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
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
海军工程大学电气工程学院，湖北 武汉 430033
针对生成对抗网络生成火焰图像质量不高、颜色难以控制的问题，基于HistoGAN算法，提出一种新的火焰生成算法（fire-GAN）。首先，在图像预处理环节添加火焰图像分割，使网络不受背景的干扰，能有效减少生成火焰发生形状变形、颜色失真的情况；其次，提出圆形度损失函数，使网络在训练过程中更加关注火焰轮廓的复杂度；最后，在生成器和判别器中均采取数据增强，使网络在训练过程中保持稳定，避免发生梯度爆炸。经实验测试，fire-GAN生成的火焰与目标火焰的RGB平均误差为2.6%，Fréchet inception distance（FID）为59.23，inception score（IS）为2.81。实验结果表明，fire-GAN能生成与目标火焰图像颜色相近、清晰度好、真实性高的火焰图像。
生成对抗网络 生成火焰图像 火焰图像分割 圆形度损失函数 数据增强 激光与光电子学进展
2023, 60(12): 1210008
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
1 辽宁工程技术大学 电子与信息工程学院，辽宁 葫芦岛 125105
2 渤海船舶职业学院，辽宁 葫芦岛 125105
随着遥感技术的发展，遥感图像被大量应用于遥感图像识别、分割等领域。但遥感图像数量少、质量低以及多样性不足等问题阻碍了遥感解译等后续研究的性能提升，如何利用少量的遥感图像生成大量的数据集是目前亟待解决的问题。针对这一问题，本文以SinGAN网络为基础，将一种新的纯卷积网络ConvNeXt与之结合来构建遥感图像数据增强框架。实验结果表明，在遥感数据集NWPU-RESISC45 Dataset上，结合ConvNeXt卷积网络进行数据增强后的图像，其FID、SSIM和PSNR这3种GAN与图像质量评价指标分别提升了5.7%、6.2%和8.2%。基于改进SinGAN的遥感图像数据增强方法进行增强后的图像质量与多样性均优于SinGAN算法与传统图像增强方法，实际中可用于图像分割、目标检测等领域。
SinGAN 数据增强 遥感图像 ConvNeXt SinGAN data enhancements remote sensing images ConvNeXt
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 中国农业大学信息与电气工程学院, 北京 100083
2 现代精细农业系统研究教育部重点实验室, 北京 100083
3 农业部农业信息获取技术重点实验室, 北京 100083
乳腺炎是奶牛生产养殖中最为严重的疾病之一, 奶牛乳腺炎的早期检测可以为后续治疗提供依据, 从而提高疾病治疗效率, 降低养殖风险。 为了对自然行走的奶牛实现快速、 高精度的“一步式”乳腺炎疾病检测, 提出了一种基于热红外图像, 融合数据增强与改进ResNet34的奶牛乳腺炎疾病检测方法。 相对于现有的“多步式”奶牛红外图像乳腺炎检测方法, 该方法无需奶牛关键部分如乳房和眼睛的定位以及温度提取等, 可有效避免“多步式”造成的误差累计, 从而实现更高效的乳腺炎检测。 首先, 将包含奶牛关键部位的局部图片水平拼接成信息完整的整体图片, 结合RandAugment数据增强方法扩增训练样本; 其次, 采用ResNet34残差网络作为实验的基础网络, 并根据热红外图像特性对模型进行如下改进: (1)精简网络内部冗余层使得模型更轻量化; (2)中间层添加辅助分类器弥补由于模型精简带来的特征损失; (3)将改进的多融合池化层代替原有单一池化层, 使得特征提取内容更丰富。 随机选取3 298张热红外图像(66头奶牛)作为实验对象, 并设置多组对比实验, 结果表明: 与传统ResNet34相比改进后ResNet34模型分类准确率提高3.4%, 基于改进ResNet34并融合迁移学习和数据增强的模型验证准确率达到90.3%, 测试准确率为88.4%, 分类时间仅需3.39×10-3 s。 为了保证实验数据集的样本独立性, 进一步将奶牛个体数量按照3∶1∶1划分为训练集、 验证集和测试集, 测得模型测试准确率达到80.3%, 证明所提出模型具有很好的鲁棒性。 根据测试结果, 计算出模型查准率为91.2%、 查全率为91.6%、 F1分数为91.4%, 与前人所做实验相比准确率提高了5.1%, 特异度提升5.3%。 该研究方法可以为初期奶牛乳腺疾病筛选和医学诊断提供辅助和参考。
迁移学习 数据增强 热红外图像 奶牛乳腺炎检测 Transfer learning ResNet34 ResNet34 Data enhancement Thermal infrared image Detection of mastitis in dairy cows
