基于迁移学习的小样本事件抽取技术及军事应用展望

事件抽取作为信息抽取的任务之一,旨在从非结构化文本中抽取出结构化事件信息,从而更好地应用在相关应用领域和下游任务上.基于迁移学习的事件抽取技术是当前低资源场景下的事件抽取研究的主流方法,通过设计更鲁棒的模型来迁移知识,解决事件抽取面临的训练数据缺乏问题,从而提升小样本事件抽取的效果.对基于迁移学习的小样本事件抽取技术及其军事应用展望作了全面的阐述,回顾事件抽取的起源与发展,描述迁移学习事件抽取的研究背景,并重点总结目前的技术方法及其军事研究现状,提出其军事上应用展望,最后对其面临的问题挑战和未来研究热点作了分析.     

基于卷积神经网络和迁移学习的电动泵故障诊断方法研究

提出了一种基于卷积神经网络和迁移学习的电动泵故障诊断方法,其特点是只利用少量样本数据就能自动从振动信号中提取有效的故障特征并完成诊断.设计了基于迁移学习的卷积神经网络模型训练方法,给出了利用其进行故障诊断的方法步骤,采用齿轮和电机在正常和不同故障状态时的振动数据对方法的有效性进行了测试.结果表明,所提出的方法对不同的故...     

基于深度迁移学习的低分辨雷达目标识别方法

针对低分辨雷达人工目标识别效率较低的问题,提出了基于深度迁移学习的雷达自动目标识别方法。该方法利用雷达回波序列轮廓像构建空中目标数据集,使用深度卷积神经网络自动提取回波数据中的深层特征,并对雷达目标进行分类识别。为了解决深度学习对样本量的巨大需求,在分类模型训练时,引入迁移学习思想,将经ImageNet数据集预训练过的初始网络模型迁移到雷达目标识别任务中,再通过空中目标数据集对模型参数进行微调,实现小样本条件下对空中目标的粗分类。实测数据的结果表明：所提方法能够在小样本条件下较为准确地对空中目标的大小和架次进行分类识别,具有良好的识别性能。     

一种基于AlexNet迁移学习模型的空间目标ISAR像识别方法

利用ISAR像进行快速有效的空间目标识别是目前空间态势感知领域研究的热点,然而受到样本数据量的限制,直接训练深度神经网络容易产生过拟合,难以准确预测;而传统基于手动提取ISAR像特征的目标识别方法,操作繁琐且需要耗费大量的时间与精力。针对上述问题,提出一种基于迁移学习快速自主识别空间目标的新方法,该方法通过角度旋转、方位向距离向尺度变换、斑点噪声注入等方式对小样本空间目标ISAR像数据集增强;以AlexNet预训练模型为基础,对模型的“深”、“浅”层分别设置差异化的学习率;通过反向传播方式对AlexNet模型的权值进行微调从而实现模型迁移。训练测试结果表明,数据增强方法可以有效提高模型的分类性能,该方法可以实现小样本数据集下目标的自主快速识别,与传统方法相比具有更好的分类性能。     

基于深度卷积神经网络的小样本车型分类方法

针对战场军事车辆分类等任务的可供训练样本较少的车型分类任务,在AlexNet网络的基础上引入多尺度分支的思想,设计了多尺度特征提取卷积神经网络.仿照战场军用车辆数据集的特点,构建了复杂背景下多角度、多尺度、类间差异小、类内差异大的10类较细粒度车型分类数据集.所提出的方法在实验平台上达到了每张图片0.003 s的分类识...     

基于ARR-DETR的小目标车辆检测方法

针对车辆检测领域中现有的小目标检测算法面临的复杂度高、特征提取不足以及检测率低的问题,提出了一种改进模型ARR-DETR,旨在提升小目标车辆检测的效率和精度。借助CSP的思想,通过卷积加性自注意力机制（convolutional additive self-attention,CATM）和卷积门控线性单元（gated linear unit,GLU）构建CSP-ADD-CGLU模块,以改进RT-DETR的骨干网络,在降低计算复杂度的同时增强关键特征的提取能力,从而提升模型的表现力和训练稳定性。构建AIFI-RepBN模块,采用渐进重参数化方法,在训练过程中逐渐从LayerNorm过渡到BatchNorm,实现更高效的计算,同时保持模型性能。在融合模块中引入显式空间先验和注意力分解,强化对小目标位置的感知能力,同时提升对不同尺度特征的选择性关注能力,提高模型对小目标的识别精度,还增强了整体特征融合的效果。实验结果表明,改进的RT-DETR模型在BDD100K数据集上的P、Recall和FPS指标分别为74.4%、66.1%和67.4%。与原始RT-DETR模型相比,分别提升了1.6%、2.1%和3.3%,表明该方法可以更快速、更准确地检测到小目标车辆。     

