让“中心环节”与“中心工作”深度相融

<正>某单位党委议教会上提出：“一定要让‘中心环节’与‘中心工作’深度相融,紧贴训练形势、训练进度、训练课目,搞好专题性、针对性、经常性教育,坚决防止教育与训练相脱节、‘两张皮’。”这段掷地有声的话,引人深思、发人深省。何为“中心环节”？何谓“中心工作”？思想政治教育是增强部队凝聚力向心力创造力战斗力,团结动员官兵投身强军实践、履行新时代军队使命任务的中心环节。军事训练是部队经常性中心工作,是生成和提高战斗力的基本途径,是最直接的军事斗争准备。     

一种巡逻执勤目标检测算法研究

巡逻执勤是具有重要意义的安全维稳行动,但是巡逻环境复杂、目标多样、检测难度大的问题十分突出,所以如何准确、实时检测巡逻执勤目标具有重大现实意义。为了提升对巡逻执勤目标检测的准确性和实时性,基于YOLOv5算法进行改进。为抑制巡逻环境带来的干扰,结合ECANet注意力机制进行改进,提高被检测目标显著性;同时为保证较好的实时性及多尺度目标检测能力,引入BiFPN网络结构。将改进算法与原始算法进行比较,mAP提升3.51%;与4种算法进行了对比实验,结果显示该算法能较好地降低巡逻执勤目标检测因检测相似、尺度多样、光照干扰等问题带来的影响,进一步验证了该算法在巡逻执勤目标检测任务中的有效性。     

无人机多模态融合的城市目标检测算法

城市低空运用小型无人机检测车辆等城市目标正逐渐成为主流手段。针对目前存在的实际场景中可见光探测易受光照影响、无法夜间工作和红外探测目标边缘模糊,导致单模检测网络检测精度低的问题,提出了一种基于图像融合和深度学习网络的无人机多模态融合的城市目标检测算法：首先,基于DUT-VTUAV可见光-红外配准数据集和TIF图像融合算法,构建多模态融合数据集;其次,对比了现有YOLO(You Only Look Once)检测系列网络的检测精度、速度及参数量等性能参数,选择出最适合无人机端移动部署的轻量化网络YOLO v5n;最后,综合运用图像融合算法和目标检测模型,形成多模态融合检测算法。在车辆数据集上进行的对比实验表明：相对单模检测,所提出的算法的检测精度得到有效提升,mAP高达99.6%,且该算法可在0.3 s内完成一组可见光-红外图像的融合检测,具有较高的实时性。     

某雷达装备虚拟训练系统实现技术

从实际装备的特点出发,确定了虚拟训练系统的分布式实现模式.以该实现模式为基础,对系统软件结构框架、基于HLA/RTI的分布交互以及虚拟装备的人机交互等关键技术的实现进行了讨论,解决了雷达装备虚拟训练系统的系统集成环境构成、各仿真节点间的分布交互以及人机交互等问题,最后在虚拟训练系统上实现了雷达装备的开关机、跟踪以及故障维修等不同训练功能.     

军事虚拟仓库组织结构的博弈分析

简要介绍了军事虚拟仓库及其组织结构形式．以及博弈论的相关知识。结合军事后勤系统的特点,采用完全信息静态博弈纳什均衡的方法分析了军事虚拟仓库的组织结构模式,在假设的合理的条件下模拟3种组织形式的博弈过程。通过各个模型的最终纳什均衡,指出了3种组织结构形式运作的结果和其积极因素、消极因素、噪声构成．结合我军现有的后勤保障体制,提出现行保障体制的合理与不合理的地方,并给出了改进方案,对优化全军后方仓库布局及管理和战备物资储备及应急保障有着重要意义,可以为总部决策提供咨询建议。     

玻璃瓶动态图像检测运动模拟平台

动态图像检测中,如何在指定位置快速而准确地捕捉到运动物体的图像是最基本的环节。试验验证图像检测装置的成像特性,成为动态图像检测研究的重要内容之一。以变频器控制电动机为核心,通过变频器内部参数编程和外部简单的辅助控制电路,构建了运动平稳、速度可调、具有自动保护功能的模拟平台。该平台适于动态图像检测中普通运动物体的快速模拟,已成功地用于玻璃瓶动态图像装置中,达到了预期目的。     

基于Bayes估计的高炮虚拟校射理论

给出了脱靶量的定义,建立了小口径高炮虚拟校射脱靶量的一维数学模型,分析了脱耙量的统计性质,在此基础上运用贝叶斯估计理论,推导出校正量的最优估计量方程,并进行了相应分析.脱靶量可以作为一种离散的随机序列,任何一种特定的脱靶量序列均可表示为某种蜕化的广义马尔柯夫序列;脱靶量状态的最优估计问题是:基于观测输出{x(k);k=0,1,2,…}先验信息求取状态X(k)的最优滤波估计^X(k/k),使估计误差的方差最小,从而大大提高小高炮的射击精度.     

2022年深度学习技术主要发展动向分析

深度学习正逐渐成为新一代人工智能最核心的技术之一。对2022年深度学习热门领域的主要发展动向进行了综合评述。首先,介绍小数据小样本深度学习研究领域的最新进展;其次,探讨量子计算与深度学习的融合路径;然后,概述强化学习对通用智能的推动作用;最后,盘点深度学习在多模态学习方向的进展。综述表明,面向小数据、小样本的深度学习技术正在引领深度学习向自监督方向不断迈进,深度学习与其他先进计算范式（例如量子计算等）深入融合趋势愈发明显,强化学习在一定程度上具备解决复杂问题的通用智能,多模态深度学习技术已迎来关键性突破。     

基于深度学习的智能船舶轻量化水面障碍物视觉检测与测距方法

针对智能船舶的自主航行障碍物视觉快速检测与测距需求,提出一种基于深度学习的智能船舶轻量化水面障碍物视觉检测与测距方法。从障碍物检测速度和计算量的角度出发,该方法可提升智能船舶环境感知能力。首先,针对障碍物检测问题,在Yolov4检测模型的框架下,构建基于MobileNet特征提取网络的DIS-Yolo水面障碍物检测模型,实现模型网络结构的轻量化改进。其次,针对障碍物测距问题,基于所构建的障碍物检测模型和COMS成像模型,提出水面障碍物测距机制,实现水面障碍物的高精度测距。最后,通过模拟实验验证所改进模型的有效性与测距函数的精确度。所提出的方法可提升智能船舶的航行安全性,同时可为智能船舶环境感知需求提供新的思路。     

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。