基于时空感知深度卷积神经网络的空天三维目标识别研究

结题报告
项目介绍
AI项目解读

基本信息

  • 批准号:
    61771400
  • 项目类别:
    面上项目
  • 资助金额:
    62.0万
  • 负责人:
  • 依托单位:
  • 学科分类:
    F0116.图像信息处理
  • 结题年份:
    2021
  • 批准年份:
    2017
  • 项目状态:
    已结题
  • 起止时间:
    2018-01-01 至2021-12-31

项目摘要

Aiming at the key and difficult questions of 3D target recognition such as feature mining and classifier design,the air and space image sequence of target will be used in this project to carry out research of 3D recognition based on spatio-temporal perception and deep neural networks.The sparse data for deep convolutional neural networks will be obtained based on construction on 3D target characteristic view and human space variant vision mechanism.By means of correlation analysis and hyper parameter optimization,the effect of the deep neural networks learning algorithm on image feature mining ability,generalization ability and convergence performance of networks will be discussed.Taking the spatio-temporal information extraction and 3D target recognition mechanism as guidance,the new model of loosely coupled and tightly coupled neural networks for 3D target recognition will be established.At the same time,a parallel optimization scheme based on BSP model and multiple GPU will be proposed for the fast realization of deep convolutional neural networks.Through the investigation of the project,the relationship between the mechanism of target recognition and realization of deep neural networks algorithm can be established.The new coupled deep convolutional neural networks model which combines the spatio-temporal information can be proposed.The research is of significant importance for opening out the key and basic questions,such as feature extraction of 3D target recognition,and promoting the research of 3D target recognition theory and method in-depth.The research results have important application reference value in military and civil fields.
针对三维目标识别中的特征挖掘和识别分类器设计等关键和难点问题,本项目以空天目标序列图像为对象,开展时空感知深度神经网络的三维目标识别研究。项目拟在构建三维目标特性视图的基础上,引入人眼视觉的空间变分辨率机制,获得面向深度卷积神经网络的稀疏样本;以相关性分析和超参数优化等为手段,阐明深度神经网络学习算法对图像特征挖掘能力、网络泛化能力及收敛性能的影响规律;以三维目标的时空信息抽取和识别机理为牵引,建立面向三维目标识别的深度神经网络松耦合及紧耦合新模型;以深度卷积神经网络的快速实现为目的,提出BSP模型和多GPU相结合的深度学习并行优化方案。通过研究,建立目标识别机理与深度神经网络实施算法的本征关系,提出联合时空信息的深度卷积神经网络耦合新模型。本项目对于揭示三维目标识别中的特征提取等关键基础问题,发展三维目标识别理论与方法具有重要意义,研究成果在军事和民用领域具有重要的应用参考价值。

结项摘要

三维目标识别是导航、制导与控制等领域的重要研究课题。项目组以深度神经网络等为基础,系统研究了深度神经网络对图像特征的挖掘提取能力,探索了提高神经网络泛化能力和收敛能力的策略,建立了深度神经网络目标识别、目标检测和图像融合模型。所完成的创新性研究工作如下:.(1) 提出了基于胶囊网络的三维目标关键帧提取算法。从序列内部变化机制出发,挑选出序列中能够表征关键信息的帧组成关键帧序列。.(2) 建立了面向空天三维目标识别的时空松耦合与紧耦合网络,从识别精度、距离度量、网络参数量和计算效率等角度对两种不同时空感知方法进行了充分比较。同时,提出了将残差网络和主成分分析网络相结合的空中目标识别算法。.(3) 构建了复杂背景下的SSD改进型目标检测模型。引入调制因子,减小背景损失在置信损失占比;对低层特征图进行语义信息融合加强,以提高对小目标检测的精度。.(4) 创新性地提出了基于多通道深度神经网络的红外和可见光图像融合新模型。网络由编码层、融合层、解码层和输出层组成,以一种现有方法的融合结果作为训练标签,并且设计了针对图像融合的损失函数。.(5) 建立了一种基于度量学习的小样本目标分类模型。构建了基于支持集变换查询集样本特征的特征变换网络;设计了全局与局部特征融合模块作用于支持集样本,避免了模型过拟合的问题,同时使模型的学习能更关注目标本身所固有的属性。.(6) 搭建了一种基于迁移学习的小样本目标检测模型。利用迁移学习获得骨干网络的预训练参数;在Faster R-CNN算法的特征提取模块中加入注意力机制,并引入特征金字塔的思想对图像特征进行融合,同时在传统损失函数中加入了抑制背景的正则化项。.通过研究,充分挖掘了深度神经网络对图像特征的提取能力,解决了项目的关键科学问题,完善和发展了基于深度神经网络的目标识别、目标检测和图像融合模型,为进一步推动深度神经网络的理论和应用研究奠定了基础。

