基于深度卷积神经网络的可见光舰船目标识别系统
发布时间：2022-01-24 03:54
论文针对日益复杂的海面战场环境对舰船目标识别更高识别率、实时性、智能化的需求,进行了基于深度卷积神经网络的可见光舰船目标识别系统的方案设计。可见光舰船目标识别系统由舰船图像采集预处理平台、舰船图像离线训练平台和舰船目标在线识别平台组成,可进行海面舰船、民船的可见光/红外图像采集、处理和存储,可进行基于深度卷积神经网络的舰船目标特征训练和识别,具有较高的目标识别准确率和实时性。
【文章来源】：舰船电子工程. 2020,40(08)
【文章页数】：6 页
【部分图文】：
基于深度卷积神经网络的舰船目标特征训练架构共享特征CNN层可以是现存的深度卷积神经
总第314期于集成学习，从而达到对新来图像数据集的增量学习。图6基于选择性负相关学习的深度ResNet集成学习框架，主要包括四个模块：初始ResNet深度神经网络集成、当前ResNet深度神经网络集成、复制ResNet深度神经网络集成以及新ResNet深度神经网络集成。它们之间的交互关系为：首先利用第一个军舰和民船图像数据集对初始ResNet深度神经网络集成进行训练得到当前ResNet深度神经网络集成；然后，将当前ResNet深度神经网络集成进行复制得到复制ResNet深度神经网络集成；接下来，当第二个军舰和民船图像数据集到来时，利用该数据集对复制ResNet深度神经网络集成进行训练，得到新ResNet深度神经网络集成；最后，为了使ResNet深度神经网络集成能够在学习新图像数据知识的同时能够较大程度保留已经学习过的知识，同时保持深度集成模型的大小不变，因此需要应用选择性负相关学习方法进行选择。图6基于选择性负相关的深度ResNet集成学习框架3结语本文基于深度卷积神经网络进行了舰船目标识别系统的方案设计，该系统基于可见光/红外图像进行舰船目标识别，实时性高；该系统可离线地对目标识别模型进行训练，相比于传统基于恒虚警率算法、小波变换等算法，基于深度卷积神经网络的方案具有更高的识别准确率；该系统可进行在线增量学习，在使用过程中可不断进行模型参数的优化，不断提高识别准确率。参考文献［1］LengX，JiK，YangK，etal.AbilateralCFARalgorithmforshipdetectioninSARimages［J］.IEEEGeoscienceandRemoteSensingLetters，2015，12（7）：1536-1540.［2］DaiH，DuL，WangY，eta
鹪谑?葜行?的舰船图像离线训练平台，主要进行PB级舰船图像、视频数据样本的存储，以及离线舰船目标识别模型的训练；另一部分是在舰船、无人机、指挥所等武器装备终端上运行的舰船图像采集预处理平台和舰船目标在线识别平台，负责舰船目标图像采集、检测、分类和识别，具体如图1所示。可见光舰船目标识别系统各模块的具体功能如下。1）舰船图像数据库采用已有的图像、参数和模型数据构建，并在使用过程中，通过检测目标数据采集不断的进行丰富；图1基于深度卷积神经网络的可见光舰船目标识别系统框图2）舰船目标特征训练是在卷积神经网络的框架下，通过对舰船样本库的识别训练，形成可见光/红外和二维/三维融合的舰船特征知识库，用于进行舰船目标分类识别；3）舰船目标数据采集用于对海上舰船目标的可见光或红外视频数据进行实时高分辨率的采集；4）舰船目标检测是对海上舰船目标进行检测，在检测到存在舰船目标后，开展后续的图像预处理和分类识别工作；5）舰船目标图像预处理包括海陆背景图像分离、舰船目标分割等图像预处理工作，为舰船目标的分类识别做好准备；6）舰船目标图像粗分类在本地进行，针对舰船的大类进行简单的分类，降低后续舰船目标细分类识别的工作量；7）最后，在舰船目标在线识别平台开展舰船目标的识别工作，准确地识别出舰船的类型。2.1舰船图像采集预处理平台本方案基于可见光/红外图像进行舰船目标识别，舰船图像采集预处理平台部署在舰船上。2.1.1舰船目标图像采集舰船目标图像采集硬件架构如图2所示，包括舰船目标图像采集传感模块、舰船目标图像采集预处理模块、多码流图像编码模块和图像传输模块。其中，舰船目标图像采集传感模块通过
【参考文献】：
期刊论文
[1]深度神经网络下的SAR舰船目标检测与区分模型[J]. 魏松杰,蒋鹏飞,袁秋壮,刘梅林. 西北工业大学学报. 2019(03)
[2]中低分辨率遥感影像舰船目标识别方法[J]. 刘星璇,饶世钧,洪俊. 舰船电子工程. 2018(06)
[3]舰船图像显著性区域检测技术研究与仿真[J]. 张亚伦,杨露菁,陈煜康,刘树衎. 舰船电子工程. 2017(07)
[4]基于深度卷积神经网络的船舶识别方法研究[J]. 赵亮,王晓峰,袁逸涛. 舰船科学技术. 2016(15)
