自动目标识别

摘要： 为利用合成孔径雷达(synthetic aperture radar,SAR)目标不同特征数据间的相关性与互补性,提出一种基于多特征的Tikhonov正则化核函数协同表示(multi-feature kernel collaborative representation-based classification with tikhonov regularization,MFKCRT)算法。采用美国运动和静止目标获取与识别(moving and stationary target acquisition and recognition,MSTAR)计划公开发布的SAR图像数据库进行实验,实现核函数变换空间上的多特征融合协同表示识别。实验结果表明:该算法相较于基本的协同表示,具有更优的可靠性与鲁棒性。

摘要： 自动目标识别是一种面向任务的信息压缩与精细化处理过程,可为军事杀伤链中发现、锁定、跟踪、瞄准、交战、评估诸环节提供识别目标信息列表。近年来,在智能化浪潮助推和无人作战需求牵引下,各类无人察打平台迅猛发展,而其自主侦察与精确打击能力生成的关键在于及时、高效地发现识别场景中的时敏目标。经与主编樊会涛院士共同策划,《航空兵器》面向研究人员推出时敏目标智能识别技术专题。

摘要： 红外成像导引头是弹上发现和跟踪目标并产生姿态调整信号和参数,实现精确制导和精准打击的关键装置。概要介绍了红外成像导引头的功能和构成,梳理了国内外几种代表性的红外精确制导武器和红外导引头发展沿革,以及美国国防预先研究计划局(DARPA)近十年多来有关红外成像探测和精确制导项目的立项进展情况。在此基础上,分析了红外导引头成像探测、红外图像实时信号处理、成像制导武器中自动目标识别(ATR)等关键技术;综述了制冷和非制冷型红外焦平面阵列(FPA)探测器、多波段/偏振成像探测器、激光与红外复合成像、非传统成像,以及应对复杂多变/强对抗作战环境条件下基于深度学习与人工智能的红外图像信号实时处理算法和弹载ATR算法、支撑算力的硬件架构等技术的最新进展。

摘要： 随着雷达技术的不断发展,雷达自动目标识别算法不断普及,算法识别性能的各项影响因素不能忽略。本文通过对飞机的变化结构、电磁散射模型、回波仿真的分析,简要解释了目标外形变化对雷达自动目标识别算法的性能影响。

摘要： 自动目标识别(ATR)是一个和信号与信息处理、模式识别、人工智能等学科密切相关的特殊工程技术应用领域。由于ATR系统识别对象固有的不确定性,识别环境的复杂性,以及日益加剧的识别对抗性,使得ATR的发展一直面临着从理论到技术、到应用的系统性挑战。该文从工程视角出发,阐述了ATR的定义与内涵,简要回顾与分析了该领域发展动态,梳理了ATR的核心技术体系与系统开发模式,最后对未来的发展挑战做了分析。

摘要： 军事技术决定战争形态。人工智能作为最重要的颠覆性技术,在军事领域的运用曰趋广泛深入,成为引领世界新军事革命的主要因素,未来必将改写战争规则,催生智能化战争。智能目标识别,作为一项面向探测预警、情报侦察、态势感知、精确制导等多个军事应用领域的关键使能技术,以人工智能为技术手段,能够解决战场自动目标识别的关键问题,是打赢未来智能化战争的重要手段之一。

摘要： 提出了一种基于神经网络可视化的声呐图像自动目标识别技术,能够仅依靠样本类别标签实现对声呐图像目标的定位与识别,较大减少了人工成本,也使得方法容易泛化到声呐图像的不同数据集上.该方法首先使用Grad-CAM技术可视化解释神经网络,并作为可视化输入图像目标位置的基本方法,之后与ResNet-18主干模型结合实现了基于神经网络可视化的声呐图像自动目标识别技术的基础模型,并在真实声呐图像数据集上进行了实验验证.针对因为声呐数据集的不丰富而造成的模型目标定位失准的问题,该方法进一步通过迁移预训练参数,优化基础模型提取特征的能力,从而使得该方法在实际定位和识别声呐图像目标时的准确率和鲁棒性有了明显提升.

