首页期刊导航|信号处理
期刊信息/Journal information
信号处理
信号处理

谢维信

月刊

1003-0530

010-64010656;64034443-3004

100009

北京鼓楼西大街41号

信号处理/Journal Signal ProcessingCSCD北大核心CSTPCD
正式出版
收录年代

    基于时差提示SAM的遥感变化检测

    方乐缘旷洋刘强岳俊...
    417-427页
    查看更多>>摘要：遥感变化检测作为观测和分析地表变化的重要手段,以双时相图像为输入,旨在预测变化发生的"位置".近期出现的基础模型,例如SAM模型(Segment Anything Model),展现出强大的通用性和泛化能力,有望为变化检测任务提供更为有效的解决方案.然而,由于遥感图像的特殊成像特性,它们在许多遥感应用中的直接使用往往效果不佳.此外,SAM模型最初被设计用于分割单时相图像,其通过人工添加点或框的提示来实现,但这种过于直观的方法在处理双时相图像输入时并不适用.为了应对上述挑战,本文提出了一种基于时差提示SAM的遥感变化检测方法(TDPS),充分发挥 SAM 模型强大的视觉识别能力,以改进对遥感图像的变化检测.具体而言,本文首先在 SAM 骨干网络中引入了低阶可微调参数,以减轻自然图像到遥感图像上的域偏移.其次,本文设计了时相差异提示生成器,通过将双时相图像的特征与查询嵌入一起优化,得到适用于变化检测任务的提示向量.最后,大量实验证明了本文方法的有效性,在两个常用的变化检测数据集LEVIR-CD和WHU-CD上取得了最先进的性能,F1指标相比于最先进方法分别提升了1.4%和2.5%.

    遥感变化检测SAM提示学习

      原文链接:
    • NETL
    • NSTL
    • 万方数据

    基于卷积残差注意力网络的高光谱图像分类算法

    涂兵贺燕胡江红陈云云...
    428-439页
    查看更多>>摘要：基于卷积神经网络(CNN:Convolutional Neural Network)的高光谱图像(HSI:Hyperspectral Image)分类方法显著提高了分类性能,然而在获取深层语义特征方面存在瓶颈,且随着网络层数增加,计算成本明显上升.注意力机制允许网络集中注意力于特定区域或通道,提高对关键信息的感知,且有助于处理图像中的长距离依赖关系,促使网络同时获取局部特征和全局特征.因此,本文提出一种基于卷积残差注意力网络的高光谱图像分类算法.首先,设计了光谱-空间特征提取模块,使网络能够更全面地捕捉高光谱图像中的信息;其次,设计注意力增强骨干,通过注意力机制和残差网络的交互,更加关注重要的通道和特定区域,提高特征的判别能力并增强对空间信息的感知能力;最后引入注意力对比学习,增强样本类内间的关联度与类间的区分度.在三个公开的高光谱数据集上的实验结果表明,相较于已有代表性高光谱图像分类算法,所提方法的分类性能更优异.

    卷积神经网络高光谱图像注意力机制残差网络

      原文链接:
    • NETL
    • NSTL
    • 万方数据

    高精度毫米波柱面孔径全息成像算法研究

    谭维贤王欢黄平平徐伟...
    440-450页
    查看更多>>摘要：近年来,国际恐怖袭击事件时有发生,使得安全形势变得极为严峻,因此迫切需要引入新型的安全检查手段,防范和应对重大安全事故的发生.在此背景下,毫米波全息三维成像凭借其安全性、穿透性和高分辨率成像等优势,被广泛地应用在安检领域.由于人体安检需要在短时间内对目标进行精确的检测,具有实时性的特点,即需要在实时情况下快速做出判断和决策,因此对成像精度有着更高的要求.本文提出了一种高精度毫米波柱面孔径全息成像算法,给出了柱面孔径三维成像所需要满足的采样准则;首先,将成像区域划分为序列不同半径的成像柱面,依据成像精度和相位误差控制范围设置成像参考柱面,简化重复计算匹配滤波函数的过程;然后,将回波信号变换至三维波数域中,并与匹配滤波函数相乘;接着,沿距离向对匹配滤波的结果进行积分,聚焦获得相应半径柱面上目标的散射信息;最后,对不同半径柱面上的目标进行聚焦,获取目标的全部散射信息,进而完成对整个观测区域的三维图像重建.本文给出了参考面最佳分配策略和算法成像复杂度分析,并通过点目标仿真详细地分析了相位误差对成像质量的影响,并与现有的方法进行了比较,以及在同样的系统参数下对人体模特进行成像实验,仿真和实验的结果表明本文方法的有效性、精确性和正确性.

