基于注意力与通道重排的无人机对地目标检测算法

无人机自主察打对地攻击场景中,针对无人机作战时效性强,地面目标识别场景复杂,存在模型训练、推理速度慢,小目标检测漏检、误检的问题,提出一种基于注意力机制与通道重排思想的无人机对地目标检测算法。该算法引入CA(coordinate attention)注意力机制,可提高网络对关注部分的特征提取能力;且对主干网络进行通道重排(channel shuffle)轻量化处理,可有效减少多次卷积造成的特征损失;最后,为提升战时训练及推理速度,替换部分激活函数为H-Swish,优化其损失函数为CIoU(complete intersection over union)。实验证明：采用改进的新算法,提升了28.4%训练速度,目标识别的平均精度均值(mean average precision, mAP)达99.1%,可实现最小目标检测为19*25像素,经TensorRT加速后检测速率达72.99 FPS,满足实时检测需求,针对复杂地形下的坦克小目标检测性能较好。     

基于生成对抗网络的图像去雾算法

针对有雾情况下目标检测等视觉任务精度明显下降,提出了一种端到端图像去雾网络,能够直接生成清晰图像且不需要成对的无雾图像和真实图像进行训练.将注意力模块融入生成器网络中,充分考虑不同通道和不同区域在有雾图像中的影响,并将通道注意力和像素注意力相结合,提出了一种新的特征关注模块,赋予重要特征通道和像素区域更多的权重.考虑到...     

基于多分支注意力改进的YOLOv5无人艇目标检测方法

针对水面无人艇目标检测类别多、尺寸小、形变大等难题,提出了基于多分支注意力改进的YOLOv5检测算法。首先提出了一种SAv2Attention模块,通过对通道的“复制-转换-合并”等处理,实现卷积层通道间与通道内特征融合,提升网络的局部感受野,然后将其嵌入到YOLOv5网络,最后在构建的真实海试数据集上进行了大量对比实验。结果表明,SAv2Attention可有效提升YOLOv5的检测精度,典型海面目标数据集上,mAP@0.5检测精度达到94.6%,mAP@0.5:0.95检测精度达到60.9%,相较于原生算法分别提高1.4%和3%,对小尺寸目标平均检测率APS提升4.3%,证明所提方法能有效提升无人艇对水面小目标的检测能力。     

基于ST-YOLOv7的无人机视角下行人及车辆识别

由于无人机视角下的背景复杂,识别的目标多为远距离小目标,因此容易导致漏检及误检问题。为了实现无人机视角下对行人及车辆高精度识别,提出了以YOLOv7网络模型为基础的ST-YOLOv7算法,主干网络中融合了Swin Transform模块,构建复杂背景与小目标的全局关系,融入SENet通道注意力机制,为不同通道的特征分配不同权重,增强小目标特征的捕捉,在头部网络中,加入了YOLOv5网络中的C3模块,增加网络的深度和感受野,提高特征提取的能力,增加了1个小目标检测层,进一步提升对小目标识别的精度。实验证明：ST-YOLOv7网络模型在自制的航拍数据集中对行人的识别精度高达83.4%,对数据集中的车辆的识别精度达到了89.3%。均优于YOLOv5和YOLOv7目标检测算法,以较小的效率损失取得了较高精度。     

多通道图注意力解耦社交推荐方法

提出具有解耦能力的多通道图注意力社交推荐模型,该模型主要包括深度聚类模块、多通道图注意力聚合模块和评分预测模块。其中,深度聚类模块用于对用户和项目进行分组,并利用聚类结果将用户社交图和用户项目图拆分成多个用户社交子图及用户项目子图,以学习用户兴趣分组及用户对不同类项目的兴趣；多通道图注意力聚合模块学习不同子图对预测结果的注意力；评分预测模块将学习到的用户表示向量和项目表示向量输入多层感知机进行评分预测。在多个真实数据集上的实验结果表明:提出的方法优于其他社交推荐算法。与最新的用于社交推荐的图神经网络方法相比,在Ciao和Epinions数据集上,均方根误差分别降低了2.26%和2.07%,平均绝对误差分别降低了2.58%和3.06%。     

