-
题名面向降质光电图像的脑启发无人机小目标鲁棒检测方法
被引量：1
- 1
-
-
作者
李茹一
柯铭
王路斌
刘珮
高晋
王刚
-
机构
兰州理工大学计算机与通信学院
军事科学院军事认知与脑科学研究所
海军航空大学航空作战勤务学院
中国科学院自动化研究所
-
出处
《信号处理》
北大核心
2025年第5期886-905,共20页
-
基金
国家自然科学青年基金(62102443)
北京市科技新星计划(20220484097)。
-
文摘
复杂环境下的噪声干扰,包括传感器噪声、电子干扰以及天气条件等因素,会显著降低无人机目标检测的准确性和鲁棒性。这些干扰因素不仅会影响图像的质量,还可能导致目标特征的丢失或失真,从而对检测模型的性能产生负面影响。特别是在无人机检测任务中,目标通常较小且背景复杂,噪声干扰会进一步加剧检测难度。针对这一问题,提出了一种基于初级视皮层多尺度方位选择性感受野的目标检测模型(YOLO with Multiscale Orientation-selective Receptive Fields,MORF-YOLO),提升模型在噪声环境下的目标检测性能。该方法借鉴了人类视觉系统的特性,利用多尺度各向异性高斯核模拟初级视皮层中神经元的感受野机制,以提取图像中的多尺度、方位选择性特征。MORF-YOLO通过在YOLO目标检测框架中引入视觉信息引导模块,增强了低层特征的表征能力,从而提高了模型对噪声干扰的适应性和鲁棒性。为验证模型的有效性,在AntiUAV2021无人机数据集上构建了包含不同噪声水平的数据集,并对比了MORF-YOLO与现有主流目标检测方法(如YOLOv5、DiffusionDet和DETR)的性能表现。实验结果表明,MORF-YOLO在无噪声及不同强度噪声条件下均表现出优异的检测精度。特别是在强高斯噪声场景(噪声方差为0.18)下,MORF-YOLO的检测精度(mAP@0.5)较其他方法提升了5%~30%。在低噪声和中等噪声条件下,其精确率和召回率也显著优于对比方法。此外,在模糊干扰和椒盐噪声条件下,MORF-YOLO同样表现出更强的鲁棒性,能够有效减少误检率并提高检测稳定性。
-
关键词
初级视皮层
小目标检测
无人机
噪声鲁棒性
深度卷积神经网络
-
Keywords
primary visual cortex
tiny object detection
unmanned aerial vehicle
noise robustness
deep convolutional neural networks
-
分类号
TP391.41
[自动化与计算机技术—计算机应用技术]
-
-
题名适合类脑脉冲神经网络的应用任务范式分析与展望
被引量：5
- 2
-
-
作者
张铁林
李澄宇
王刚
张马路
余磊
徐波
-
机构
中国科学院自动化研究所
中国科学院神经科学研究所
军事科学院军事认知与脑科学研究所
电子科技大学
武汉大学
-
出处
《电子与信息学报》
EI
CSCD
北大核心
2023年第8期2675-2688,共14页
-
基金
科技创新2030新一代人工智能项目(2020AAA0104305)
中国科学院先导专项(XDA27010000,XDB32070000),中国科学院青年促进会
上海市市级科技重大专项(2021SHZDZX)。
-
文摘
类脑脉冲神经网络(SNN)由于同时具有生物合理性和计算高效性等特点,因而在生物模拟计算和人工智能应用两个方向都受到了广泛关注。该文通过对SNN发展历史演进的分析,发现上述两个原本相对独立的研究方向正在朝向快速交叉融合的趋势发展。回顾历史,动态异步事件信息采集装置的成熟,如动态视觉相机(DVS)、动态音频传感(DAS)的成功应用,使得SNN可以有机会充分发挥其在脉冲时空编码、神经元异质性、功能环路特异性、多尺度可塑性等方面的优势,并在一些传统典型的应用任务中崭露头角,如动态视觉信号追踪、听觉信息处理、强化学习连续控制等。与这些物理世界的应用任务范式相比,生物大脑内部存在着一个特殊的生物脉冲世界,这个脉冲世界与外界物理世界互为映像且复杂度相似。展望未来,随着侵入式、高通量脑机接口设备的逐步成熟,脑内脉冲序列的在线识别和反向控制,将逐渐成为一个天然适合SNN最大化发挥其低能耗、鲁棒性、灵活性等优势的新型任务范式。类脑SNN从生物启发而来,并将最终应用到生物机制探索中去,相信这类正反馈式的科研方式将极大的加速后续相关的脑科学和类脑智能研究。
-
关键词
脉冲神经网络(SNN)
类脑智能
脑机接口(BCI)
实验范式
-
Keywords
Spiking Neural Network(SNN)
Brain-inspired intelligence
Brain-Computer Interface(BCI)
Experimental paradigm
-
分类号
TP183
[自动化与计算机技术—控制理论与控制工程]
-
-
题名基于深度卷积神经网络的小型民用无人机检测研究进展
被引量：6
- 3
-
-
作者
杨欣
王刚
李椋
李邵港
高晋
王以政
-
机构
南华大学
军事科学院军事认知与脑科学研究所
北京脑科学与类脑研究中心
中国科学院自动化研究所
-
出处
《红外技术》
CSCD
北大核心
2022年第11期1119-1131,共13页
-
基金
北京市自然科学基金(4214060)
国家自然科学基金(62102443)。
-
文摘
小型民用无人机预警探测是公共安全领域的热点问题,也是视觉目标检测领域的研究难点。采用手工特征的经典目标检测方法在语义信息的提取和表征方面存在局限性,因此基于深度卷积神经网络的目标检测方法在近年已成为业内主流技术手段。围绕基于深度卷积神经网络的小型民用无人机检测技术发展现状,本文介绍了计算机视觉目标检测领域中基于深度卷积神经网络的双阶段算法和单阶段检测算法,针对小型无人机检测任务分别总结了面向静态图像和视频数据的无人机目标检测方法,进而探讨了无人机视觉检测中亟待解决的瓶颈性问题,最后对该领域研究的未来发展趋势进行了讨论和展望。
-
关键词
计算机视觉
目标检测
视频目标检测
无人机检测
深度卷积神经网络
-
Keywords
computer vision
object detection
video object detection
civil drone detection
deep convolutional neural networks
-
分类号
TP391.4
[自动化与计算机技术—计算机应用技术]
-
