1 桂林电子科技大学光电工程学院,广西 桂林 541004
2 哈尔滨工程大学物理与光电工程学院,黑龙江 哈尔滨 150006
本文针对光纤传感技术中相敏光时域反射仪(Φ-OTDR)数据采集受限的问题,提出了一种基于条件对抗生成网络(CGAN)的数据增强方法,用于在少量数据基础上生成大量训练样本。实验中采用Φ-OTDR完成数据采集,将采集到的真实数据作为CGAN的输入,网络通过自动提取信号特征,并在输入条件的帮助下生成逼真的信号数据。将生成数据和原始数据分别输入决策树、支持向量机、卷积神经网络等模型进行分类,实验结果显示,生成数据在各个分类器中的检测结果都得到了显著提升,有效提高了分类器模型的检测能力和性能,实现了Φ-OTDR模式的目标识别,并解决了数据采集困难的问题。本文研究为小样本检测提供了新的思路和方法,对其他光纤传感技术的应用具有借鉴意义。
光纤传感 相敏光时域反射仪 数据增强 深度学习 条件对抗生成网络
火箭军工程大学 导弹工程学院,陕西 西安 710025
目前红外时敏目标检测技术在无人巡航、精确打击、战场侦察等领域应用广泛,但有些高价值目标图像的获取难度高且成本昂贵。针对红外时敏目标图像数据匮乏、缺少用于训练的多场景多目标数据、检测效果不佳等问题,文中提出一种基于跨模态数据增强的红外时敏目标检测技术,跨模态数据增强方法为两阶段模型。首先在第一阶段通过基于CUT网络的模态转换模型将包含时敏目标的可见光图像转换为红外图像,其次在第二阶段模型中引入coordinate attention注意力机制,随机生成大量红外目标图像,实现了数据增强效果。最后提出一种基于SE模块和CBAM模块改进的Yolov5目标检测架构,实验结果表明,文中提出的Yolov5(CSP-A)目标检测技术与原网络相比,准确率提升了7.36%,召回率提升了5.43%,平均精度提升了2.74%。有效提高了红外时敏目标的检测精度,实现了红外时敏目标精确检测。
红外时敏目标 数据增强 模态转换 目标检测 infrared time-sensitive targets data augmentation modal transformation target detection 红外与激光工程
2023, 52(9): 20220876
1 西安建筑科技大学信息与控制工程学院,陕西 西安 710055
2 陕西历史博物馆,陕西 西安 710061
古代壁画为存世孤本且艺术风格独特。然而,由于可参考数据稀少,缺失信息重建的效果不佳。如何产生足够可参考样本是提升壁画修复效果的关键节点。为了解决此问题,提出一种改进的风格迁移模型来生成高质量的壁画图像,达到扩充数据的目的。首先,在输入图像的低维空间进行聚类以保持图像的结构完整性。其次,引入基于注意机制和软阈值函数的残差收缩模块去除图像中冗余信息,有效保留纹理细节信息。最后,将内容聚类集合与匹配到的风格聚类集合进行实时的特征转换,得到任意风格的迁移图像。实验结果表明,与其他常见的风格迁移方法相比,所提方法能够生成自然清晰的壁画图像,并且在客观指标峰值信噪比和结构相似度上均取得较好的结果。此外,在基于生成对抗网络的壁画数字生成实验中,验证了所提方法较传统增广方法的有效性。
风格迁移 数据增广 聚类匹配 深度残差收缩网络 数字生成 激光与光电子学进展
2023, 60(16): 1633001
核工业北京地质研究院 遥感信息与图像分析技术国家级重点实验室,北京100029
为了解决基于深度学习的开展矿物高光谱丰度反演研究中标签数据不足的问题,提出一种基于添加填充系数的Hapke混合模型的小样本矿物高光谱数据增强方法,用于生成大量带标签的数据集。在实验室内选择5种常见矿物按照质量比例对矿物粉末进行多元混合,并对混合矿物开展光谱量测。基于线性混合模型、Hapke混合模型、填充系数分别为0.1,0.2和0.3的Hapke混合模型共5种模型,按照对应的质量比例生成模拟的混合矿物光谱,与实验室实测光谱进行比较。最后,基于Monte Carlo法随机生成多元“和为一”的丰度矩阵,利用5种混合模型开展数据增强,分别生成40 000条模拟光谱作为堆栈自编码网络的训练集,反演矿物高光谱数据的丰度信息。研究结果表明:Hapke模型以及添加填充系数后的光谱模拟精度均优于线性混合模型的模拟精度,当Hapke模型的填充系数为0.1和0.2时,光谱角距离误差均值分别为0.053 5和0.053 7,模拟的矿物光谱更接近实测光谱,且优于未添加填充系数时的光谱角距离误差0.074 8。利用填充系数为0.1和0.2的Hapke模型生成的模拟数据作为深度学习训练集,矿物高光谱丰度反演的均方根误差(RMSE)为0.124 8,优于其他4种模型的反演结果。基于添加填充系数后的Hapke混合模型生成的模拟数据更接近真实光谱,可为深度学习的小样本矿物丰度反演研究提供数据支撑。