摘要： 针对传统基于前视模板的匹配算法中难以直接识别与跟踪建筑等目标的问题,提出基于特征匹配的对陆导弹目标识别模型.该模型通过对末制导导引头图像预处理,利用改进YOLOv3深度学习目标检测算法和改进Deeplabv3+深度学习语义分割算法来识别目标区和烟雾区,采用并行法排除烟雾遮挡对目标识别的干扰,最终判别分析规则判断模型是否识别成功.仿真实验结果表明,该模型能够快速有效精确地完成对陆地目标的识别,兼具较好的抗烟雾干扰能力,有利于提高对陆导弹的目标识别水平与作战效果.

摘要： 合成孔径雷达(SAR)的自动目标识别(ATR)技术目前已广泛应用于军事和民用领域.SAR图像对成像的方位角极其敏感,同一目标在不同方位角下的SAR图像存在一定差异,而多方位角的SAR图像序列蕴含着更加丰富的分类识别信息.因此,该文提出一种基于EfficientNet和BiGRU的多角度SAR目标识别模型,并使用孤岛损失来训练模型.该方法在MSTAR数据集10类目标识别任务中可以达到100％的识别准确率,对大俯仰角(擦地角)下成像、存在版本变体、存在配置变体的3种特殊情况下的SAR目标分别达到了99.68％,99.95％,99.91％的识别准确率.此外,该方法在小规模的数据集上也能达到令人满意的识别准确率.实验结果表明,该方法在MSTAR的大部分数据集上识别准确率均优于其他多角度SAR目标识别方法,且具有一定的鲁棒性.

摘要： 基于深度学习的图像解译技术在多个领域都取得了巨大成功,在合成孔径雷达(Synthetic Aperture Radar,SAR)图像分类、检测、分割等问题中也逐渐开始广泛应用.现有的SAR图像分类深度学习模型由于训练数据集样本量较小易过拟合,样本的微小改变易导致模型分类错误,产生对抗攻击现象.针对上述问题,本文从攻击方法、攻击结果和攻击目标三方面说明了SAR图像对抗攻击存在的问题和挑战.本文聚焦SAR图像的稀疏性,具体阐述了稀疏攻击提出背景和SAR图像中稀疏性的表现形式,并就常见稀疏攻击方法进行分析总结.文章在MSTAR数据集上验证了现有的稀疏攻击方法的有效性,分析了算法计算效率和成功率、耗时等指标,并对SAR图像分类稀疏对抗攻击方法进行展望.

摘要： 为了提高合成孔径雷达(Synthetic Aperture Radar,SAR)的目标识别性能,文章通过联合多种特征的信息,提出了一种基于联合动态稀疏表示模型的SAR自动目标识别方法.首先,根据原始SAR图像提取两种特征,即图像域幅度特征和尺度不变特征变换(Scale-Invariant Feature Transform,SIFT)特征,基于两种特征的互补性对两种特征信息进行联合利用.其次,结合训练目标的两种特征及测试目标的两种特征,采用联合动态稀疏表示模型对两种特征进行融合,求出两种特征下的稀疏表示系数.最后,依据两种特征下的重构误差实现对测试目标的识别任务.在MSTAR3类和10类数据集上进行了目标识别实验,实验结果验证了文章方法相对于现有的方法能够取得更好的识别性能.

