使用深度卷积神经网络对低SNR (信号与噪声比) 值进行飞机位置估计

科学领域:

• 计算机视觉 计算机视觉
• 人工智能的人工智能
• 航空航天工程 航空航天工程

背景情况:

• 空域安全依赖于有效的飞机检测和跟踪.
• 小型飞机尺寸和高图像噪声对传统视觉方法构成重大挑战.
• 现有的方法难以检测被背景噪声所掩盖的小目标.

研究的目的:

• 开发一种改进的方法,用于在噪音图像中检测和跟踪小型飞机.
• 评估卷积神经网络 (ConvNN) 与用于飞机细分的传统算法之间的性能.
• 提高视觉监控系统对空域安全的可靠性.

主要方法:

• 利用卷积神经网络 (ConvNN) 进行飞机图像细分.
• 使用实际飞机图像数据库训练了ConvNN模型.
• 我们将ConvNN的性能与四个Max算法 (像素值,min. 像素值,最大. 绝对的 绝对的 像素值) 使用蒙特卡洛模拟.
• 使用深度梦分析来了解ConvNN的功能偏好.
• 集成处理的图像值与原始数据,使用跟踪前检测方法进行跟踪.

主要成果:

• 与Max算法相比,ConvNN表现出优越的检测性能.
• 对于0.1的标准偏差,ConvNN的检测效率是其两倍.
• 深度梦分析揭示了ConvNN对图像中水平对比线的偏好.
• 提出的跟踪前检测方法,使用ConvNN输出,被证明是有效的跟踪.

结论:

• ConvNN提供了一种强大的解决方案,用于检测小,杂的飞机,大大改进了传统方法.
• 开发的系统增强了对关键空域监控的视觉监控能力.
• 这种方法有助于推进航空安全和保障的自动化系统.