    毫米波雷达柱面孔径毫米波全息三维成像

      原文链接:
    • NETL
    • NSTL
    • 万方数据

    多方位角融合SAR图像中"扇形"旁瓣分析

    王亚敏陈杰杨威曾虹程...
    451-459页
    查看更多>>摘要：随着相控阵天线电子扫描能力的提升,多方位角观测成为星载合成孔径雷达(Synthetic Aperture Radar,SAR)发展方向之一,从多维度提高目标信息解译能力.然而,在公开的多方位角融合SAR图像中存在较强的二维"扇形"旁瓣现象,且二维分布特点不同,容易造成目标误判.因此本文针对此旁瓣方向和多方位角观测目标分辨率开展研究.首先,概述了多方位角观测模式和特性,提出了基于CUDA并行加速的快速后向投影(Back Projection,BP)算法,高效率生成多方位角序贯SAR图像,避免耗时的图像配准和几何校正;其次,基于多方位角观测中斜距平面和地距平面的几何投影关系,重点分析了地距平面目标方位向、距离向分辨率和旁瓣方向,揭示了融合SAR图像中"扇形"旁瓣的形成机理,并解释了二维旁瓣特性不同的原因,基于此可反演获取该SAR图像时卫星和观测场景之间的几何关系,以及融合SAR图像数;最后,通过点目标和扩展目标仿真开展实验,结果表明方位斜视观测中,地距平面方位向、距离向分辨率理论分析精度优于0.02 m,旁瓣方向理论分析精度优于1o,验证了所提分析方法的正确性.

    星载合成孔径雷达多方位角融合图像"扇形"旁瓣

      原文链接:
    • NETL
    • NSTL
    • 万方数据

    基于机载多角度InSAR技术的复杂地形高精度DEM重建方法

    李爽王栋王立程林赟...
    460-470页
    查看更多>>摘要：干涉合成孔径雷达(Interferomtric Synthetic Aperture Radar,InSAR)是全天时、全天候获取三维地表信息重要的技术手段.机载InSAR系统具有机动灵活、多角度获取数据的优势,可以高效率、高精度获取数字高程模型(Digital Elevation Model,DEM)数据.但是,在地形复杂区域,InSAR侧视成像易在地形陡峭区域形成较大范围的阴影和严重的叠掩现象,阴影和叠掩区域在SAR图像上体现为信息的丢失,从而导致DEM数据大面积无效数据的存在,严重影响DEM数据的质量及应用.针对这一问题,本文提出了基于机载多角度InSAR技术的复杂地形高精度DEM重建方法,基于考虑地形起伏的机载多角度InSAR数据获取任务规划设计,最大程度的避免阴影和叠掩导致的无效数据;基于高精度InSAR数据处理,保证每个角度DEM数据精度的高度一致性;基于快速多角度DSM数据融合与滤波处理,实现多角度InSAR体制复杂地形DEM高精度重建.本文以四川省西部山区大坡度、非连续等复杂地形为例,基于本文提出的方法,利用3个角度InSAR数据融合处理,生成了高精度DEM数据,试验结果表明,本文提出的方法获取复杂地形DEM数据高程均方根误差为0.6 m,同时,数据有效率大于99%.

