摘要：针对“异质鸿沟”问题导致的不同模态遥感信息间相似性难以度量的问题,构建并公开了一个包含4种模态信息的跨模态遥感数据集,并基于不同模态信息间潜在的语义一致性,提出了一种通用的跨模态遥感信息关联学习方法。利用深度神经网络的表征能力,分别对图像类信息和序列类信息设计各模态信息的特征学习网络,实现对不同模态高层语义信息的准确表示;设计了一个新的关联学习损失函数对模态内的语义一致性和模态间的互补性进行限制,利用知识蒸馏的思想,以先融合后迁移各模态间信息的方式增强模态间的语义相关性。在构建的数据集上进行实验,结果表明,所提方法平均精度均值达到70%,超过基准方法。

摘要：传统中断航迹接续关联(track segment consecutive association,TSCA)方法基于假设的目标运动模型,利用大量先验信息完成关联任务,存在参数过多、计算复杂、推理时间长等缺点。为了解决以上问题,提出一种基于注意力机制的生成式TSCA方法。首先设计航迹态势图生成模块,将原始航迹数据转换为航迹态势图,作为生成对抗网络的输入。针对航迹噪声影响大和航迹运动特征、中断特征难以提取的问题,基于生成对抗网络和注意力机制,设计航迹关联网络,滤除航迹噪声并完成TSCA。仿真结果证明了所提网络的有效性,在关联精度和关联速度两方面都超过现有算法。

摘要：针对目前基于深度学习的舰船目标斜框检测方法存在计算量大、效率低的问题,提出一种基于目标中心点的单阶段检测模型.由于舰船中心点不受舰船分布方向影响,模型主要思想是以目标中心点检测为基础,回归中心点处目标斜框的尺度和方向.首先设计特征提取网络,将卷积神经网络细节信息丰富的底层特征与语义信息丰富的高层特征融合起来形成特征图;然后将特征图输入到三个检测分支,分别预测目标中心点、中心点偏移值以及斜框的尺度与方向;设计组合损失函数对网络进行训练,并改进非极大值抑制算法以适应目标斜框检测的需要.在公开的SAR图像舰船目标检测数据集与光学遥感图像上进行了实验,实验结果表明,测试集平均准确率达0.906,检测精度与速度均优于其它检测模型,充分验证了所提算法的有效性.

摘要：针对现有航迹抗差关联算法缺乏对海上目标航迹特点和规律的考虑、实际应用效果差的问题,根据典型的实测数据对比分析结果,结合海上目标位置变化慢、空间拓扑关联稳定的特点,以三角形稳定结构为基础,设计了适用于海上目标航迹的抗差关联算法。首先,构建拓扑三角形,通过三角形匹配系数和航迹图匹配系数进行阈值判断,得到航迹对的关联系数。其次,保留其中最大关联系数,构建航迹对关联系数矩阵。最后,采用最大关联系数和阈值判别原则,输出关联航迹。实测数据验证结果表明,所提算法成功实现了所有航迹的有效关联,明显优于对比算法,具有较强的稳定性和鲁棒性,可有效解决实际中海上目标航迹关联问题,实用性强。

摘要：针对遥感图像场景分类面临的类内差异性大、类间相似性高导致的部分场景出现分类混淆的问题,该文提出了一种基于双重注意力机制的强鉴别性特征表示方法。针对不同通道所代表特征的重要性程度以及不同局部区域的显著性程度不同,在卷积神经网络提取的高层特征基础上,分别设计了一个通道维和空间维注意力模块,利用循环神经网络的上下文信息提取能力,依次学习、输出不同通道和不同局部区域的重要性权重,更加关注图像中的显著性特征和显著性区域,而忽略非显著性特征和区域,以提高特征表示的鉴别能力。所提双重注意力模块可以与任意卷积神经网络相连,整个网络结构可以端到端训练。通过在两个公开数据集AID和NWPU45上进行大量的对比实验,验证了所提方法的有效性,与现有方法对比,分类准确率取得了明显的提升。

摘要：针对目前基于深度学习的合成孔径雷达(SAR)图像舰船目标斜框检测方法难以满足实时化检测需求的问题,提出了一种轻量化SAR舰船目标斜框检测方法。该方法基于无锚框框架,设计了轻量化的网络结构,对模型参数量和运行速度进行了优化,可直接从头训练。同时,为解决基于角度回归的斜框参数表示方法存在的角度敏感性问题,提出了基于旋转向量的斜框参数表示方法。在公开的SAR图像舰船目标检测数据集上的实验结果表明,所提方法在无需预训练的情况下取得了与迁移学习方法相近的检测精度,模型参数量和运行速度取得了最优结果,充分验证了所提方法的有效性。

摘要：针对自然灾害监测、海洋目标监视等多星协同探测应用场合,首先分析了多源卫星信息在轨融合处理的必要性,其次总结了国内外卫星数据在轨处理的研究现状和存在的问题,然后在此基础上从星上探测、通信和计算资源出发,分析了适应在轨处理的在轨自主任务规划、目标信息表征、多源卫星信息目标在轨关联、多源卫星信息在轨特征融合、星地协同数据处理与动态交互等多源卫星信息在轨融合处理的相关问题和关键技术,最后,给出未来发展趋势展望。

摘要：针对海陆语义分割中陆地、码头形状多样,背景目标复杂等情况造成的像素分类错误、边界分割模糊等问题,提出了一种新的基于深度卷积神经网络的遥感图像海陆语义分割方法。该方法以端对端的训练方式实现了对目标的逐像素分类,为了解决海陆分割中像素分类错误,设计以不同尺度图像为输入的三个并行的编码结构,通过融合不同尺度的特征图,丰富特征代表算子的语义信息,增大像素分类准确率。为了解决海陆分割中边界分割模糊,通过设计能够融合编码结构中低层精细位置信息的解码结构,对特征图进行更加精确的上采样,恢复像素的密集位置信息,提高海陆分割准确度。为有效验证所提网络框架的优势,构建了海陆分割数据集HRSC2016-SL进行算法性能比较。与最新的语义分割算法相比,所提算法取得了更好的分割结果。

摘要：根据机器学习当中的理论方法,通过输入和输出数据设计,把信息融合领域的航迹关联问题,转换为机器学习领域中的分类识别问题,研究提出了一种深度学习航迹关联方法.仿真结果表明:所提方法在关联性能和自适应能力方面优于对比方法,具有较好的应用前景.

摘要：针对光学遥感图像舰船目标类间差异小,需要丰富舰船目标的特征表示能力提高其细粒度识别准确率的问题,文章提出了一种基于全局—局部特征联合的舰船目标细粒度识别方法,设计了双分支特征提取与融合模型。首先,全局特征提取分支通过卷积神经网络提取图像的全局特征;其次,局部特征增强分支将浅层特征图打乱并重构,加入对抗性损失函数,训练网络识别局部重点区域特征的能力,提取目标局部特征;最后,将全局特征和局部特征进行融合,利用全连接层对特征进行降维处理去除冗余信息,增加鲁棒性,并利用融合特征完成分类任务。实验表明,该方法可以兼顾全局特征和局部特征,在FGSC-23舰船目标数据集上准确率达到86.36%,优于其他方法。