摘要： 自20世纪60年代末开始发展自动目标识别技术以来,红外成像自动目标识别一直是一个引人关注的研究领域,经过近40年的发展历程,自动目标识别领域从采用统计模式识别为主到基于模型的视觉和基于知识的系统,为了提高自动目标识别系统的自适应和学习能力,又将人工神经网络、支持矢量机及深度学习等技术应用于自动目标识别领域,众多的研究者认为他们所研究的方法能够显著地提升自动目标识别系统的性能,如倡导基于神经网络的研究者就曾认为采用神经网络技术途径能够克服基于统计模式识别的自动目标识别系统和基于知识的自动目标识别系统所遇到的问题,但到2000年代倡导支持矢量机的研究者又认为采用神经网络技术途径能够克服基于神经网络的自动目标识别系统的问题,近年来,又有众多的研究者把深度网络和深度学习看作能解决自动目标识别问题的有效技术途径,自动目标识别一直在向着提高智能化水平的方向发展.但由于自动目标识别系统所面临的目标、环境、任务使命始终在变化,战场环境的复杂化和目标特性的不确定性等给自动目标识别系统与技术的发展也带来了挑战,尽管自动目标识别系统智能化的概念已经提出多年,但现有的自动目标识别系统的发展仍然遭遇到智能化能力滞后的问题,对智能程度较高的复杂战场环境下的自动目标识别、决策等问题,仍然没有很好的解决,难以适应复杂多变的战场环境和激烈博弈的对抗条件下准确识别各类目标的需求.如何理解智能化对实现自动目标识别系统能力的阶跃式提升的意义,推进智能化技术在自动目标识别系统中的应用,是新一代自动目标识别系统的发展必须面对的问题.本文介绍了自动目标识别系统智能化的进程与现状,分析了当前自动目标识别系统智能化所面临的挑战,对自动目标识别系统智能化的发展给出了一些粗浅的看法.

摘要： 在过去几十年中,自动目标识别技术得到了很大发展,应用愈加广泛,然后随着人们对自动识别的要求越来越高,在实际应用中,传统的自动目标识别的研究暴露出很多难题,如高虚警率,对环境变化没有良好的自适应性等等.近年来,支持向量机[1,2]迅猛发展,表现出很多特有的优势[3].基于如此,本文提出了基于支持向量机的自动目标识别算法.本文介绍了自动识别系统的识别流程和支持向量机的原理以及在系统中地位,实现了目标的特征提取,支持向量机分类器的参数寻优,并将优化的支持向量机模型应用于未知图像的目标识别中.实验表明,经过基于充分样本的训练,该方法识别效果良好,识别速度较快,并具有一定的抗干扰能力.

摘要： 本文针对航空图像的自动目标识别应用，论述了同一场景不同视角图像的匹配方法。文中首先分析了由于视角的不同，而造成的同一场景的图像表现的异同点，给出了航空对地观察条件下的三维透视变换方法，以及具体的变换公式，利用此变换方法，同一场景的不同视角图像经过透视变换后，形成相同的视角条件，从而可以利用各种匹配方法实现变换后基准图像与实时图像的图像匹配，以达到目标识别的目的。文中给出了采用本文方法的航空对地目标的变换和匹配实验结果，以验证本文算法的有效性。

摘要： 本文主要研究了红外图像中坏元的特性及其对自动目标识别性能的影响。首先分析了红外图像中坏元的特性，并对图像中的坏元进行检测，然后在真实的红外图像中加入一定数量的坏元，并采用基于灰度互相关的自动目标识别算法对加入坏元的红外图像进行目标识别试验。试验结果表明，图像中存在一定数量的坏元对识别性能的影响较小。

摘要： 阐述了红外制导空空导弹的发展情况,重点分析了在每个发展阶段中红外制导空空导弹的特点以及新一代红外制导空空导弹发展的技术特点.在此基础上,分析了红外制导空空导弹发展中面临的关键技术,包括红外焦平面阵列、自动目标识别技术、非制冷红外探测技术.最后,对红外制导空空导弹未来发展趋势进行了展望.

摘要： 高分辨声纳图像分割技术是声视觉系统实现自动目标识别的前提和基础，拟运用聚类方法实现对声纳图像的分割，通过结合模糊C均值(FCM)算法局部搜索的特点，将PSO优化聚类结果作为后续FCM算法的初始值，使算法有很强的全局搜索能力。同时，采用模糊测度和模糊积分计算适应度函数，利用新的分类中心调整粒子位置，产生新的聚类中心，并运用该聚类方法实现高分辨声纳图像的分割。最后，将两种方法的处理结果进行了比较，结果表明该文的方法对高分辨声纳图像的分割效果比原算法效果更好。

摘要： 本文通过针对传统的几何水准测量的不足，采用TCA2003智能全站仪自动监测及其ATR功能在小基坑监测过程中进行精密三角高程测量，结合基坑监测实践，对精密三角高程测量的精度及其替代二等水准测量的可行性和可靠性进行了探讨。给出了TCA2003智能全站仪精密三角高程测量替代二等几何水准测量的条件、减弱误差的方法及提高精度的措施等。