项目成果

期刊论文数量(7)
专著数量(0)
科研奖励数量(0)
会议论文数量(3)
专利数量(0)
Multi-focus image fusion algorithm based on focus detection in spatial and NSCT domain.
基于空间域和NSCT域焦点检测的多焦点图像融合算法
  • DOI:
    10.1371/journal.pone.0204225
  • 发表时间:
    2018
  • 期刊:
    PloS one
  • 影响因子:
    3.7
  • 作者:
    Wang H
  • 通讯作者:
    Wang H
SAR image segmentation algorithm based on Contourlet domain AFMRF model
基于Contourlet域AFMRF模型的SAR图像分割算法
  • DOI:
    10.1049/iet-ipr.2017.0290
  • 发表时间:
    2018-02
  • 期刊:
    IET Image Processing
  • 影响因子:
    2.3
  • 作者:
    Wang Hongmei;Shi Jiayi
  • 通讯作者:
    Shi Jiayi
Image recognition based on improved convolutional deep belief network model
基于改进的卷积深度置信网络模型的图像识别
  • DOI:
    10.1007/s11042-019-08300-x
  • 发表时间:
    2020-09
  • 期刊:
    Multimedia Tools and Applications
  • 影响因子:
    3.6
  • 作者:
    Wang Hongmei;Liu Pengzhong
  • 通讯作者:
    Liu Pengzhong
A Novel Key-Frames Selection Framework for Comprehensive Video Summarization
一种用于综合视频摘要的新型关键帧选择框架
  • DOI:
    10.1109/tcsvt.2019.2890899
  • 发表时间:
    2020-02-01
  • 期刊:
    IEEE TRANSACTIONS ON CIRCUITS AND SYSTEMS FOR VIDEO TECHNOLOGY
  • 影响因子:
    8.4
  • 作者:
    Huang, Cheng;Wang, Hongmei
  • 通讯作者:
    Wang, Hongmei
基于深度学习的复杂背景下目标检测研究
  • DOI:
    --
  • 发表时间:
    2021
  • 期刊:
    控制与决策
  • 影响因子:
    --
  • 作者:
    王红梅;王晓鸽;王晓燕
  • 通讯作者:
    王晓燕

数据更新时间:{{ journalArticles.updateTime }}

{{ item.title }}
{{ item.translation_title }}
  • DOI:
    {{ item.doi || "--"}}
  • 发表时间:
    {{ item.publish_year || "--" }}
  • 期刊:
    {{ item.journal_name }}
  • 影响因子:
    {{ item.factor || "--"}}
  • 作者:
    {{ item.authors }}
  • 通讯作者:
    {{ item.author }}

数据更新时间:{{ journalArticles.updateTime }}

{{ item.title }}
  • 作者:
    {{ item.authors }}

数据更新时间:{{ monograph.updateTime }}

{{ item.title }}
  • 作者:
    {{ item.authors }}

数据更新时间:{{ sciAawards.updateTime }}

{{ item.title }}
  • 作者:
    {{ item.authors }}

数据更新时间:{{ conferencePapers.updateTime }}

{{ item.title }}
  • 作者:
    {{ item.authors }}

数据更新时间:{{ patent.updateTime }}

其他文献

宁夏东部荒漠草原向灌丛地人为转变过程中土壤胞外酶活性响应
  • DOI:
    10.13287/j.1001-9332.202008.001
  • 发表时间:
    2020
  • 期刊:
    应用生态学报
  • 影响因子:
    --
  • 作者:
    郭天斗;于露;孙忠超;马彦平;赵亚楠;梁丹妮;李志丽;王红梅
  • 通讯作者:
    王红梅
基于最小化振速重构误差的等效源分布优化方法研究
  • DOI:
    10.3969/j.issn.1007-7294.2021.11.014
  • 发表时间:
    2021
  • 期刊:
    船舶力学
  • 影响因子:
    --
  • 作者:
    吴绍维;肖程诗;王红梅;王艳
  • 通讯作者:
    王艳
基于人工鱼群优化的自适应脉冲耦合神经网络图像融合
  • DOI:
    10.16136/j.joel.2017.04.0134
  • 发表时间:
    2017
  • 期刊:
    光电子·激光
  • 影响因子:
    --
  • 作者:
    王红梅;亓子龙
  • 通讯作者:
    亓子龙
天津市经济发展的重心空间演变及未来展望
  • DOI:
    10.15957/j.cnki.jjdl.2017.05.012
  • 发表时间:
    2017
  • 期刊:
    经济地理
  • 影响因子:
    --
  • 作者:
    孟广文;王春智;鲁笑男;王红梅
  • 通讯作者:
    王红梅
宁夏东部荒漠草原灌丛引入下土壤水分空间异质性
  • DOI:
    10.13287/j.1001-9332.201811.001
  • 发表时间:
    2018
  • 期刊:
    应用生态学报
  • 影响因子:
    --
  • 作者:
    赵亚楠;周玉蓉;王红梅
  • 通讯作者:
    王红梅