基于自注意力机制和CNN-LSTM的空战目标机动轨迹预测

空战目标机动轨迹是有丰富时空特征的多维时间序列,具有高度复杂性和不确定性。针对现阶段轨迹预测运动学模型建立困难、时序预测的方法难以提取时空特征且只能单一的从T到T+1时刻的顺序式训练的问题,文中提出了一种自注意力机制(self-attention, ATT)和卷积神经网络(convolutional neural network, CNN)-长短期记忆网络(long short-term memory, LSTM)结合的模型(CNN-LSTM-ATT)。离线状态下训练模型,获得的最优模型可以实现目标机动轨迹的高精度预测。文中模型与CNN-LSTM、LSTM模型进行单步预测对比分析,具有良好的单步预测和不同过载机动预测的能力。考虑到电磁干扰和复杂环境导致传输数据的误差和缺失,进行了目标轨迹的5步预测,预测结果和评价指标均优于CNN-LSTM、LSTM模型。     

一种融合多源动态时空特征的战术互联网流量预测模型

战术互联网流量具有极强的动态时空特征,且与天气、高程等外部特征紧密相关,现有的网络流量预测模型不能很好地提取其复杂特征,提出了一种融合多源动态时空特征的战术互联网流量预测模型。首先,将外部特征与流量特征融合为多源特征;然后,提取当前时刻网络流量的空间特征,并对随时间变化的卷积权重迭代更新得到不同时间片下的空间特征信息;最后,通过时间卷积聚合当前和历史时刻的空间信息以预测下一时刻的多源动态时空流量。相比单一的基础模型,该方法在平均绝对误差(MAE)、均方根误差(RMSE)和决定系数(R²)三种评估指标中效果均更好。     

基于城市作战的隐匿小目标识别技术

随着人工智能技术的飞速发展,能够自动识别、锁定和打击目标的智能化武器系统逐渐出现,代替人类执行简单的决策命令,高精度目标识别算法是智能化武器精确打击的前提。目前城市作战越来越受到世界各军事强国的高度重视。城市战场态势瞬息万变,复杂的伪装技术、目标遮挡和恶劣环境条件,给智能目标识别带来严峻的挑战。以当前先进的目标识别模型YOLOv5为基础模型,提出了一种可以多尺度学习空间和通道信息的卷积注意力模块MS-CBAM,允许每个神经元根据输入信息自适应地调整其感受野大小。实验结果表明,在国际公开COCO数据集和自建数据集Long-distance PC Dataset上mAP分别提升了0.5%和2%。训练好的轻量级模型经过TensorRT加速部署在NVIDIA JETSON TX2,实时检测帧为20 ms,满足实时检测要求。该系统也可以作为智能武器系统的一个模块,对自主型武器和无人作战系统具有一定的借鉴意义。     

基于特征增强和损失优化的弱监督目标检测算法

针对弱监督目标检测中只能检测出图像中最具有辨别性部分和训练过程极易陷入局部最优问题,提出了一种特征增强和损失优化的弱监督目标检测算法。该算法设计了一种高效可选择通道注意力模块,该模块通过关联通道的选择来提高其局部信息的交互能力,以此来扩大最具辨别性的示例目标区域;此外,通过对网络回归损失函数施加针对性的动态权重,使其能够自动弱化回归分支中伪标注边界框不准确性的影响,提高目标定位的精度。在PASCAL VOC 2007及PASCAL VOC 2012数据集上的实验表明,相比其他同类算法,该算法能够有效地提高弱监督目标检测的精度。同时,由于该算法引入的额外训练参数和计算负担几乎可以忽略不计,因此还具有良好的高效性。     

