【论文原文】：超网络体系下的目标优选模型
获取地址：https://kns.cnki.net/kcms2/article/abstract?v=3uoqIhG8C45S0n9fL2suRadTyEVl2pW9UrhTDCdPD65GA12tdKgW-bKuGOqLNnh5eAZmICm_nEqVchmXPgpCWVyRu121rInT&uniplatform=NZKPT
博主关键词： 目标检测，弱监督学习
摘要：
弱监督航空目标检测（weakly supervised object detection，WOSD）是一个值得探索的难题。现有的主要WSOD方法建立在常规CNN的基础上，这些CNN难以建模旋转不变性，从而导致检测器对方向变化过分敏感。同时，当前的解决方案很容易 忽略得分较低的实例，并可能将它们视为背景。为了解决这些问题，在本文中，我们提出了一种端到端弱监督旋转不变航空目标检测网络（RINet），通过多分支在线检测器细化，使得网络对旋转目标具有更高的旋转感知能力。具体而言，首先通过逐渐细化的方式，将预测实例中的标签传播到旋转实例中。同时，在不同旋转感知分支之间，耦合预测的实例级标签，生成旋转一致性监督，从而挖掘出更多不同角度的所有可能实例。RINet强制并鼓励WSOD的一致但互补的特征学习，而无需额外的注释和超参数。在具有挑战性的NWPU VHR-10.v2和DIOR数据集上，大量实验清楚地表明，我们将现有的 WSOD方法显着提升到一个新的最先进的性能。
简介：
在遥感图像中，许多相同类别的对象实例通常以任意方向出现，引入了与类无关的特征变化，导致特征分布稀疏。如图一所示，现有的弱监督目标检测方法（WSOD）存在两个典型问题：
【论文原文】：超网络体系下的目标优选模型
获取地址：https://kns.cnki.net/kcms2/article/abstract?v=3uoqIhG8C45S0n9fL2suRadTyEVl2pW9UrhTDCdPD65GA12tdKgW-bKuGOqLNnh5eAZmICm_nEqVchmXPgpCWVyRu121rInT&uniplatform=NZKPT
博主关键词：目标选择；超网络；打击代价；人工鱼群算法；多目标优化
摘要：
针对当前进行海上作战体系目标优选分析与决策时对打击代价考虑不足的问题，本文提出综合考虑目标节点重要度和打击费效度的网络节点分析模型。利用超网络构建海上作战体系网络模型，通过度和介数等指标评估网络中节点的重要度；利用打击费效比为指标评估网络中节点的打击代价，进而将目标分析与选择问题转化为多目标优化问题，建立寻优模型，并通过人工鱼群算法进行寻优求解。最后对模型进行案例仿真应用，并通过专家DELPHI法评估检验，结果表明所建立模型方法可行，对水面舰队体系的目标分析与选择具有借鉴作用。
简介：
一、目标选择模型
1.1构建实体网络
节点：将作战体系中具有特定功能的作战单元实体抽象为网络中的节点，分为侦察通信节点、指挥控制节点、火力打击节点和物资保障节点。
边：各个作战单元实体之间的关系抽象为节点与节点之间的连边。
1.2网络中节点重要度的评估
使用网络节点度数中心度矩阵、网络节点中介中心度矩阵来评估网络中节点重要度，然后构建网络节点打击矩阵，计算作战体系整体重要度下降。
1.2.1网络节点度数中心度矩阵
度，又称度数中心度(degree centrality, DC)，用图中与指定节点直接相连的其他节点的数量来表示节点在静态网络中的直接影响力。节点i的度用d(i)进行表示，n是网络中几点数量，节点度归一化计算公式如下：
网络中各节点的度数中心度矩阵为：
但度是一个局部指标，不能充分反映节点的重要度情况。
1.2.2网络节点中介中心度矩阵
节点介数，中介中心度(betweenness centrality, BC)：衡量某节点在整个网络中重要程度的全局量，定义为网络中所有最短路径中经过该节点的路径的数目占最短路径总数的比例，节点介数越大，节点重要度越高。
1.2.3网络节点打击矩阵
a_i表示打击状态，0未击毁，1击毁。
1.2.4作战体系整体重要度下降
1.3修正节点重要度评估模型
构建打击代价评估模型，以修正节点重要度评估模型。以“费效比”评估网络中节点的打击代价。对打击费效比的分析可以从目标打击风险、弹药被拦截概率等方面进行考虑。打击风险指对目标实施打击时，己方可能承担的风险，弹药被拦截概率指对目标实施打击时，所使用的弹药被敌方拦截的概率。构建打击风险矩阵、弹药被拦截概率矩阵，计算打击代价。
1.3.1打击风险矩阵
1.3.2弹药被拦截概率矩阵
1.3.3打击代价
1.4作战目标优选模型
希望对敌方体系的打击效果越大而自身的损耗越小，本文在考虑目标重要度和打击代价的基础上，以“敌方体系重要度下降最大和自身打击代价最小”为目标构建目标优选模型。
二、基于多目标优化的模型求解
上节可看作一个多目标优化问题，多目标优化问题中对于目标函数的处理通常的解法模型有：1)线性加权法；2)α约束；3)帕累托模型。但一味追求打击风险最小没意义，所以“敌方体系重要度下降最大”作为目标，“打击风险”作为约束条件，这样将多目标优化问题转换为有约束单目标优化问题。
2.1标准人工鱼群算法
人工鱼群算法是模拟鱼群生活行为的算法，该算法研究了鱼类生活中寻找食物的现象，在鱼 类总是会向着食物浓度更高的位置前进这一前提下，将鱼类寻找食物的过程分为觅食行为、追尾行为、聚群行为和随机游动这几种行为方式。单条人工鱼通过判断视野范围内是否存在食物浓度更高的位置决定自身的移动策略，若在 多次寻找后仍未找到比当前位置食物浓度更高的位置，人工鱼会执行随机游动的行为，避免陷入局部最优。鱼群中的每条人工鱼个体通过觅食行为进行个体寻优，通过追尾行为和聚群行为实现群体寻优，通过随机游动跳出局部最优，使得算法能够寻找到一个全局较优解。
2.2作战目标优选模型的改进人工鱼群算法
2.2.1人工鱼状态初始化
对n节点网络节点模型寻优,人工鱼个体状态矩阵X=[x1,…,xn],x_i表示欲寻优的变量，取值0，1，初始节点未摧毁x_i都为0.
2.2.2移动策略调整
执行觅食行为时，保持人工鱼随机移动的策略；执行聚群行为或追尾行为时，一旦发现视野范围内存在食物浓度更高的位置，则当前人工鱼直接移动到该位置以加快鱼群的寻优效率
2.2.3停止条件改进
多次寻优结果的变化小于某个阈值，同时设定了最大迭代次数，当结果变化小于某个阈值或达到最大迭代次数时，均退出迭代循环。
2.3.算法整体流程