高光谱技术 深度学习 模拟光谱 混合模型 Hapke模型 数据增强 丰度反演 hyperspectral technique deep learning simulating spectra mixing model Hapke model data augmentation abundances inversion 光学 精密工程
2023, 31(11): 1684
准确自动检测台风风眼位置可为台风预报与监测研究提供先验信息,以减少灾害损失。由于台风形态结构的多变性,其中心自动定位仍存在一定的困难。本研究利用台风卫星云图,提出一种基于多尺度镶嵌的R-CNN台风风眼检测方法。收集日本气象厅发布的1981—2017年5000多张台风卫星云图,利用图像数据中风眼眼壁轮廓曲线及内外明暗差别清晰明显的特点对图中风眼进行分割标注。通过台风风眼半径多尺度估算算法,将原始图像划分为多尺度台风云图,整合训练集和测试集。借助多尺度图像镶嵌、超参数选择和多条件测试分析,构建利用多尺度Mask R-CNN模型检测分割台风风眼的总体算法框架,开展多尺度对比实验。在自建标定数据集中,台风风眼的识别准确率最高达到92.63%、最低为88.36%,平均每张图片的检测时间最少为0.043 s,均方误差最小达到2154,平均交并比最大为0.9454。实验结果表明,所提多尺度镶嵌数据增强方法在大中规模尺度融合时效果最好、中小尺度较差,与现有主要数据增强方法相比,能更有效地提升神经网络准确率。整体检测模型在台风中心定位中的综合效率优于其他深度学习定位方法。
图像处理 台风风眼 目标检测 实例分割 卫星云图 数据增强 激光与光电子学进展
2023, 60(10): 1010009
相较于大中等目标, 像素点小于32×32的小目标由于存在特征信息少、像素低等问题, 检测精度较差, 导致水下机器人、无人机等设施对小目标物体的分类与定位精度低。为了提高相关设施对小目标的检测精度, 分析了通用的深度学习目标检测算法现状, 阐述了阻碍小目标检测技术发展的问题, 对提升小目标检测精度的数据增强、特征融合、分辨率提升、上下文信息等多种类型算法进行了重点分析, 最后归纳总结了各算法在MS COCO数据集上的AP与APs性能, 并对小目标检测的未来发展方向进行了展望。
小目标检测 深度学习 特征融合 数据增强 上下文信息 small target detection deep learning feature fusion data augmentation context information
1 西安电子科技大学人工智能学院, 陕西西安 710071
2 通信信息控制和安全技术重点实验室, 浙江嘉兴 314033
对于小样本电磁信号识别, 数据增强是一种最为直观的对策。利用生成对抗网络 (GAN)产生虚假信号样本, 设计粗粒度和细粒度筛选机制对生成信号进行筛选, 剔除质量较差的生成信号, 实现训练样本集的有效扩充。为验证所提数据增强算法的有效性, 在 RADIOML 2016.04C数据集上进行测试。实验结果表明, 本文所提方法对小样本电磁信号识别准确率有较好的提升效果。
电磁信号识别 小样本 生成对抗网络 数据增强 筛选机制 electromagnetic signal classification few-shot Generative Adversarial Network data augmentation screening mechanism 太赫兹科学与电子信息学报
2022, 20(12): 1249
1 上海海洋大学信息学院,上海 201306
2 上海电力大学,上海 201306
3 中国科学院深海科学与工程研究所,海南 三亚 572000
目前光学成像技术已经在深海探测中发挥重要的作用,但仍缺少深海视频质量主观评价研究,尤其是缺少公开的深海视频质量评价数据集。为此,构建了一个公开的、带有主观质量标签的深海视频质量评价数据集,该数据集包括5类代表性的真实深海场景视频。为了实现数据增广,使用基于深度学习和基于融合的水下图像增强方法进行视频质量增强,使用高斯模糊和高斯噪声进行视频质量退化;采用单激励绝对等级主观质量评价方法对深海视频进行视频质量评价,主观评价实验人数为20,得到总数量为142的深海视频质量评价数据集。在该数据集上验证了8种图像/视频质量客观评价模型的性能,结果显示当前视频质量客观评价模型用于深海视频质量评价还需提升性能。数据集公开在http://ieee-dataport.org/documents/deep-sea-video-quality-dataset,有助于深海视频质量客观评价和增强技术的优化和改进。
视觉 深海视频数据集 视频质量主观评价 数据增广 视频质量客观评价模型 激光与光电子学进展
2022, 59(17): 1733001