基于卷积神经网络的SAR图像目标检测综述

针对合成孔径雷达(SAR)图像传统检测算法精度低、鲁棒性差等特点,对基于卷积神经网络的SAR图像目标检测算法进行归纳总结.归纳了基于CNN的目标检测框架的发展现状,并综述了其在SAR图像目标检测中的应用,分析了其应用难点与关键技术.最后结合深度学习方法在目标检测领域中的发展,对SAR图像目标检测算法的发展进行了展望.     

基于部件模型的无人机系统小样本车辆目标识别方法

对地目标检测与识别是无人机系统典型任务之一,但受限于任务特殊性,往往难以获取足够的目标样本数据以实现高可靠的目标识别.为此,结合人的认知特性,提出一种基于部件模型的小样本车辆目标识别方法,可有效提高无人机感知能力.采用视觉显著性检测与物体性检测相结合的检测方法,提取目标可能区域;采用基于图论的GrabCut方法与最大类...     

基于自适应边际损失的小样本故障诊断方法

针对基于度量学习的小样本故障诊断方法,在模型优化过程中对边际影响的忽略导致模型对训练数据过于敏感,进而产生过拟合。为此,构造了一种自适应边际损失函数,帮助模型学习样本之间的相对距离,以获得足够的距离信息,提高对新样本的泛化能力。另外,根据训练数据的分布和模型的性能,自动调整边际的大小,使其自适应地区分不同的故障类别。为更好地解决小样本问题,提出了元度量学习框架,采用元学习片段式训练模式。在度量模块中,引入余弦相似性以提高方法的表达能力,并指导模型的优化和训练,使其更好地适应小样本数据。为验证所提方法的有效性,使用带故障的无人机飞行日志数据构建了数据集,并将所提方法与传统的度量学习的方法进行了对比。实验结果表明,所提方法在无人机小样本故障诊断中表现出良好的诊断性能和稳定性,为小样本故障诊断提供了一种有效方案。     

基于人类视觉机制的红外目标检测方法

针对红外小目标图像信噪比低,背景复杂等特点,提出一种基于人类视觉系统对比机制的红外小目标检测方法。该方法充分模拟人眼视觉系统对比机制,通过图像局部视觉对比度显著图及自适应阈值选取,锁定感兴趣目标区域,实现对红外图像中弱小目标的精确检测。与Top-hat和逐个像素对比度计算的检测方法进行了对比,实验结果表明所提出的方法能够在低信噪比条件下更有效地检测红外弱小目标。     

基于卷积核剪枝的遥感目标检测模型压缩方法

针对基于卷积神经网络的遥感目标检测模型压缩问题,基于卷积核剪枝理论,设计了卷积通道剪枝的方案,对YOLOv3模型进行精简压缩。提出卷积通道的概念并将BN层系数作为卷积通道的评估因子,使用L1正则化将评估因子稀疏化,将评估因子值较小的卷积通道剔除,再对各卷积层中的参数进行微调,从而达到模型压缩的目的。使用该方法对自制的典型遥感目标检测数据集进行目标检测实验,在剔除90%参数的情况下,测试精度下降率在10%以内。实验结果表明该方法能以较小的精度损失为代价,节省大部分的储存空间和计算量。     

基于Stacking集成学习的供弹机构小样本状态识别

针对测试火炮供弹机构的弹载记录仪运动数据样本量少及样本不均衡的问题,提出一种基于Stacking集成学习的供弹机构小样本状态识别方法。对原始数据采用小波滤波和标准差归一化进行预处理,以改进的果蝇优化灰色神经网络和长短时记忆神经网络（long short-term memory,LSTM）作为初级学习器,以线性回归（linear regression,LR）作为次级学习器构成Stacking集成学习模型。通过弹载记录仪得到的真实数据,建立对供弹机构中限位器的异常状态识别实验,研究结果表明,在小样本的环境下集成学习模型较单一的学习模型具有更高的准确度及稳定性,能够更加有效识别供弹机构的异常状态。     

