现有的目标检测识别技术在理想环境（背景单一、目标分辨率高等）中已经取得了显著的效果，但在更为普适开放的环境下往往无法正常工作。复杂场景下小目标的检测和识别研究面临环境的复杂性、目标特性的复杂性和数据的不完备性三个层面的挑战。本文解决该问题的基本思路是在源域知识的指导下，修正目标域样本在特征空间的联合概率分布，从而提高样本目标域特征的可分性。本文针对分布不一致的问题，从上下文信息、信息补偿以及数据增强这三个层面展开研究。

王栋，1978年出生，副教授，硕士。多次承担重大科研项目，多次获奖、三等功。负责讲授硕士研究生和本科生课程有：网络技术与应用、计算机硬件基础、训练评估等课程。公开出版专著教材5部，发表论文43篇。

目 录／Contents


第一部分 复杂场景下的小目标检测与识别方法研究
第1章 绪论2
1.1 研究背景及意义3
1.1.1 研究意义3
1.1.2 研究现状6
1.1.3 困难挑战8
1.1.4 科学问题11
1.2 研究内容和创新点11
1.2.1 研究内容12
1.2.2 特色创新13
第2章 复杂场景下小目标检测与识别的相关技术16
2.1 传统场景下常规目标检测与识别17
2.1.1 检测与识别的基本模块17
2.1.2 检测和识别的框架21
2.2 复杂场景下小目标检测和识别26
2.2.1 信息增强26
2.2.2 上下文信息发展现状28
第3章 上下文信息指导的复杂场景下小目标检测30
3.1 小目标特征淹没31
3.2 小目标检测算法的原理分析34
3.2.1 复杂场景下的小目标检测34
3.2.2 上下文信息35
3.2.3 判别式学习36
3.3 上下文信息指导的复杂场景下小目标检测方法37
3.3.1 基于SVM的目标候选区域相似度计算37
3.3.2 基于谱聚类的图模型分割38
3.4 实验结果与分析40
3.4.1 子模块有效性验证实验40
3.4.2 WiderFace数据集小脸检测的实验结果43
3.4.3 AFW和PascalFace数据集人脸检测的实验结果43
3.4.4 DOTA数据集遥感图像小目标检测的实验结果45
第4章 信息补偿机制的复杂场景下小目标识别48
4.1 问题引出49
4.2 信息补偿机制下的小目标识别算法原理分析53
4.2.1 低分辨率行为识别与人脸识别53
4.2.2 基于超分辨率重建的低分辨率物体识别方法53
4.2.3 基于特征变换的低分辨率物体识别方法54
4.3 基于表示学习生成对抗网络的小目标识别算法55
4.3.1 问题定义和方法概述55
4.3.2 全局特征注意力机制60
4.3.3 全局特征注意力机制RL-GAN的LR图像分类62
4.4 实验结果与分析63
4.4.1 数据集和评价指标64
4.4.2 WIDER-SHIP遥感图像舰船识别的实验结果67
4.4.3 HRSC遥感图像舰船识别的实验结果68
4.4.4 CIFAR-10的实验结果69
4.4.5 模型消融实验69
第5章 样本方向指导的数据增强73
5.1 问题概述74
5.2 基于属性指导的数据增强方法分析76
5.3 样本方向指导的数据增强方法77
5.3.1 基于物体主轴POD的方向描述子78
5.3.2 基于中值的数据集相似度量方法80
5.3.3 基于扰动矩阵的图像旋转算法82
5.4 实验结果与分析82
5.4.1 测试集图像旋转对学习模型检测性能的影响83
5.4.2 物体方向的估计86
5.4.3 主轴方向分布的相似度衡量87
第6章 基于区域推荐和PHOG的飞机快速检测算法90
6.1 问题概述91
6.2 区域推荐和特征提取原理分析92
6.3 基于区域推荐和PHOG的遥感图像中飞机快速检测算法93
6.3.1 基于梯度特征的快速区域推荐算法93
6.3.2 基于PHOG的特征快速提取方法94
6.4 实验结果与分析96
本部分总结100
参考文献103
第二部分 基于机器学习的智能空战深层态势感知
第7章 绪论126
7.1 空战态势感知概述128
7.1.1 空战OODA过程描述128
7.1.2 空战态势感知的层次结构130
7.2 国内外研究现状131
7.2.1 轨迹预测研究131
7.2.2 机动识别研究132
7.2.3 意图识别研究133
7.3 研究意义134
第8章 相关理论和数据来源136
8.1 数据挖掘理论137
8.2 机器学习相关理论138
8.2.1 神经网络138
8.2.2 支持向量机140
8.2.3 深度学习143
第9章 基于粒子群优化LSTM的空战轨迹预测研究144
9.1 目标轨迹预测问题描述145
9.2 基于PSO-LSTM神经网络的飞行轨迹预测147
9.2.1 LSTM神经网络模型147
9.2.2 传统粒子群算法149
9.2.3 自适应学习策略的PSO算法150
9.2.4 PSO-LSTM模型152
9.2.5 算法流程153
9.3 仿真实验与分析155
9.3.1 轨迹数据选取与处理156
9.3.2 轨迹预测性能对比分析157
第10章 基于CHCQPSO-LSSVM的空战目标机动识别研究163
10.1 机动识别问题描述164
10.1.1 多元时间序列识别164
10.1.2 分级识别166
10.2 机动动作分类与数据处理166
10.2.1 参考坐标系167
10.2.2 机动动作分类169
10.2.3 飞行数据选择与处理173
10.3 基于CHCQPSO-LSSVM的空战目标机动识别177
10.3.1 QPSO算法177
10.3.2 改进杂交机制的QPSO算法179
10.3.3 参数寻优流程181
10.3.4 机动识别模型182
10.4 仿真实验与分析183
10.4.1 机动识别样本数据的构造183
10.4.2 实验设置183
10.4.3 模型训练184
10.4.4 机动识别准确性分析187
10.4.5 机动识别实时性分析192
第11章 基于Multi-BiLSTM-Attention网络的空战目标
意图识别研究194
11.1 目标意图识别问题描述195
11.2 基于Multi-BiLSTM-Attention网络的1对1空战目标
意图识别研究197
11.2.1 意图空间描述197
11.2.2 BiLSTM200
11.2.3 Attention机制201
11.2.4 Multi-BiLSTM-Attention模型203
11.3 意图识别样本数据的构造205
11.4 仿真实验与分析208
11.4.1 实验设置208
11.4.2 意图识别准确性分析212
11.4.3 意图识别实时性分析218
本部分总结220
参考文献224