信息技术与数字图书馆建设

讨论信息时代对图书馆工作提出的新要求,探讨数字图书馆建设方面的问题.     

目标图像状态噪声容许范围内的满意跟踪研究

利用满意估计的思想,在图像状态噪声容许范围内,对图像波门中心进行预测,以使在整个图像跟踪过程中,目标穿越波门的滞留度满足预定要求.在求取满意估计的滤波增益时,运用了线性矩阵不等式(LMI)方法,并用Matlab-LMI计算软件求解.     

上下文感知的深度弱监督图像哈希表示学习方法

针对现有深度监督图像哈希表示学习方法依赖于图像的类别信息,难以在现实中被广泛应用问题,利用与图像相关的标签信息作为监督信息,提出上下文感知的深度弱监督图像哈希表示学习方法。该方法一方面通过自适应捕获图像区域特征的相关上下文来增强它们的表示能力,另一方面通过引入判别损失来提高学习到的哈希码表示的判别性。在现有两个公开数据集上的大量实验结果证明了该方法的有效性。     

基于GA的卷积神经网络结构化剪枝算法

为解决传统神经网络模型过参数化问题,提高深度学习模型工程化实现的效率,提出了基于GA的结构化模型压缩算法.该方法从全局搜索空间对模型各层卷积核进行结构化剪枝,并以"高检测精度,低网络规模"为准则建立适应度函数,解决传统权重剪枝易陷入局部最优和剪枝结果对硬件平台不友好问题,获得精度损失低、模型压缩率高的轻量化模型结构.     

极端条件光测图像技术进展及其空天应用

与传统测量手段相比,光学图像测量具有高精度、非接触、大视场、适合实时动态测量等优势,广泛应用于航空航天、国防试验、勘察勘测、交通运输等领域。对于飞行平台成像观测、非合作目标观测、空间操作观测等,常常会叠加更多更极端的限制条件或干扰因素,要同时满足高精度等测量需求,属于一类极端条件下的测量问题。近20年来,课题组对光学图像测量的理论和方法进行系统深入的研究,取得一系列原创性成果,显著提高了目标探测能力和运动参数测量精度,开拓了光学图像测量在空天领域的应用研究。     

生成式对抗网络在SAR图像处理中的应用综述

合成孔径雷达自动目标识别技术是SAR图像处理领域的研究热点,但数据样本不足的情况导致SAR-ATR应用研究受到局限。传统扩充SAR数据集的图像仿真技术模型复杂、计算量大,生成图像不够逼真。生成式对抗网络GAN不需要目标先验信息,可以直接从真实图像数据中生成逼真的图像,具有低损耗和端到端的优点,因此相较于传统方法其更适用于小样本SAR数据高质量扩充。围绕GANs在SAR图像处理中的研究应用展开叙述,介绍了获取目标SAR图像的方法,包括传统的仿真技术和基于深度学习的GANs技术;从目标图像和场景图像等2个方面介绍了GANs训练的常用SAR数据集;针对不同数据集的应用场景,重点介绍了GANs网络在目标SAR图像生成、SAR超分辨率重建、SAR和光学影像融合等3个方面的最新研究进展;最后,结合深度学习和SAR目标特性,给出了GANs网络在SAR图像应用方面的后续发展建议。     

一种无人机载高分辨率SAR图像目标快速检测方法

针对无人机平台空间和资源有限、高分辨率SAR图像检测容易出现目标标注不准以及计算量过大等问题,提出一种无人机载高分辨率SAR图像目标快速检测方法。该方法首先利用双边滤波器抑制高分辨率SAR图像中存在的相干斑噪声和目标内部的非均匀起伏;然后进行一次大尺度的SLIC分割,通过对超像素单元粗糙度进行分析,对存在欠分割问题的超像素单元再进行一次小尺度的SLIC分割;最后对过分割的超像素单元进行合并处理,最终得到目标检测结果。实验结果表明,该方法不仅可以提升对高分辨率SAR图像目标的检测效率,改善SAR图像目标提取能力,还有利于发现部分人工方法容易遗漏的小目标,具有很好的工程应用价值。     

基于线特征的多时相遥感图像变化检测

多时相遥感图像中利用线特征可以感知道路等线形地物的变化。论文提出一种新的基于边缘特征描述的线特征变化检测算法,首先根据边缘的梯度信息得到变化边缘,并对变化边缘进行编组,形成变化边缘的直线支撑区域,然后通过最小二乘拟合方法从直线支撑区域中提取出变化直线。提出的线特征变化检测算法把边缘的相位和幅度信息作为变化检测的判定依据,从而避免了线的匹配与比较工作,降低了变化检测的算法复杂度,具有很强的实用性。将提出的方法用于多时相遥感图像变化检测,实验结果显示该方法的有效性。     

一种基于加权DSmT的序列图像目标识别方法

通过对自动目标识别系统研究与分析,将DSmT引入到飞机序列图像识别中,构建基本置信指派及分类规则,提出了一种基于加权DSmT的序列图像目标识别方法,在分析权值选择特点的基础上,根据特征信息的置信指派组合有效权值,并且给出了基于加权DSmT融合规则的序列图像目标识别的流程,仿真结果表明,该方法提高了序列图像目标识别的准确性.     

基于CNN的SAR图像舰船目标检测算法

为了提升合成孔径雷达(Synthetic Aperture Radar,SAR)图像舰船目标检测的精度和速度,对卷积神经网络(Convolutional Neural Network,CNN)在SAR图像舰船目标检测上进行了研究。通过改进OTSU方法对SAR图像进行分割,并且用最小外接矩形将疑似目标标记出来;依据矩形中心在原始图像上提取出固定大小区域作为候选区域;将提取的目标通过训练好的卷积神经网络进行判定,去除虚警目标并将检测结果在原图中标记出来。实测数据的实验结果表明,该算法在降低虚警的同时提升了检测速度。