現(xiàn)有的目標(biāo)檢測(cè)識(shí)別技術(shù)在理想環(huán)境（背景單一、目標(biāo)分辨率高等）中已經(jīng)取得了顯著的效果，但在更為普適開(kāi)放的環(huán)境下往往無(wú)法正常工作。復(fù)雜場(chǎng)景下小目標(biāo)的檢測(cè)和識(shí)別研究面臨環(huán)境的復(fù)雜性、目標(biāo)特性的復(fù)雜性和數(shù)據(jù)的不完備性三個(gè)層面的挑戰(zhàn)。本文解決該問(wèn)題的基本思路是在源域知識(shí)的指導(dǎo)下，修正目標(biāo)域樣本在特征空間的聯(lián)合概率分布，從而提高樣本目標(biāo)域特征的可分性。本文針對(duì)分布不一致的問(wèn)題，從上下文信息、信息補(bǔ)償以及數(shù)據(jù)增強(qiáng)這三個(gè)層面展開(kāi)研究。
王棟，1978年出生，副教授，碩士。多次承擔(dān)重大科研項(xiàng)目，多次獲獎(jiǎng)、三等功。負(fù)責(zé)講授碩士研究生和本科生課程有：網(wǎng)絡(luò)技術(shù)與應(yīng)用、計(jì)算機(jī)硬件基礎(chǔ)、訓(xùn)練評(píng)估等課程。公開(kāi)出版專著教材5部，發(fā)表論文43篇。
目 錄／Contents
第一部分 復(fù)雜場(chǎng)景下的小目標(biāo)檢測(cè)與識(shí)別方法研究
第1章 緒論2
1.1 研究背景及意義3
1.1.1 研究意義3
1.1.2 研究現(xiàn)狀6
1.1.3 困難挑戰(zhàn)8
1.1.4 科學(xué)問(wèn)題11
1.2 研究?jī)?nèi)容和創(chuàng)新點(diǎn)11
1.2.1 研究?jī)?nèi)容12
1.2.2 特色創(chuàng)新13
第2章 復(fù)雜場(chǎng)景下小目標(biāo)檢測(cè)與識(shí)別的相關(guān)技術(shù)16
2.1 傳統(tǒng)場(chǎng)景下常規(guī)目標(biāo)檢測(cè)與識(shí)別17
2.1.1 檢測(cè)與識(shí)別的基本模塊17
2.1.2 檢測(cè)和識(shí)別的框架21
2.2 復(fù)雜場(chǎng)景下小目標(biāo)檢測(cè)和識(shí)別26
2.2.1 信息增強(qiáng)26
2.2.2 上下文信息發(fā)展現(xiàn)狀28
第3章 上下文信息指導(dǎo)的復(fù)雜場(chǎng)景下小目標(biāo)檢測(cè)30
3.1 小目標(biāo)特征淹沒(méi)31
3.2 小目標(biāo)檢測(cè)算法的原理分析34
3.2.1 復(fù)雜場(chǎng)景下的小目標(biāo)檢測(cè)34
3.2.2 上下文信息35
3.2.3 判別式學(xué)習(xí)36
3.3 上下文信息指導(dǎo)的復(fù)雜場(chǎng)景下小目標(biāo)檢測(cè)方法37
3.3.1 基于SVM的目標(biāo)候選區(qū)域相似度計(jì)算37
3.3.2 基于譜聚類的圖模型分割38
3.4 實(shí)驗(yàn)結(jié)果與分析40
3.4.1 子模塊有效性驗(yàn)證實(shí)驗(yàn)40
3.4.2 WiderFace數(shù)據(jù)集小臉檢測(cè)的實(shí)驗(yàn)結(jié)果43
3.4.3 AFW和PascalFace數(shù)據(jù)集人臉檢測(cè)的實(shí)驗(yàn)結(jié)果43
3.4.4 DOTA數(shù)據(jù)集遙感圖像小目標(biāo)檢測(cè)的實(shí)驗(yàn)結(jié)果45
第4章 信息補(bǔ)償機(jī)制的復(fù)雜場(chǎng)景下小目標(biāo)識(shí)別48
4.1 問(wèn)題引出49
4.2 信息補(bǔ)償機(jī)制下的小目標(biāo)識(shí)別算法原理分析53
4.2.1 低分辨率行為識(shí)別與人臉識(shí)別53
4.2.2 基于超分辨率重建的低分辨率物體識(shí)別方法53
4.2.3 基于特征變換的低分辨率物體識(shí)別方法54
4.3 基于表示學(xué)習(xí)生成對(duì)抗網(wǎng)絡(luò)的小目標(biāo)識(shí)別算法55
4.3.1 問(wèn)題定義和方法概述55
4.3.2 全局特征注意力機(jī)制60
4.3.3 全局特征注意力機(jī)制RL-GAN的LR圖像分類62
4.4 實(shí)驗(yàn)結(jié)果與分析63
4.4.1 數(shù)據(jù)集和評(píng)價(jià)指標(biāo)64
4.4.2 WIDER-SHIP遙感圖像艦船識(shí)別的實(shí)驗(yàn)結(jié)果67
4.4.3 HRSC遙感圖像艦船識(shí)別的實(shí)驗(yàn)結(jié)果68
4.4.4 CIFAR-10的實(shí)驗(yàn)結(jié)果69
4.4.5 模型消融實(shí)驗(yàn)69
第5章 樣本方向指導(dǎo)的數(shù)據(jù)增強(qiáng)73
5.1 問(wèn)題概述74
5.2 基于屬性指導(dǎo)的數(shù)據(jù)增強(qiáng)方法分析76
5.3 樣本方向指導(dǎo)的數(shù)據(jù)增強(qiáng)方法77
5.3.1 基于物體主軸POD的方向描述子78
