qq_44852799的博客

恶劣环境点云目标识别方法

文章提供了一种双阶段的 3D 目标检测算法，第一阶段利用 PointPillars 或 VoxelNet 作为骨干网络对点云进行编码与特征提取，之后生成伪图并采用基于 2D 的关键点提取算法获得目标的中心点，根据中心点的特征向量进行 3D 框、旋转角度速度等回归。在第二阶段同过获取目标其它 5 个面中心点特征向量进行回归的精细化。其拥有众多优点包括：点目标减少回归空间，并且不需要考虑旋转不变性和等效性、模型处理速度快、基于中心表示的算法为下游任务如跟踪的进行提供简化。

基于深度学习的超分辨技术介绍

相比传统图像目标检测算法，基于大数据和深度学习的检测算法无须人工设计特征，且检测性能更稳健。在防空应用背景下，自建了空中目标静态和视频图像数据集用于训练和测试，改进了基于深度学习的目标检测框架Faster R-CNN，将其专用于空中目标检测。结合空中目标检测任务的特点和需求，提出膨胀积累、区域放大、局部标注、自适应阈值、时空上下文等改进策略，弥补了Faster R-CNN对弱小目标和被遮挡目标不敏感的缺陷，提高了检测速度和精度。

模型由两个生成器和一个判别器组成生成器进行从输出图像III到输出结果SSSGiISii12(1)Gi​ISi​i121式子中的GiG_iGi​表示第iii个生成器生成的结果。作者认为联合训练两个生成器可以有效沟通两个网络间的信息共享，而不是分别训练两个网络然后将结果简单的融合在一起。在这篇文章中，G1G_1G1​被设计用来minMDmin(MD)minMD类似的G2G_2G2​被设计用来minFA。

ipi算法的介绍

模型中重要的是进行多尺度RLCM计算，这里从多尺度、RLCM算法、抗干扰分析这些方面展开RLCM算法设置9个窗格（patch window），窗格大小近似于目标尺寸，对原IR图进行从左到右从上到下进行划窗。类似做卷积操作时的划窗。