其他文献

{{ item.title }}
{{ item.translation_title }}
  • DOI:
    {{ item.doi || "--" }}
  • 发表时间:
    {{ item.publish_year || "--"}}
  • 期刊:
    {{ item.journal_name }}
  • 影响因子:
    {{ item.factor || "--" }}
  • 作者:
    {{ item.authors }}
  • 通讯作者:
    {{ item.author }}
empty
内容获取失败,请点击重试
重试联系客服
title开始分析
查看分析示例
此项目为已结题,我已根据课题信息分析并撰写以下内容,帮您拓宽课题思路:

AI项目思路

AI技术路线图

王红梅的其他基金

面向空天目标识别的深度神经网络多模态图像信息感知及融合研究
  • 批准号:
    62376224
  • 批准年份:
    2023
  • 资助金额:
    51 万元
  • 项目类别:
    面上项目
SAR和可见光图像的脉冲耦合神经网络分层感知融合研究
  • 批准号:
    61401366
  • 批准年份:
    2014
  • 资助金额:
    25.0 万元
  • 项目类别:
    青年科学基金项目

相似国自然基金

{{ item.name }}
  • 批准号:
    {{ item.ratify_no }}
  • 批准年份:
    {{ item.approval_year }}
  • 资助金额:
    {{ item.support_num }}
  • 项目类别:
    {{ item.project_type }}

相似海外基金

{{ item.name }}
{{ item.translate_name }}
  • 批准号:
    {{ item.ratify_no }}
  • 财政年份:
    {{ item.approval_year }}
  • 资助金额:
    {{ item.support_num }}
  • 项目类别:
    {{ item.project_type }}
{{ showInfoDetail.title }}

作者:{{ showInfoDetail.author }}

知道了

AI项目解读示例

课题项目:调控A型流感病毒诱导IFN-β表达的机制研究

AI项目摘要:

本研究聚焦于TRIM2蛋白在A型流感病毒诱导的IFN-β表达中的调控机制。A型流感病毒是全球性健康问题,其感染可导致严重的呼吸道疾病。IFN-β作为关键的抗病毒因子,其表达水平对抗病毒防御至关重要。然而,TRIM2如何调控IFN-β的表达尚未明确。本研究假设TRIM2通过与病毒RNA或宿主因子相互作用,影响IFN-β的产生。我们将采用分子生物学、细胞生物学和免疫学方法,探索TRIM2与A型流感病毒诱导IFN-β表达的关系。预期结果将揭示TRIM2在抗病毒免疫反应中的作用,为开发新的抗病毒策略提供理论基础。该研究对理解宿主抗病毒机制具有重要科学意义,并可能对临床治疗流感病毒感染提供新的视角。

AI项目思路:

科学问题:TRIM2如何调控A型流感病毒诱导的IFN-β表达?
前期研究:已有研究表明TRIM2参与抗病毒反应,但其具体机制尚不明确。
研究创新点:本研究将深入探讨TRIM2在IFN-β表达中的直接作用机制。
技术路线:包括病毒学、分子生物学、细胞培养和免疫检测技术。
关键技术:TRIM2与病毒RNA的相互作用分析,IFN-β启动子活性检测。
实验模型:使用A型流感病毒感染的细胞模型进行研究。

AI技术路线图

        graph TD
          A[研究起始] --> B[文献回顾与假设提出]
          B --> C[实验设计与方法学准备]
          C --> D[A型流感病毒感染模型建立]
          D --> E[TRIM2与病毒RNA相互作用分析]
          E --> F[TRIM2对IFN-β启动子活性的影响]
          F --> G[IFN-β表达水平测定]
          G --> H[TRIM2功能丧失与获得研究]
          H --> I[数据收集与分析]
          I --> J[结果解释与科学验证]
          J --> K[研究结论与未来方向]
          K --> L[研究结束]
      
关闭
close
客服二维码