5.3.2 基于中值的數(shù)據(jù)集相似度量方法80
5.3.3 基于擾動(dòng)矩陣的圖像旋轉(zhuǎn)算法82
5.4 實(shí)驗(yàn)結(jié)果與分析82
5.4.1 測(cè)試集圖像旋轉(zhuǎn)對(duì)學(xué)習(xí)模型檢測(cè)性能的影響83
5.4.2 物體方向的估計(jì)86
5.4.3 主軸方向分布的相似度衡量87
第6章 基于區(qū)域推薦和PHOG的飛機(jī)快速檢測(cè)算法90
6.1 問(wèn)題概述91
6.2 區(qū)域推薦和特征提取原理分析92
6.3 基于區(qū)域推薦和PHOG的遙感圖像中飛機(jī)快速檢測(cè)算法93
6.3.1 基于梯度特征的快速區(qū)域推薦算法93
6.3.2 基于PHOG的特征快速提取方法94
6.4 實(shí)驗(yàn)結(jié)果與分析96
本部分總結(jié)100
參考文獻(xiàn)103
第二部分 基于機(jī)器學(xué)習(xí)的智能空戰(zhàn)深層態(tài)勢(shì)感知
第7章 緒論126
7.1 空戰(zhàn)態(tài)勢(shì)感知概述128
7.1.1 空戰(zhàn)OODA過(guò)程描述128
7.1.2 空戰(zhàn)態(tài)勢(shì)感知的層次結(jié)構(gòu)130
7.2 國(guó)內(nèi)外研究現(xiàn)狀131
7.2.1 軌跡預(yù)測(cè)研究131
7.2.2 機(jī)動(dòng)識(shí)別研究132
7.2.3 意圖識(shí)別研究133
7.3 研究意義134
第8章 相關(guān)理論和數(shù)據(jù)來(lái)源136
8.1 數(shù)據(jù)挖掘理論137
8.2 機(jī)器學(xué)習(xí)相關(guān)理論138
8.2.1 神經(jīng)網(wǎng)絡(luò)138
8.2.2 支持向量機(jī)140
8.2.3 深度學(xué)習(xí)143
第9章 基于粒子群優(yōu)化LSTM的空戰(zhàn)軌跡預(yù)測(cè)研究144
9.1 目標(biāo)軌跡預(yù)測(cè)問(wèn)題描述145
9.2 基于PSO-LSTM神經(jīng)網(wǎng)絡(luò)的飛行軌跡預(yù)測(cè)147
9.2.1 LSTM神經(jīng)網(wǎng)絡(luò)模型147
9.2.2 傳統(tǒng)粒子群算法149
9.2.3 自適應(yīng)學(xué)習(xí)策略的PSO算法150
9.2.4 PSO-LSTM模型152
9.2.5 算法流程153
9.3 仿真實(shí)驗(yàn)與分析155
9.3.1 軌跡數(shù)據(jù)選取與處理156
9.3.2 軌跡預(yù)測(cè)性能對(duì)比分析157
第10章 基于CHCQPSO-LSSVM的空戰(zhàn)目標(biāo)機(jī)動(dòng)識(shí)別研究163
10.1 機(jī)動(dòng)識(shí)別問(wèn)題描述164
10.1.1 多元時(shí)間序列識(shí)別164
10.1.2 分級(jí)識(shí)別166
10.2 機(jī)動(dòng)動(dòng)作分類與數(shù)據(jù)處理166
10.2.1 參考坐標(biāo)系167
10.2.2 機(jī)動(dòng)動(dòng)作分類169
10.2.3 飛行數(shù)據(jù)選擇與處理173
10.3 基于CHCQPSO-LSSVM的空戰(zhàn)目標(biāo)機(jī)動(dòng)識(shí)別177
10.3.1 QPSO算法177
10.3.2 改進(jìn)雜交機(jī)制的QPSO算法179
10.3.3 參數(shù)尋優(yōu)流程181
10.3.4 機(jī)動(dòng)識(shí)別模型182
10.4 仿真實(shí)驗(yàn)與分析183
10.4.1 機(jī)動(dòng)識(shí)別樣本數(shù)據(jù)的構(gòu)造183
10.4.2 實(shí)驗(yàn)設(shè)置183
10.4.3 模型訓(xùn)練184
10.4.4 機(jī)動(dòng)識(shí)別準(zhǔn)確性分析187
10.4.5 機(jī)動(dòng)識(shí)別實(shí)時(shí)性分析192
第11章 基于Multi-BiLSTM-Attention網(wǎng)絡(luò)的空戰(zhàn)目標(biāo)
意圖識(shí)別研究194
11.1 目標(biāo)意圖識(shí)別問(wèn)題描述195
11.2 基于Multi-BiLSTM-Attention網(wǎng)絡(luò)的1對(duì)1空戰(zhàn)目標(biāo)
意圖識(shí)別研究197
11.2.1 意圖空間描述197
11.2.2 BiLSTM200
11.2.3 Attention機(jī)制201
11.2.4 Multi-BiLSTM-Attention模型203
11.3 意圖識(shí)別樣本數(shù)據(jù)的構(gòu)造205
11.4 仿真實(shí)驗(yàn)與分析208
11.4.1 實(shí)驗(yàn)設(shè)置208
11.4.2 意圖識(shí)別準(zhǔn)確性分析212
11.4.3 意圖識(shí)別實(shí)時(shí)性分析218
本部分總結(jié)220
參考文獻(xiàn)224
新書資訊