基于红外图像的小目标检测与跟踪方法

为了能在强杂波、低信噪比的情况下检测小目标,人们提出了许多针对小目标检测与跟踪的方法。介绍了基于红外图像的小目标检测和跟踪的各种方法和最新进展,重点讨论了灰度形态法、小波变换法、最优时空非线性滤波法用于小目标检测与跟踪的原理,并指出了今后的发展和研究方向。     

基于小样本的双层堆叠装备健康状态预测方法

为突破高精装备健康状态预测中泛化能力不足与小样本适应性弱的技术瓶颈,提出了一种基于决策树的双层堆叠集成预测模型。该模型以极限树（Extra Tree）、梯度提升决策树（GBDT）和自适应提升（Adaboost）作为底层异构基础学习器,创新性引入Light GBM作为非线性元学习器,通过Leaf-wise树生长策略与贝叶斯优化算法实现动态特征筛选。构建SMOTE-cGAN三级数据增强、样本量自适应动态权重调整、基尼重要性与互信息特征降维的协同学习体系,设计基于工况特征的动态集成机制。实验基于NASA涡轮发动机退化数据集,在极端小样本、跨工况等场景验证表明:模型决定系数R²达0.92,较传统堆叠模型提升8.2%,平均绝对百分比误差MAPE降低14.7%,样本效率提升33%,工况迁移衰减率降低至12.6%。     

基于小波变换的海面红外弱小目标检测中实时性研究

针对凝视型红外预警系统在复杂海面背景下对弱小信号检测的实时性问题,提出了压缩监测区域、危险度分级、舍弃小波变换后的低频分量部分和检测图像中的零信号4种优化型算法,减少了系统的运算量,提高了系统的运算速度,满足了系统实时性的要求,并且降低了系统的虚警率,保证了系统对强起伏背景的抑制效果。     

基于连续帧的红外小目标检测技术

提出了一种基于连续帧的远距红外小目标检测技术.通过对原始红外图像进行增强型简化高通滤波提高图像信噪比,用基于直方图迭代得到的阈值二值化后,得到小目标图像.为了确保目标检测的可靠性,利用连续多帧确定截获的目标.仿真结果表明该算法可实现在低信噪比复杂背景中对远距小目标的快速稳定截获.     

基于卷积神经网络的空中目标粗分类研究

空中目标的准确分类与识别是防空作战的关键环节。将卷积神经网络应用到空中目标粗分类任务。实验基于Alex Net卷积神经网络模型,并利用建立的小规模数据集进行微调训练,从而提取目标特征并进行分类识别。再和利用HOG特征的分类方法进行对比实验,发现前者具有较大准确率的提升。得出利用卷积神经网络提取的特征具有更强大的表示目标的能力,为进一步实现跟踪空中目标打下实践基础。     

基于YOLOv8的红外遥感图像小目标检测算法

针对红外遥感图像中因特征信息不足而加剧的小目标检测难题,提出了一种基于YOLOv8架构的改进检测算法。通过将原始骨干网络替换为轻量化的MobileNetV4,并重构颈部与检测头网络结构,显著提升了模型的特征提取与融合能力,使其更适应小目标检测任务。同时,在网络中引入注意力机制以增强关键特征的提取能力。为降低标注偏差对模型训练的影响,训练过程选用WiseIoU作为损失函数。在数据预处理阶段,应用对比度受限的自适应直方图均衡化技术改善图像质量。在VEDAI数据集上的实验结果表明,所提方法较原始YOLOv8在mAP@0.5和mAP@0.5:0.95指标上分别实现了17.7%和13.7%的性能提升,且在保持较低参数量和计算量的前提下,检测精度优于其他主流模型。     

基于深度学习的系统异常检测综述

基于深度学习的系统异常检测可划分为：基于堆栈自编码(SAE)、基于卷积神经网络(CNN)、基于深度置信网络(DBN)、基于循环神经网络(RNN)以及基于生成对抗网络(GAN)等5类系统异常检测方法。为了梳理出当前深度学习技术在系统异常检测应用中所面临的问题以及应对方法,分别对这5种检测方法的建模思想、在系统领域的应用实现以及它们各自的特点进行了对比论述,并对深度学习在系统异常检测领域未来的发展进行了展望。