[5]信号处理在舰船目标识别中研究发展综述[J]. 盛会平,林王鹏,周勇. 舰船电子工程. 2013(12)
本文编号：3605792
【文章来源】：舰船电子工程. 2020,40(08)
【文章页数】：6 页
【部分图文】：
基于深度卷积神经网络的舰船目标特征训练架构共享特征CNN层可以是现存的深度卷积神经
总第314期于集成学习，从而达到对新来图像数据集的增量学习。图6基于选择性负相关学习的深度ResNet集成学习框架，主要包括四个模块：初始ResNet深度神经网络集成、当前ResNet深度神经网络集成、复制ResNet深度神经网络集成以及新ResNet深度神经网络集成。它们之间的交互关系为：首先利用第一个军舰和民船图像数据集对初始ResNet深度神经网络集成进行训练得到当前ResNet深度神经网络集成；然后，将当前ResNet深度神经网络集成进行复制得到复制ResNet深度神经网络集成；接下来，当第二个军舰和民船图像数据集到来时，利用该数据集对复制ResNet深度神经网络集成进行训练，得到新ResNet深度神经网络集成；最后，为了使ResNet深度神经网络集成能够在学习新图像数据知识的同时能够较大程度保留已经学习过的知识，同时保持深度集成模型的大小不变，因此需要应用选择性负相关学习方法进行选择。图6基于选择性负相关的深度ResNet集成学习框架3结语本文基于深度卷积神经网络进行了舰船目标识别系统的方案设计，该系统基于可见光/红外图像进行舰船目标识别，实时性高；该系统可离线地对目标识别模型进行训练，相比于传统基于恒虚警率算法、小波变换等算法，基于深度卷积神经网络的方案具有更高的识别准确率；该系统可进行在线增量学习，在使用过程中可不断进行模型参数的优化，不断提高识别准确率。参考文献［1］LengX，JiK，YangK，etal.AbilateralCFARalgorithmforshipdetectioninSARimages［J］.IEEEGeoscienceandRemoteSensingLetters，2015，12（7）：1536-1540.［2］DaiH，DuL，WangY，eta
鹪谑?葜行?的舰船图像离线训练平台，主要进行PB级舰船图像、视频数据样本的存储，以及离线舰船目标识别模型的训练；另一部分是在舰船、无人机、指挥所等武器装备终端上运行的舰船图像采集预处理平台和舰船目标在线识别平台，负责舰船目标图像采集、检测、分类和识别，具体如图1所示。可见光舰船目标识别系统各模块的具体功能如下。1）舰船图像数据库采用已有的图像、参数和模型数据构建，并在使用过程中，通过检测目标数据采集不断的进行丰富；图1基于深度卷积神经网络的可见光舰船目标识别系统框图2）舰船目标特征训练是在卷积神经网络的框架下，通过对舰船样本库的识别训练，形成可见光/红外和二维/三维融合的舰船特征知识库，用于进行舰船目标分类识别；3）舰船目标数据采集用于对海上舰船目标的可见光或红外视频数据进行实时高分辨率的采集；4）舰船目标检测是对海上舰船目标进行检测，在检测到存在舰船目标后，开展后续的图像预处理和分类识别工作；5）舰船目标图像预处理包括海陆背景图像分离、舰船目标分割等图像预处理工作，为舰船目标的分类识别做好准备；6）舰船目标图像粗分类在本地进行，针对舰船的大类进行简单的分类，降低后续舰船目标细分类识别的工作量；7）最后，在舰船目标在线识别平台开展舰船目标的识别工作，准确地识别出舰船的类型。2.1舰船图像采集预处理平台本方案基于可见光/红外图像进行舰船目标识别，舰船图像采集预处理平台部署在舰船上。2.1.1舰船目标图像采集舰船目标图像采集硬件架构如图2所示，包括舰船目标图像采集传感模块、舰船目标图像采集预处理模块、多码流图像编码模块和图像传输模块。其中，舰船目标图像采集传感模块通过
【参考文献】：
期刊论文
[1]深度神经网络下的SAR舰船目标检测与区分模型[J]. 魏松杰,蒋鹏飞,袁秋壮,刘梅林. 西北工业大学学报. 2019(03)
[2]中低分辨率遥感影像舰船目标识别方法[J]. 刘星璇,饶世钧,洪俊. 舰船电子工程. 2018(06)
[3]舰船图像显著性区域检测技术研究与仿真[J]. 张亚伦,杨露菁,陈煜康,刘树衎. 舰船电子工程. 2017(07)
[4]基于深度卷积神经网络的船舶识别方法研究[J]. 赵亮,王晓峰,袁逸涛. 舰船科学技术. 2016(15)
[5]信号处理在舰船目标识别中研究发展综述[J]. 盛会平,林王鹏,周勇. 舰船电子工程. 2013(12)
本文编号：3605792
本文链接：https://www.wllwen.com/kejilunwen/chuanbolw/3605792.html
