自动目标识别
自动目标识别的相关文献在1989年到2022年内共计396篇,主要集中在无线电电子学、电信技术、自动化技术、计算机技术、武器工业
等领域,其中期刊论文338篇、会议论文40篇、专利文献1663683篇;相关期刊136种,包括系统工程与电子技术、电子学报、电子与信息学报等;
相关会议32种,包括第十届全国信息获取与处理学术会议、中国航天信息协会制导与引信信息网11011学术交流会、广东省2010年度城市测量与测量工程学术经验交流会等;自动目标识别的相关文献由779位作者贡献,包括吴仁彪、张天序、沈振康等。
自动目标识别—发文量
专利文献>
论文:1663683篇
占比:99.98%
总计:1664061篇
自动目标识别
-研究学者
- 吴仁彪
- 张天序
- 沈振康
- 何峻
- 张军
- 张纯学
- 郁文贤
- 韩萍
- 付强
- 刘宏伟
- 张静
- 杨卫平
- 保铮
- 李吉成
- 范晋祥
- 赵宏钟
- 吴晗平
- 张义广
- 杨华
- 高倩
- 刘家学
- 刘建国
- 匡纲要
- 卢焕章
- 吴丹
- 周军
- 夏良正
- 张青贵
- 彭鹏菲
- 徐文辉
- 杨军
- 杨露菁
- 桑红石
- 王建辉
- 计科峰
- 邓雁萍
- 钟胜
- 陈东
- 陈曾平
- 颜露新
- 马超杰
- 高士英
- 何国威
- 刘金来
- 周胜利
- 夏昕
- 张名成
- 张志龙
- 张新征
- 徐晖
-
-
刘苗苗;
蒋宇帆;
邢钉凡
-
-
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。
-
-
范红旗;
李冬冬
-
-
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。
-
-
李柯;
李智军;
梁玉英;
廖润贵;
吴允强;
周丹
-
-
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。
-
-
孟亦然;
穆仕博
-
-
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。
-
-
郁文贤
-
-
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。
-
-
翟佳;
郭单;
李元;
董毅
-
-
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。
-
-
楼冠廷
-
-
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.
-
-
谢春思;
刘志赢;
桑雨
-
-
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.
-
-
赵鹏菲;
黄丽佳
-
-
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.
-
-
周隽凡;
孙浩;
雷琳;
计科峰;
匡纲要
-
-
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.
-
-
Lan Du;
杜兰;
Chen Li;
李晨;
Yongguang Sun;
孙永光
- 《第五届高分辨率对地观测学术年会》
| 2018年
-
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.
-
-
范晋祥
- 《2017年光学技术研讨会暨交叉学科论坛》
| 2017年
-
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.
-
-
张赫;
徐蓓蓓;
杨欢;
关震宇;
李杰
- 《中国兵工学会第十八届引信学术年会》
| 2013年
-
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.
-
-
-
-
-
-
-