摘要： 本文通过针对传统的几何水准测量的不足，采用TCA2003智能全站仪自动监测及其ATR功能在小基坑监测过程中进行精密三角高程测量，结合基坑监测实践，对精密三角高程测量的精度及其替代二等水准测量的可行性和可靠性进行了探讨。给出了TCA2003智能全站仪精密三角高程测量替代二等几何水准测量的条件、减弱误差的方法及提高精度的措施等。

摘要： 本文通过针对传统的几何水准测量的不足，采用TCA2003智能全站仪自动监测及其ATR功能在小基坑监测过程中进行精密三角高程测量，结合基坑监测实践，对精密三角高程测量的精度及其替代二等水准测量的可行性和可靠性进行了探讨。给出了TCA2003智能全站仪精密三角高程测量替代二等几何水准测量的条件、减弱误差的方法及提高精度的措施等。

摘要： 本发明涉及一种用于计算目标脱靶量的目标识别软件系统及目标识别系统，属于技术领域。一种用于计算目标脱靶量的目标识别软件系统，是将采集的图像数据通过如下过程进行处理：第一步，底层图像预处理：图像做中值滤波后，并形成图像的直方图统计；第二步，中层目标特征提取：按照图像灰度的对比度特征分成高、低两个结果；第三步，顶层目标匹配和定位：在中层目标特征提取后，对于弱对比度图像，采用模糊熵阈值分割技术搜索目标点，并计算出目标的脱靶量；对于高对比度图像，算法将继续SIFT特征提取及匹配后搜索目标点，并计算出目标的脱靶量。同时提供了目标识别系统。本申请的技术方案具有设计的流程合理、结果精确、节约时间的优点。

摘要： 本发明提供了基于在线自动深度学习的目标识别方法、目标识别装置、终端设备和目标识别系统。其中，该方法包括：实时采集图像数据；利用存储的第一分类器，对采集到的图像数据进行目标识别，以生成带有类别标签的图像数据，类别标签包含目标类别以及目标后验概率；在目标后验概率满足预定存储条件的情况下，按照目标类别，存储为训练样本；以及在预定启动条件被满足的情况下，启动在线深度学习处理，以获得第三分类器，并且用获得的第三分类器来更新存储的第一分类器。通过采用本发明的上述方法，能够实现高准确率的目标识别。

摘要： 本发明涉及一种用于计算目标脱靶量的目标识别软件系统及目标识别系统，属于技术领域。一种用于计算目标脱靶量的目标识别软件系统，是将采集的图像数据通过如下过程进行处理：第一步，底层图像预处理：图像做中值滤波后，并形成图像的直方图统计；第二步，中层目标特征提取：按照图像灰度的对比度特征分成高、低两个结果；第三步，顶层目标匹配和定位：在中层目标特征提取后，对于弱对比度图像，采用模糊熵阈值分割技术搜索目标点，并计算出目标的脱靶量；对于高对比度图像，算法将继续SIFT特征提取及匹配后搜索目标点，并计算出目标的脱靶量。同时提供了目标识别系统。本申请的技术方案具有设计的流程合理、结果精确、节约时间的优点。

摘要： 本发明涉及目标识别技术领域，具体涉及目标识别模型的训练方法、目标识别方法及电子设备，训练方法包括获取预设识别模型以及获取样本数据集，预设识别模型是基于第一质量图像训练得到的，第一质量图像的质量高于第二质量图像的质量；对样本数据集中的第一质量图像以及第二质量图像进行第一采样得到第一采样数据集，并基于第一采样数据集训练预设识别模型，确定第一识别模型；对样本数据集中的第一质量图像以及第二质量图像进行第二采样得到第二采样数据集，并基于第二采样数据集训练预设识别模型，确定第二识别模型；对第一识别模型与第二识别模型进行特征层融合，确定目标识别模型。对具有互补性的两个模型进行结合，提高识别效果。

