，该文提出一种基于计算机视觉的铁路异物侵限检测方法。首先，采用基于分类的钢轨检测算法对钢轨进行分段定位；其次，设计轻量级的异物检测网络，实现对铁路异物的识别与定位；最后，结合异物与钢轨检测结果，对侵限行为进行快速、准确的判定。试验结果表明：该文的检测算法在铁路场景下具有较强的检测精度与速度。

关键词： 目标检测   AI嵌入式   网络轻量化方法   精度优化技术  

摘要： 深度学习目标检测技术在空对地观测军事和民用技术领域具有极广的应用潜力。由于受空中载体平台计算资源与计算能力限制,深度学习目标检测网络的参数规模与目标检测性能面临着诸多挑战。网络参数规模过大,可能无法向硬件平台移植或移植后网络性能会大幅下降,达不到网络设计技术指标要求。本文旨在研究目标检测深度学习轻量化网络技术方案以及网络轻量化技术途径,并在AI嵌入式平台上进行验证,探索面向AI嵌入式硬件平台的目标检测深度学习网络技术方案。主要研究内容如下: 1)目标检测深度学习网络轻量化方法研究。研究深度学习目标检测网络各模块的原理与计算量,分析典型模型轻量化技术在AI嵌入式设备上的应用效果,分析典型轻量化网络模块结构与性能,为新型轻量化网络的构建提供技术支撑。 2)目标检测轻量化深度学习网络构建方法研究。以YOLOv5s为研究对象,引入Faster Net的PConv卷积操作重构主干网络,采用Dy Sample上采样算子替换颈部连接网络部分原算子减少计算量与延迟,构建完成了FDSNet网络。从网络参数量、计算量、推理速度等方面进行了对比分析,完成了网络性能评价。 3)基于知识蒸馏的轻量化网络优化方法研究。针对FDSNet精度下降问题,应用WIo Uv3损失函数替代原损失函数,通过动态非单调聚焦机制平衡样本质量差异,缓解小目标对损失函数的影响;在网络中添加CA注意力机制,融合跨通道信息并保留坐标细节来提升网络对目标位置的感知能力;构造知识蒸馏算法框架,采用YOLOv5l作为教师模型,指导轻量化网络训练,进一步提升检测精度。从网络检测精度和推理速度等方面对比分析,完成了轻量化网络优化方法的有效性验证。 4)目标检测网络AI嵌入式平台移植方案研究。以国外NVIDIA Jetson TX2平台与国内华为Atlas 200DK平台为研究对象,进行深度学习目标检测网络移植方案研究,对比分析轻量化网络与精度优化后网络在不同AI嵌入式平台的推理速度与检测精度表现,验证优化方法的有效性。 通过实验验证,本文所构建的目标检测轻量化网络,经过知识蒸馏算法网络优化后,表现出高精度的目标检测性能与较小的深度学习网络参数量,在嵌入式平台上移植后具有良好的目标检测性能。

关键词： 深度学习   数据驱动   防火服目标检测   主动学习   计算机视觉  

摘要： 电石作为重要的工业原料,需求持续高涨。然而,电石生产过程高温高压,环境复杂,对从业人员的人身安全构成了严重威胁。尽管员工需穿戴防火服等装备,但由于监管不到位和技术手段有限,安全事故仍屡屡发生。因此,结合计算机视觉技术,将目标检测方法应用到员工的安全帽、防火服监测中对提高生产管理的安全性具有重要意义。目前基于深度学习的目标检测方法受到了研究人员的广泛关注。然而,电石生产环境的复杂性使得通用检测框架在防火服数据集上效果不佳,同时实际应用中深度学习模型面临高昂的数据标注成本,基于上述问题本文研究了基于数据驱动的电石炉场景中安全帽、防火服等目标检测策略,主要工作有: 1、提出了一种基于动态马赛克增强和平衡焦点损失处理策略的YOLOv7-tiny检测优化方法。首先针对小目标数量多引起的尺度失衡,设计了基于损失反馈的马赛克增强,将小目标的定位损失作为反馈信号指导数据增强过程,从而动态调整训练样本的尺度分布;然后采用平衡焦点损失处理单级检测器的类别失衡问题,通过调节简单样本和困难样本的损失权重来缓解常见类别对罕见类别的精度抑制,从而提高模型对着装不合格目标的识别精度。实验表明改进模型在防火服数据集上AP50和m AP分别提升3.4%和4.9%,且未增加额外的参数量和推理时间。可视化结果表明改进模型漏检误检较少,表现出较强的抗干扰能力。 2、为给深度学习应用提供高效经济的解决方案,改进了一种适用于电石炉场景中目标检测的主动学习框架。该框架在Consistency based Active Learning for Object Detection的不确定性信息评估方式基础上,首先通过边缘滤波初始化策略筛选边缘信息丰富的样本训练模型,使得初始模型保持在较高精度,并提高整个学习周期信息评估的准确性。其次为避免样本偏差并提高标注利用率,设计了基于模型引导的多样性增强策略,在待标注集中通过相似性矩阵筛选特征差异显著的样本集合,并结合模型敏感的增强方式生成训练增强集。实验结果表明,优化框架在防火服数据集上仅需50%的标注数据即可达到全量数据训练99.6%的性能,在VOC数据集上以70%的标注数据达到全量数据训练98.7%的性能,显著降低了标注成本。