摘要：

为进一步加强人工智能技术的科研学术交流合作，《遥测遥控》期刊响应国家“人工智能+”号召，特地开辟《人工智能技术》专栏，邀请中国航天科技集团、西北工业大学、西安电子科技大学、西安邮电大学等科研机构的人工智能领域专家、学者撰写原创性研究论文及综述，集中反映该领域最新研究成果及进展，分期出版，为读者提供思想交流与碰撞的平台，为推动人工智能技术的发展贡献一份力量。

摘要：

近海船舶目标检测是一项非常具有挑战性的任务，受到学者专家广泛关注。基于卷积神经网络（CNN）和注意力机制的检测器在近海船舶目标检测方面的应用取得了显著成就。然而，船舶目标检测存在着表观相似和背景干扰导致检测过程中出现误检的问题。为此，本文提出了一种用于Faster RCNN（更快的基于区域的卷积神经网络）的表观细粒度辨别的检测头模块。该模块包括类别细粒度分支和高效全维动态卷积定位分支。其中类别细粒度分支通过全局特征建模和灵活的感知范围来挖掘和利用类别细粒度辨别特征，高效全维动态卷积定位分支通过高效灵活的感知船舶边界信息来区分目标与背景，从而减少误检漏检问题。通过在近海船舶公开数据集Seaships7000 上进行实验验证，本文算法减少了误检漏检，提升了检测器性能。

摘要：

高光谱目标检测在地球观测中至关重要，被广泛应用于军事和民用领域。然而，由于高光谱图像的背景复杂性和目标样本的有限性，该任务面临较大的挑战。本文首先采用CEM（约束能量最小化）粗检测方法提取背景数据。随之，引入了一种新的知识蒸馏模型，即KDTGAN（通过Transformer-GAN实现）。教师模型的生成器采用了Transformer编码器的结构，并结合多尺度数据融合的方法，能够准确地学习背景分布，进而通过重构背景信息实现目标检测。为了克服GAN（生成对抗网络）训练不稳定的挑战，特别是纯背景数据的稀缺性，本文提出了一种新的损失算法，以减小可疑目标样本对模型性能的负面影响。为了降低模型的计算负担，本文引入知识蒸馏，并设计新的蒸馏损失对学生模型加以约束，使模型轻量化的同时提高学生模型检测精度。实验结果表明：KDTGAN相较于当前检测方法表现更优，具有更高的检测精度和鲁棒性。

摘要：

随着遥感技术的快速发展，光学遥感影像弱小目标智能解译成为遥感信息处理的研究热点之一。遥感影像的地物目标常具有尺度小、种类多、数量大、部分重点小目标移动速度快的特点，易受到复杂背景环境及噪声影响，使得提取遥感影像弱小目标的信息面临着巨大的挑战。早期智能解译算法中的弱小目标分割、检测及跟踪等算法研究，多依赖模板匹配及先验知识，此类算法需耗费大量资源、算力及专家知识成本，存在着计算量大、泛化能力差的问题。近年来，随着深度学习等人工智能技术的快速发展，在海量遥感数据中准确获取弱小目标的信息，通过结合深度学习算法可对弱小目标的特征进行快速提取，以提供高效、准确的解译信息。本文综述了遥感影像弱小目标智能解译算法研究进展，包括基于传统图像处理方法的弱小目标分割、检测和跟踪算法，以及基于深度学习等典型相关算法。通过分析这些方法的优点与局限性，对于提高相关目标的信息获取能力、提升观测的态势感知水平以及未来应用等方面具有重要意义。

摘要：

雷达前视成像作为雷达成像领域的难点与重点，在自动驾驶、导航、精确制导等方面具有广阔的应用前景。传统的前视成像算法受限于天线孔径的宽度，无法实现高分辨率的成像，本文使用卷积神经网络（Convolutional Neural Networks， CNN）与长短期记忆（Long Short-Term Memory，LSTM）网络相结合实现前视成像中方位向的预测，首先介绍了扫描前视成像信号的类卷积模型及其病态性，利用脉冲压缩以及距离徙动校正对回波信号预处理，输入CNN-LSTM神经网络逐距离单元进行方位向估计。仿真结果表明：算法能有效提高前视成像的方位分辨率，实现前视成像的超分辨。