    多角度干涉合成孔径雷达复杂地形数字高程模型

      原文链接:
    • NETL
    • NSTL
    • 万方数据

    两阶段特征金字塔的遥感图像变化检测

    庄胤蔡妙鑫董珊陈禾...
    471-483页
    查看更多>>摘要：遥感图像变化检测是遥感领域的重要研究方向.针对多尺度编码特征语义差异性和空间信息差异性引入伪变化干扰的问题,本文提出了一种两阶段特征金字塔的变化检测网络TS-FPCDN(Two Stage-Feature Pyramid based Change Detection Network),通过两阶段解码器增强变化特征描述,抑制伪变化信息干扰.首先,采用孪生编码网络对双时相遥感影像进行编码特征提取,并生成多尺度初始差异特征.由于初始差异特征中存在大量噪声和伪变化信息,通过第一阶段特征金字塔结构和双注意力引导的多尺度差异特征融合机制,进行多尺度差异特征语义信息和空间信息的交互,缓解多尺度特征语义的差异性和空间信息的差异性,初步去除伪变化信息干扰,生成多尺度初始变化特征.然后,为进一步提高变化特征描述和去除伪变化,设计了第二阶段特征金字塔,对多尺度变化特征逐层重优化,并进行变化预测.最后,在两个变化检测数据集LEVIR-CD和WHU-CD上开展了一系列实验,实验结果证明了本文提出方法的有效性.

    遥感影像变化检测注意力机制特征金字塔

      原文链接:
    • NETL
    • NSTL
    • 万方数据

    基于对抗生成的轻量化红外图像增强网络

    程江华潘乐昊刘通程榜...
    484-491页
    查看更多>>摘要：目前,红外成像技术在医学、安保、环境监测、军事探测等方面获得了广泛应用.然而,由于低成本红外成像设备的固有缺陷及大气环境对热辐射传导的影响,导致其采集的图像亮度较暗、细节模糊、对比度低,影响后续图像语义分析及目标检测识别等任务.传统基于模型的红外图像增强方法常需利用图像先验信息,模型参数与场景相关,模型泛化能力不强;基于深度学习的红外图像增强算法有助于增强红外图像质量,但结构冗余,不利于边缘端部署.生成对抗网络(GAN)可以通过判别器和生成器两个网络的轮流对抗训练显著提升红外图像增强效果,但网络训练参数量大,边缘端部署占用资源多,运算复杂度高.本文设计了一种基于对抗生成的轻量化红外图像增强网络,通过在GAN模型的基础上增加多层次特征融合结构并设计多尺度损失函数,提升了特征提取效率并减少了网络层数,在提升图像质量的同时提高了增强效率,利于算法的边缘端部署.实验表明,本文方法在同等参数量下,通过添加多层次特征融合结构和多尺度损失函数,兼顾了图像的全局和局部特征,保证了细节信息不丢失,在提高网络性能的前提下未明显增加计算复杂度;在红外图像增强效果相当的情况下,模型参数量降低75.0%,边缘端设备推断时间降低32.07%.

    红外图像增强深度学习轻量化网络生成对抗

      原文链接:
    • NETL
    • NSTL
    • 万方数据

    基于自适应字典校正的稀疏恢复STAP算法

    高志奇赵彩梅黄平平徐伟...
    492-502页
    查看更多>>摘要：空时自适应处理(Space-Time Adaptive Processing,STAP)技术在时间维(脉冲维)和空间维(阵元维)联合进行信号处理,以实现动目标检测功能.但是,传统STAP技术的计算复杂度非常高,而且在优化处理信号过程中需要大样本的支撑,在实际的工作场景中,杂波环境复杂易变,不易获取足够多的独立同分布样本,因此杂波抑制效果较差.稀疏恢复空时自适应处理(Sparse Recovery Space-Time Adaptive Processing,SR-STAP)算法可以利用很少的训练样本实现杂波抑制,但大多数SR-STAP算法的计算量巨大,运行速度慢,算法实时性不高.此外,SR-STAP算法需要对连续空时二维平面进行离散化处理,将空时二维平面划分为很多细小的网格,由于真实的杂波在空时平面上是连续分布的,同时考虑雷达接收信号中噪声、系统参数误差等因素的影响,真实杂波点与离散化网格点之间一定存在着偏差,会造成网格失配现象,导致SR-STAP算法杂波抑制性能下降.针对此问题,本文提出了基于自适应字典校正的稀疏恢复STAP算法.该算法首先通过子空间投影法筛选出与杂波最相关的原子;然后围绕选定原子由粗到细进行自适应局部网格划分,按照局部网格迭代选优准则,不断调整选择局域内的最优原子,直到满足迭代终止条件,以匹配真实的杂波点;最后利用选定的最优原子对应的空时导向矢量构造杂波子空间,更新噪声子空间上与杂波子空间正交的投影矩阵得到STAP权值.仿真实验表明,所提算法与传统SR-STAP算法相比,具有更高的稀疏恢复精度,更快的运行速度,改善了STAP性能.