无人机小样本条件下遮挡和混淆目标识别方法

针对无人机对地目标识别过程中的小样本问题以及目标存在的遮挡和混淆情况,提出了一种融合自注意力机制的小样本目标识别模型。在利用元学习思想获取小样本学习能力的基础上,将自注意力机制学习目标内部各部分之间的上下文依赖关系引入模型,从而增强目标表征能力,以解决遮挡和混淆情况下有效特征不足的难题。为验证模型效果,通过对基准数据集和无人机航拍数据进一步加工,构建了遮挡和混淆目标数据集,设置了不同的遮挡程度和背景混淆率。通过在不同数据集上的验证,并与深度学习模型对比,证明提出的模型具有更高的学习效率和识别正确率。     

计算机网络级联失效建模与分析

针对以往级联失效模型负载局部重分配规则与现实计算机网络全局路由特点不吻合的缺陷,模拟网络中信息流传输过程。定义路由器的失效条件,建立基于负载全局重分配的级联失效模型,并在此基础上提出基于连通和性能两方面的级联失效影响评价参数,进而分析用户流量和攻击方式对计算机网络级联失效的影响。结果表明,随着流量的增大,级联失效存在相变行为,相变点刻画了网络在不会发生级联失效前提下的最大传输能力。此外,针对网络中高度节点的攻击,更为容易引发大规模的级联失效,应予以重点保护。     

一种RetinaNet与SE融合的航空取证目标检测算法

针对在开展航空侦察取证时缺乏自动化、智能化取证手段的情况,提出了一种基于Reti-naNet与SE融合的航空取证目标检测算法,解决目标尺度变化大、数据集中类别不均衡的问题,并通过SE (squeeze-excitations)模块引入注意力机制进一步改进性能.该改进算法中的特征金字塔网络FPN可有效应对目标尺寸变化较大...     

EEMD+BiGRU组合模型在短时交通流量预测中的应用

针对城市交通流随机波动性强、数据中含噪声多导致预测精度下降的问题,提出一种基于集合经验模态分解(ensemble empirical mode decomposition,EEMD)和双向门控循环单元(bidirectional gated recurrent unit,BiGRU)的组合交通流量预测模型,有效地提升了短时交通流预测的精度。模型利用EEMD算法对原始数据进行分解,根据分解所得的本征模函数(intrinsic mode function,IMF)分量绘制噪声能量图谱,去除分量中的噪声,并将去噪后的IMF分量作为BiGRU网络的输入进行训练,再将训练所得的结果进行重构加和,得到最终的预测结果。实验结果表明,未舍弃含有噪声的IMF分量进行重构的预测结果,相比于参考文献中提出的EMD+LSTM模型、LSTM模型和EEMD+LSTM模型,其平均绝对百分误差分别优化了42.36%、61.82%和30.95%;舍弃含有噪声的IMF分量后进行重构的预测结果,其平均绝对百分误差相比于将全部IMF分量进行重构优化了56.62%。     

基于多级Sigmoid神经网络的城市交通场景理解

交通场景的理解是交通监控、汽车安全辅助驾驶的基础.提出一种基于多级Sigmoid神经网络的城市交通环境理解方法.将5个3D结构特征与物体外观特征相结合表征城市交通环境,为了提高交通环境识别率,采用多级Sigmoid神经网络(MSNN)进行图像分割与识别.在公共测试视频数据库CamVid dataset 进行实验,实验结果表明了该方法的有效性.     

一种基于博弈论的无线网状网络路由与信道分配联合优化算法

无线网络中的路由与信道分配可极大地影响网络的性能.为了解决无线网状网络中的路由与信道分配问题,提出并研究了一种称为CRAG(基于博弈论的无线网状网络路由与信道分配联合优化)的方法.CRAG采用协同博弈的方式将网络中的每个节点模型化为一个弈者,每个弈者的策略为与其相关的路由与信道分配方案,收益函数为给定流量需求矩阵下的成功传输流量.弈者通过协同博弈来优化收益函数以最大化网络的吞吐量.基于NS3的仿真结果表明,CRAG在收敛性、时延、丢包率和吞吐量方面优于其他当前的算法,从而证明了协同博弈的方法可以用于无线网状网络的路由与信道分配联合优化,并有效地改进网络性能.     

