激光与光电子学进展, 2019, 56 (7): 071102, 网络出版: 2019-07-30 复制并引用该论文  本文已被引 2 次  被引通知

图 & 表

图 1. 迷彩目标发现的仿真学习框架

Fig. 1. Simulation learning framework for discovery of camouflage targets

下载图片 查看原文

图 2. 迷彩场景仿真模型

Fig. 2. Simulation model of camouflage scenes

下载图片 查看原文

图 3. 迷彩场景仿真结果示意图

Fig. 3. Simulation results of camouflage scenes

下载图片 查看原文

图 4. 可放置目标场景区域预处理。(a)原场景图;(b)预处理二值图

Fig. 4. Preprocessing of scene area in which target can be placed. (a) Original scene map; (b) preprocessed binary map

下载图片 查看原文

图 5. 并行空洞卷积

Fig. 5. Parallel dilated convolution

下载图片 查看原文

图 6. 多尺度迷彩目标发现模型

Fig. 6. Multi-scale discovery model of camouflage targets

下载图片 查看原文

图 7. 典型迷彩目标发现输出实验结果。(a)(c)测试输入图像;(b)(d)对应的模型测试输出

Fig. 7. Experimental discovery output results of representative camouflage targets. (a)(c) Test input images; (b) (d) corresponding model test outputs

下载图片 查看原文

表 1不同尺度参数下所提方法的性能结果

Table1. Performance results obtained by proposed method at different scale parameters%

Method PA R MIOU Scale1(0.5) 93.17 90.35 88.77 Scale2(0.75) 94.68 91.05 88.84 Scale3(1.0) 96.15 91.93 89.14 Scale1+2 96.42 92.14 89.42 Out(Scale1+2+3) 98.78 93.56 90.96

查看原文

表 2不同方法的迷彩目标发现性能结果

Table2. Discovery performance results of camouflage targets obtained by different methods%

Method PA R MIOU FCN 86.17 85.35 76.71 Pix2Pix 93.68 89.35 86.88 Out 98.78 93.56 90.96

查看原文

表 3一组真实场景图像上的模型性能结果

Table3. Model performance results obtained on a group of real scene images%

Expert interpretation level PA R MIOU Great 78.04 85.01 71.60 Good 91.68 90.74 84.78 Bad 93.99 91.54 87.12

查看原文

卓刘, 陈晓琪, 谢振平, 蒋晓军, 毕道鹍. 基于深度神经网络的迷彩目标发现仿真学习方法[J]. 激光与光电子学进展, 2019, 56(7): 071102. Liu Zhuo, Xiaoqi Chen, Zhenping Xie, Xiaojun Jiang, Daokun Bi. Simulation Learning Method for Discovery of Camouflage Targets Based on Deep Neural Networks[J]. Laser & Optoelectronics Progress, 2019, 56(7): 071102.