    空时自适应处理网格失配局部划分稀疏恢复

      原文链接:
    • NETL
    • NSTL
    • 万方数据

    基于多模型正交化的深度图像识别对抗鲁棒性增强技术

    逯子豪徐延杰孙浩计科峰...
    503-515页
    查看更多>>摘要：近年来,深度神经网络(Deep Neural Networks,DNN)已被广泛应用于图像识别,目标检测,图像分割等多种计算机视觉任务中,并取得了巨大成功.然而,DNN模型因其本身的脆弱性,仍面临着对抗攻击等技术手段带来的安全隐患.攻击者在图像上恶意地添加微小且人眼难以识别的扰动,可以让模型产生高置信度的错误输出.针对上述问题,集成多个DNN模型来提升对抗鲁棒性已成为有效的解决方案之一.但是,对抗样本在集成模型中的子模型间存在对抗迁移现象,可能使集成模型的防御效能大大降低,而且目前仍缺乏能够降低集成防御内部对抗迁移性的直观理论分析.本文引入损失场的概念并定量描述DNN模型间的对抗迁移性,重点关注和推导对抗迁移表达式的上界,发现促进模型损失场之间的正交性以及降低模型损失场的强度(Promoting Orthogonality and Reducing Strength,PORS)可以限制其上界大小,进而限制DNN模型间对抗迁移性.本文引入PORS惩罚项至原损失函数中,使集成模型能够保持在原始数据上的识别性能的同时,通过降低子模型间的对抗迁移性来增强整体的对抗鲁棒性.文章在CIFAR-10和MNIST数据集上对由PORS训练得到的集成模型开展实验,分别在白盒和黑盒攻击环境下与其他先进的集成防御方法进行对比实验,实验结果表明PORS可以显著提高对抗鲁棒性,在白盒攻击和原始数据集上能保持非常高的识别精度,尤其在黑盒迁移攻击中极为有效,在所有集成防御方法中表现最为稳定.

    深度神经网络图像识别对抗迁移性集成防御损失场

      原文链接:
    • NETL
    • NSTL
    • 万方数据

    一种融合运动预测的三维点云目标跟踪算法

    张远刘昭娣杨大林王伯伦...
    516-523页
    查看更多>>摘要：随着人工智能技术的发展以及对目标跟踪理论的研究深入,目标跟踪技术在实际生活中得到了广泛的应用,对于许多视觉应用,目标跟踪更是一项必不可少的技术.目前,针对二维图像的目标跟踪研究已取得了丰硕的成果,但基于三维点云的目标跟踪技术还处于研究发展阶段.近年来,由于激光雷达的广泛应用以及深度学习技术在三维点云领域的研究,基于激光雷达点云的目标跟踪技术也取得了一些进展.现有的基于激光雷达点云目标的跟踪算法主要分为两大类:传统滤波算法和深度学习算法.虽然基于传统滤波的点云目标跟踪算法可以达到更好的效果,但是很难给这类算法赋予最优的参数,并且这类算法在一些剧烈变化的场景中很容易失效.而基于深度学习的激光雷达点云目标跟踪算法大多是"检测-跟踪"的架构,这种架构最大的问题是后端跟踪任务严重依赖于前端检测结果,当前端检测器失效时,后端跟踪模块就无法进行跟踪,这会造成大量的目标丢失问题.针对以上问题,本文使用了一种以运动预测为中心的深度学习架构.该架构将检测和运动预测相结合,主要分为两个阶段:第一阶段通过点云特征提取对目标进行检测,将目标从点云中分割出来,并将目标定位到连续帧中;第二阶段通过运动预测更新分支对目标框进行优化,以得到更准确的目标位置.实验结果表明,该方法有效,且跟传统滤波方法相比,能更好的应对一些剧烈变化的场景;跟深度学习方法中的"检测-跟踪"架构相比,减少了目标丢失的情况.针对激光雷达点云目标跟踪,能得到更精确的跟踪结果.

    激光雷达点云目标跟踪深度学习运动预测

      原文链接:
    • NETL
    • NSTL
    • 万方数据