現有的目標檢測識別技術在理想環境（背景單一、目標分辨率高等）中已經取得了顯著的效果，但在更為普適開放的環境下往往無法正常工作。復雜場景下小目標的檢測和識別研究面臨環境的復雜性、目標特性的復雜性和數據的不完備性三個層面的挑戰。本文解決該問題的基本思路是在源域知識的指導下，修正目標域樣本在特征空間的聯合概率分布，從而提高樣本目標域特征的可分性。本文針對分布不一致的問題，從上下文信息、信息補償以及數據增強這三個層面展開研究。
王棟，1978年出生，副教授，碩士。多次承擔重大科研項目，多次獲獎、三等功。負責講授碩士研究生和本科生課程有：網絡技術與應用、計算機硬件基礎、訓練評估等課程。公開出版專著教材5部，發表論文43篇。
目 錄／Contents
第一部分 復雜場景下的小目標檢測與識別方法研究
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 研究現狀6
1.1.3 困難挑戰8
1.1.4 科學問題11
1.2 研究內容和創新點11
1.2.1 研究內容12
1.2.2 特色創新13
第2章 復雜場景下小目標檢測與識別的相關技術16
2.1 傳統場景下常規目標檢測與識別17
2.1.1 檢測與識別的基本模塊17
2.1.2 檢測和識別的框架21
2.2 復雜場景下小目標檢測和識別26
2.2.1 信息增強26
2.2.2 上下文信息發展現狀28
第3章 上下文信息指導的復雜場景下小目標檢測30
3.1 小目標特征淹沒31
3.2 小目標檢測算法的原理分析34
3.2.1 復雜場景下的小目標檢測34
3.2.2 上下文信息35
3.2.3 判別式學習36
3.3 上下文信息指導的復雜場景下小目標檢測方法37
3.3.1 基于SVM的目標候選區域相似度計算37
3.3.2 基于譜聚類的圖模型分割38
3.4 實驗結果與分析40
3.4.1 子模塊有效性驗證實驗40
3.4.2 WiderFace數據集小臉檢測的實驗結果43
3.4.3 AFW和PascalFace數據集人臉檢測的實驗結果43
3.4.4 DOTA數據集遙感圖像小目標檢測的實驗結果45
第4章 信息補償機制的復雜場景下小目標識別48
4.1 問題引出49
4.2 信息補償機制下的小目標識別算法原理分析53
4.2.1 低分辨率行為識別與人臉識別53
4.2.2 基于超分辨率重建的低分辨率物體識別方法53
4.2.3 基于特征變換的低分辨率物體識別方法54
4.3 基于表示學習生成對抗網絡的小目標識別算法55
4.3.1 問題定義和方法概述55
4.3.2 全局特征注意力機制60
4.3.3 全局特征注意力機制RL-GAN的LR圖像分類62
4.4 實驗結果與分析63
4.4.1 數據集和評價指標64
4.4.2 WIDER-SHIP遙感圖像艦船識別的實驗結果67
4.4.3 HRSC遙感圖像艦船識別的實驗結果68
4.4.4 CIFAR-10的實驗結果69
4.4.5 模型消融實驗69
第5章 樣本方向指導的數據增強73
5.1 問題概述74
5.2 基于屬性指導的數據增強方法分析76
5.3 樣本方向指導的數據增強方法77
5.3.1 基于物體主軸POD的方向描述子78
5.3.2 基于中值的數據集相似度量方法80
5.3.3 基于擾動矩陣的圖像旋轉算法82
5.4 實驗結果與分析82
5.4.1 測試集圖像旋轉對學習模型檢測性能的影響83
5.4.2 物體方向的估計86
5.4.3 主軸方向分布的相似度衡量87
第6章 基于區域推薦和PHOG的飛機快速檢測算法90
6.1 問題概述91
6.2 區域推薦和特征提取原理分析92
6.3 基于區域推薦和PHOG的遙感圖像中飛機快速檢測算法93
6.3.1 基于梯度特征的快速區域推薦算法93
6.3.2 基于PHOG的特征快速提取方法94
6.4 實驗結果與分析96
本部分總結100
參考文獻103
第二部分 基于機器學習的智能空戰深層態勢感知
第7章 緒論126
7.1 空戰態勢感知概述128
7.1.1 空戰OODA過程描述128
7.1.2 空戰態勢感知的層次結構130
7.2 國內外研究現狀131
7.2.1 軌跡預測研究131
7.2.2 機動識別研究132
7.2.3 意圖識別研究133
7.3 研究意義134
第8章 相關理論和數據來源136
8.1 數據挖掘理論137
8.2 機器學習相關理論138
8.2.1 神經網絡138
8.2.2 支持向量機140
8.2.3 深度學習143
第9章 基于粒子群優化LSTM的空戰軌跡預測研究144
9.1 目標軌跡預測問題描述145
9.2 基于PSO-LSTM神經網絡的飛行軌跡預測147
9.2.1 LSTM神經網絡模型147
9.2.2 傳統粒子群算法149
9.2.3 自適應學習策略的PSO算法150
9.2.4 PSO-LSTM模型152
9.2.5 算法流程153
9.3 仿真實驗與分析155
9.3.1 軌跡數據選取與處理156
9.3.2 軌跡預測性能對比分析157
第10章 基于CHCQPSO-LSSVM的空戰目標機動識別研究163
10.1 機動識別問題描述164
10.1.1 多元時間序列識別164
10.1.2 分級識別166
10.2 機動動作分類與數據處理166
10.2.1 參考坐標系167
10.2.2 機動動作分類169
10.2.3 飛行數據選擇與處理173
10.3 基于CHCQPSO-LSSVM的空戰目標機動識別177
10.3.1 QPSO算法177
10.3.2 改進雜交機制的QPSO算法179
10.3.3 參數尋優流程181
10.3.4 機動識別模型182
10.4 仿真實驗與分析183
10.4.1 機動識別樣本數據的構造183
10.4.2 實驗設置183
10.4.3 模型訓練184
10.4.4 機動識別準確性分析187
10.4.5 機動識別實時性分析192
第11章 基于Multi-BiLSTM-Attention網絡的空戰目標
意圖識別研究194
11.1 目標意圖識別問題描述195
11.2 基于Multi-BiLSTM-Attention網絡的1對1空戰目標
意圖識別研究197
11.2.1 意圖空間描述197
11.2.2 BiLSTM200
11.2.3 Attention機制201
11.2.4 Multi-BiLSTM-Attention模型203
11.3 意圖識別樣本數據的構造205
11.4 仿真實驗與分析208
11.4.1 實驗設置208
11.4.2 意圖識別準確性分析212
11.4.3 意圖識別實時性分析218
本部分總結220
參考文獻224
新書資訊