目标识别科研前沿进展 2018.11.08 方建勇1

【目标识别科研前沿进展 2018.11.08 方建勇1】 本文主要探讨了目标识别领域的最新进展，特别是在微表情识别和雷达目标识别等方面的应用。微表情识别是一个具有挑战性的任务，因为它涉及到跨数据库的问题，即训练和测试样本可能来自不同的数据库，导致特征分布差异。为了解决这个问题，研究者们正在探索新的机器学习和深度学习方法。 1. **混合神经网络框架及其在雷达自动目标识别中的应用** 由张哲、陈翔和智田文提出的一种混合神经网络框架，将传统的信号处理（SP）操作与深度神经网络（DNN）相结合，以提高网络的能力和特征提取效率。这种方法允许利用已知的信号模型属性，将SP层集成到DNN架构中，通过同时优化DNN权重和SP运算符的参数来提升性能。在雷达自动目标识别（ATR）问题上进行测试，混合神经网络实现了高达96%的验证精度，相比纯DNN模型，它能显著减少训练数据需求，提高学习效果。 2. **基于分层聚类的主动目标时间投影室数据轨迹自动识别** 由Christoph Dlitz等人提出了一种非参数算法，基于点三胞胎的思想进行轨迹重建。这种算法在点三胞胎上定义合适的距离度量，并使用单链层次聚类。与参数化方法如RANSAC或Hough变换相比，新算法能够识别之前未知形状的轨迹，特别适用于低能核物理实验中在磁场中运行的有源目标。实验表明，该算法在顶点检测召回率和精度上表现出色，尤其在识别非线性轨迹时。 3. **街景视频中目标的实时检测与识别研究** 刘建民的研究提出了一种实时检测和识别街景视频中目标的方法，利用分离置信度计算和尺度综合优化。这种方法在高帧率和高清晰度的场景视频中表现优异，具有较高的准确性和鲁棒性，优于传统方法。 4. **基于移动平台的手语识别迁移学习的优化** Dhruv Rathi的工作关注于美国手语（ASL）识别系统的优化，特别是面向移动平台的实时识别。研究采用转移学习策略，基于预训练的高端模型优化ASL字母的手势识别，并在内存高效的移动应用上运行，提供90.03%的准确识别率和2.42秒的平均识别时间，相比之前的研究，在准确性和识别速度方面有显著改进。 5. **方向角不变SAR目标识别的可滚动潜在空间** Kazutoshi Sagi等人提出了一种可滚动潜在空间（RLS）方法，用于方向角不变的合成孔径雷达（SAR）目标识别。在标记数据稀缺和视角有限的情况下，RLS方法有助于提高SAR目标识别的性能，解决角度变化带来的识别难题。 这些研究展示了目标识别领域的最新进展，包括混合深度学习模型、非参数算法以及移动平台的优化应用，它们共同推动了该领域的发展，提高了识别的准确性、实时性和泛化能力。