并行生成卷积网络图像修复算法

为解决修复纹理精细、背景复杂图像中大面积不连续语义缺失时存在的边缘伪影和语义不连续的缺陷,提出一种并行生成卷积的残差连接图像修复算法。将残缺图像输入一个两列平行卷积的结构修复网络得到两个具有不同感受野大小的图像分量,通过共享解码合并两个图像分量并计算输出的L2损失优化网络。将结构修复网络的输出送入包含残差连接与注意力机制的细节修复网络,融合上下文信息,改善修复细节能力。使用全局与局部鉴别器和预训练视觉几何组网络计算损失,对修复网络进行整体判别优化,增强修复结果的整体与局部一致性。在国际公认数据库上验证提出算法的性能,实验结果表明：提出算法可以有效修复复杂背景且包含精细纹理的大面积不规则缺失区域,提升图像细节、语义和结构的真实性与完整性,其峰值信噪比和结构相似度优于经典的对比算法。     

基于深度森林的网络流量分类方法

随着网络应用的迅猛发展,流量分类在网络资源分配、流量调度和网络安全等诸多研究领域受到广泛关注。现有的机器学习流量分类方法对流量数据特征的选取和分布要求苛刻,导致在实际应用中的复杂流量场景下分类精确度和稳定度难以提高。为了解决样本特征属性的复杂性给分类性能带来的不利影响,引入了基于深度森林的流量分类方法。该算法通过级联森林和多粒度扫描机制,能够在样本数量规模和特征属性选取规模有限的情况下,有效地提高流量整体分类性能。通过网络流量公开数据集Moore对支持向量机、随机森林和深度森林机器学习算法进行训练和测试,结果表明基于深度森林的网络流量分类器的分类准确率能够达到96. 36%,性能优于其他机器学习模型。     

网络中心式空战仿真研究

将网络中心战思想引入空战仿真研究,提出基于复杂适应系统理论的网络中心式空战模型.对网络中心式空战子模型进行设计,使空战单元根据对局部环境的感知所获取的态势信息来调整自身个性,调整规则依据约束变量的设定和决策元规则.通过仿真实验着重考察了具有自适应性的空战单元在空战对抗中的作战表现,实验结果初步验证了其战斗效能优势.     

一种适于片上路由器的自适应缓冲调整策略

在典型的片上网络路由节点中,来自不同方向的报文被存储在相互独立的缓冲资源中。在网络负载不均衡的情况下,某些方向的报文将很快填满该方向的缓冲,而其他方向仍可能有较多的缓冲资源处于空闲状态,这样就导致了网络中的缓冲资源利用率不高,进而影响片上网络的整体性能。提出了一种自适应的片上缓冲调整策略,能够根据网络负载情况动态调节缓冲结构,有效地提高了缓冲资源的利用率。在90nmCMOS工艺下设计实现了多端口共享缓冲资源的片上网络路由器,实验结果表明,在负载不均衡的网络中,提出的路由器能够带来性能改进及功耗降低;在达到相同性能的情况下,新路由器的面积较典型路由器减少了20.3%,而其缓冲功耗节约了41%左右。     

联合生成对抗网络和检测网络的SAR图像目标检测

针对合成孔径雷达图像目标检测中存在的样本获取困难且数量有限问题,提出了联合生成对抗网络和检测网络的学习模型。利用原始训练集对特别设计的超快区域卷积神经网络进行预训练;再通过基于注意力机制的深度学习生成对抗网络生成高质量合成样本,并输入检测网络进行预测;依据预测信息和概率等价类属标签分配策略为新生样本提供注释信息,并以一定占比对原始训练集进行扩充;利用扩充数据集对检测网络进行再训练。多组仿真实验证明,所提框架能够有效提升网络检测效率和性能。