利用多时间尺度卷积的视频行为识别网络

基于2D的行为识别网络通常融合多张视频帧的分类结果识别不同的行为,但其在卷积过程中缺少对时空特征提取。针对该问题,基于时间位移模块(temporal shift module,TSM)的思想设计了一组多时间尺度卷积,包含不同设计的卷积核以提取融合不同时间尺度的时空信息。通过控制多时间尺度卷积嵌入ResNet50网络的位置及其模块的参数设置,寻找最优的基于多时间尺度卷积的行为识别网络。使用PyTorch深度学习框架训练模型,在大型开源数据集Something-Somethingv2上进行了实验研究。结果表明,基于多时间尺度卷积的行为识别网络对行为识别准确率达到了59.47%,优于TSM等网络。     

基于PSO-RBF神经网络的雷达目标识别

为提高雷达系统目标识别能力,对粒子群算法及RBF神经网络进行了分析。针对离子群算法(PSO)易陷入局部极小的缺陷,提出了基于自适应时变权重和局部搜索算子的改进PSO算法,并将该算法应用到RBF神经网络核函数参数的优化学习中,进行了雷达目标识别仿真实验。仿真结果表明,相对于标准PSO-RBF神经网络,改进算法不仅收敛速度快,且误差精度高,特别在干扰较强时,目标的识别率有较大提高。     

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。     

基于目标识别的HEVC分割算法优化与实现

为了优化视频信号在复杂网络环境下由于网络拥塞出现的数据丢包等情况,提出了一种基于目标识别的HEVC(high efficiency video coding)分割算法的优化方法,提高了视频编码的压缩效率,并实现了算法在全国产平台上的移植运行。利用深度学习进行目标识别,确定感兴趣区域,再通过指导不同区域采用不同编码单元分割深度,提高整体压缩效率。实验结果表明,该优化方法可以有效提高整体压缩效率,并完成在全国产化平台的运行实现,实现整体技术的自主可控。     

基于改进Faster R-CNN的舰船目标三维识别算法

针对二维图像无法深度表征目标、远海舰船目标表征困难等问题,提出基于更快卷积神经网络和区域组合识别模型相结合的三维舰船目标识别框架。重建舰船三维模型,在原始的区域生成网络上利用级联的方法改进了生成滑动窗口的方法,同时提出实际标注与区域建议联合识别模型,采用非极大值抑制的方法对容错框进行去除。实验结果表明所改进的算法在舰船目标三维识别的精确率和召回率上均有较大优势。     

面向计算流体力学的图形处理器资源管理

针对求解计算流体力学过程中图形处理器资源利用率低的问题,提出面向计算流体力学的图形处理器资源优化管理方案。基于计算流体力学的算法特性和同时运行任务的执行特点,设计合理的调度方案。通过动态改变不同任务的启动规模和启动时间,在减少资源竞争的同时提高图形处理器资源的有效使用。实验结果表明:本文提出的资源管理方案相比基线方法在不同任务规模下的平均加速比达到 1.64,对图形处理器的硬件资源使用也有了显著的提升。     

基于分形维数的数字调制信号识别

在复杂的电磁环境下,如何快速准确地对低信噪比下的常见通信信号进行较全面的识别是一个亟待解决的问题。在对信号分形维数仿真讨论的基础上,提出了一种新的通信信号识别方法。首先,对接收到的信号进行预处理,然后提取其盒维数和信息维数,将两者作为识别的特征参数,最后基于支持向量机实现未知信号的识别。由仿真结果分析可知:预处理后的信号序列的盒维数和信息维数分离度高且受噪声和信号参数的影响小,识别结果较好。在信噪比为5 dB时,不同调制类型信号间的识别准确率最低为87%。     

手指静脉结构的B样条描述方法

针对现有手指静脉结构描述方法无法充分描述手指静脉结构中具有显著性和稳健性的线结构的问题,提出一种基于B样条的手指静脉结构描述方法。对于细化后的手指静脉纹路,采用线段扫描方式获取各静脉分支上目标点的坐标集合,用B样条曲线拟合各条静脉分支,求取各B样条曲线的控制点坐标,用其描述手指静脉的线结构。结果表明,采用本文方法描述手指静脉结构误差小、存储空间占用小,可以有效描述手指静脉线结构,并提高手指静脉的识别率。     

二维非参数最大散度差鉴别分析的SAR图像识别

为增强线性鉴别分析(LDA)在图像识别中所提取特征的可鉴别性及避免小样本问题,提出了二维非参数最大散度差鉴别分析(2DNMSD)的图像特征提取方法。首先根据非参数特征分析的准则直接在二维图像矩阵上构造散布矩阵,然后基于最大散度差鉴别分析准则求取投影矢量。基于MSTAR计划录取的数据的仿真实验结果表明:即使方位角信息未知并且使用简单的最近邻分类器,该方法所提取特征在较低特征维数下的识别率也可以达到98%以上,表明了方法的有效性和正确性。     

基于ITS与多重分形的传动箱状态识别

实验采集的传动箱振动信号受噪声干扰严重,难以直接通过信号的多重分形特征参量来区分不同工况,为此,采用ITS降噪及微弱特征提取方法,计算了降噪后传动箱正常运转、润滑不良及基座松动3种状态下的多重分形谱参数,对特征提取后信号从局部到整体、从渐进态到最终态的微变化过程进行了定量描述,并由这些特征值的敏感性判断了系统状态类别。