摘要： 本申请公开了一种目标识别模型训练、目标识别方法及装置，用以降低目标识别模型训练的复杂度并提高训练效率，以及增加图像训练样本的多样性和利用率，从而降低训练成本，提高目标识别的准确性和鲁棒性。本申请提供的特征提取网络的训练方法中，所述特征提取网络用于对图像的特征进行提取，所述方法包括：利用训练中的特征提取网络对原始图像进行特征提取，得到图像特征；利用图像生成网络对所述图像特征进行图像重构，得到重构图像；基于所述重构图像和所述原始图像之间的差异信息，调整所述训练中的特征提取网络的网络参数，得到训练后的特征提取网络。

摘要： 本申请公开了一种不同监控场景中的目标识别方法、目标识别设备及计算机可读存储介质。该方法包括：获取第一监控场景的第一图像序列，第一图像序列包括多张具有待识别目标的第一图像；根据第一图像中待识别目标的目标特征，评价多张第一图像中待识别目标在多个视图下的质量；确定待识别目标在每个视图下质量最优的目标特征；根据质量最优的目标特征，从第二监控场景的第二图像序列中识别出待识别目标。通过上述方式，能够跨监控场景自动识别出待识别目标，降低人力成本，提高识别效率。

摘要： 本公开提供了一种目标识别模型训练方法和装置，涉及计算机视觉、深度学习等技术领域。该方法的一具体实施方式包括：基于获取的原始数据，得到无标注数据和标注数据；获取预先建立的目标识别网络；执行以下训练步骤：将选取的无标注数据和选取的标注数据输入目标识别网络，计算选取的无标注数据中第一数据和增强后的第一数据的一致性损失，得到无标注损失值；计算选取的标注数据的交叉熵损失、选取的标注数据中处理数据和增强后的处理数据的一致性损失，得到标注损失值；基于无标注损失值和标注损失值，计算目标识别网络的损失值；若目标识别网络满足训练完成条件，则将目标识别网络作为目标识别模型。该实施方式提高了目标识别模型的性能。

摘要： 本发明公开了一种水声目标识别模型的训练方法及水声目标识别方法，其中训练方法包括：获取多幅水下声波图像及其对应的标注图像；确定水下声波图像的特征向量及标注图像的特征向量；对水下声波图像的特征向量进行方差预测，将方差输入至对抗生成网络的噪声生成器中，得到幅度服从瑞利分布的对抗噪声；根据对抗噪声和水下声波图像的特征向量确定对抗例；将对抗例和标注图像的特征向量输入至对抗生成网络的噪声判别器中，训练噪声生成器的参数和噪声判别器的参数。本发明采用基于对抗生成网络构建的自适应无监督噪声生成网络生成对抗例，实现自动添加噪声的功能，使得水声目标识别模型的可泛化性及噪声攻击的鲁棒性得到大幅提升。

摘要： 本申请公开了一种目标识别方法、目标识别装置以及计算机存储介质，该目标识别方法包括：基于至少一种模态的特征对待处理视频的所有视频帧进行聚类，从而将待处理视频为若干待处理子视频；对每一待处理子视频的多个模态的原始视频特征进行编码，得到每一待处理子视频的多模态编码特征；基于每一待处理子视频的多模态编码特征，以及近邻视频特征构建图网络；利用图网络将每一待处理子视频的多模态编码特征，以及近邻视频特征进行融合，得到最终的融合特征，并基于最终的融合特征对目标对象进行识别。本申请的目标识别方法能够通过一种全新的建模方式实现近邻级、视频级和多模态级这三类不同层面信息的自适应融合，提高特征识别效果。

摘要： 本公开提供了一种目标识别方法、目标识别模型训练方法、装置、电子设备、计算机可读存储介质和计算机程序产品，涉及人工智能领域，尤其涉及图像处理、计算机视觉和深度学习技术领域，可应用于3D视觉、虚拟现实等场景。实现方案为：初始化待训练的学生模型并确定经训练的教师模型；获取点云数据、点云数据中的每个点所对应的第一标签以及点云数据所对应的第二标签，第一标签用于标识该点与点云数据所对应的待识别目标所在区域的关系，第二标签为预设的目标识别结果；将点云数据输入学生模型，以及将点云数据和第一标签输入教师模型，从而基于知识蒸馏方法对该学生模型进行训练。