基于深度学习的船舶目标识别算法研究

发布时间：2022-07-14 20:33

　　船舶目标识别技术在水上交通运输管理、海洋环境资源勘探、灾害救援、打击走私等方面具有广泛应用前景。相较于合成孔径雷达图像、红外图像与光学遥感图像,可见光图像包含丰富的颜色纹理等细节特征,在实时船舶检测与船舶细分类任务方面更具优势。目前传统船舶目标检测算法在光线多变、云雾遮挡、海岸背景复杂、船舶目标多尺度等情况下检测精度低、鲁棒性差,而且针对船舶目标的细粒度分类研究相对较少。针对上述不足之处,本文基于深度学习方法对船舶目标识别展开以下几点研究:（1）为了提升模型在小规模船舶数据集上的泛化能力,本文基于改进的深度卷积生成对抗网络（Deep Convolutional Generative Adversarial Networks,DCGAN）进行船舶数据增强。针对DCGAN生成的船舶图像分辨率低、细节模糊这一问题,本文提出优化生成器与判别器的网络结构、利用Non-local模块捕获全局信息、添加特征匹配损失三个改进策略,生成更加清晰真实的船舶图像。实验证明基于本文改进的DCGAN算法进行船舶数据增强可有效提升船舶识别准确率。（2）为了提高船舶检测精度,本文首先基于改进的暗通道先验算法对船舶图... 

【文章页数】：95 页

【学位级别】：硕士

【文章目录】：
摘要
ABSTRACT
第一章 绪论
    1.1 课题背景与研究意义
    1.2 船舶目标检测与识别国内外研究现状
    1.3 基于深度学习的目标检测与识别关键技术综述
        1.3.1 目标检测关键技术
        1.3.2 目标分类关键技术
    1.4 本文研究内容与组织结构
        1.4.1 本文主要研究内容
        1.4.2 本文组织结构
第二章 基于改进DCGAN的船舶数据增强
    2.1 引言
    2.2 船舶数据增强算法概述
    2.3 基于几何变换的船舶数据增强
    2.4 基于改进DCGAN的船舶数据增强
        2.4.1 基于DCGAN的船舶数据增强
        2.4.2 生成器与判别器网络结构优化
        2.4.3 基于Non-local模块的全局信息提取
        2.4.4 基于特征匹配的损失函数改进
    2.5 实验结果与分析
        2.5.1 实验设置与评价指标
        2.5.2 实验结果与分析
    2.6 本章小结
第三章 基于改进YOLOv2的船舶目标检测
    3.1 引言
    3.2 基于改进YOLOv2的船舶目标检测算法概述
    3.3 基于改进暗通道先验算法的船舶图像去雾预处理
        3.3.1 暗通道先验算法
        3.3.2 改进的暗通道先验去雾算法
        3.3.3 船舶图像去雾实验结果与分析
    3.4 基于YOLOv2算法的船舶目标检测
        3.4.1 船舶检测模型结构
        3.4.2 损失函数
    3.5 基于改进YOLOv2算法的船舶目标检测
        3.5.1 基于多尺度特征融合的模型结构改进
        3.5.2 基于聚类的anchor设计
        3.5.3 基于困难样本挖掘的损失函数改进
    3.6 船舶检测实验结果与分析
        3.6.1 数据集与评价方法
        3.6.2 实验结果与分析
    3.7 本章小结
第四章 基于注意力机制与级联网络的船舶细分类算法
    4.1 引言
    4.2 基于注意力机制与级联网络的船舶细分类算法概述
    4.3 基于注意力机制的船舶细分类
        4.3.1 注意力机制
        4.3.2 基于PAM-CAM注意力模块的船舶细分类
    4.4 基于级联卷积神经网络的船舶细分类
        4.4.1 用于船舶细分类的级联网络设计
        4.4.2 用于船舶细分类的级联子网络设计
        4.4.3 基于Grad-CAM算法的船舶显著性局部区域提取
    4.5 实验结果与分析
        4.5.1 数据集与实验设置
        4.5.2 基于船舶分类数据集的实验结果与分析
        4.5.3 基于CUB200-2011数据集的实验结果与分析
    4.6 本章小结
总结与展望
    全文工作总结
    后续工作展望
参考文献
攻读硕士学位期间取得的研究成果
致谢
附件


【参考文献】：
期刊论文
[1]A-FPN算法及其在遥感图像船舶检测中的应用[J]. 于野,艾华,贺小军,于树海,钟兴,朱瑞飞.  遥感学报. 2020(02)
[2]梯度纹理直方图与多层感知器船舶快速检测[J]. 董超,冯俊健,田联房,郑兵.  红外与激光工程. 2019(10)
[3]基于改进VGG网络的单阶段船舶检测算法[J]. 赵蓬辉,孟春宁,常胜江.  光电子·激光. 2019(07)
[4]改进CNN及其在船舶识别中的应用[J]. 杨亚东,王晓峰,潘静静.  计算机工程与设计. 2018(10)
[5]基于改进卷积神经网络的船舶目标检测[J]. 王新立,江福才,宁方鑫,马全党,张帆,邹红兵.  中国航海. 2018(02)
[6]船舶红外成像目标跟踪研究进展[J]. 方玲玲,赵婉彤,王相海.  计算机辅助设计与图形学学报. 2017(10)
[7]基于视觉显著性的无监督海面舰船检测与识别[J]. 徐芳,刘晶红,曾冬冬,王宣.  光学精密工程. 2017(05)
[8]复杂码头环境下的船舶检测与跟踪算法[J]. 王培玉,李峰,周书仁,廖卓凡.  计算机工程与科学. 2017(05)
[9]海洋背景下的海面舰船快速检测算法[J]. 王方超,张旻,宫丽美,陈卫.  激光与红外. 2016(05)
[10]基于显著性分析的HOG快速船舶检测方法[J]. 元海文,肖长诗,文元桥,周春辉,张康贺,邹雄.  中国航海. 2016(01)

硕士论文
[1]海上船舶检测跟踪系统及其关键算法研究[D]. 张树怀.华南理工大学 2018
[2]船舶检测跟踪与分类算法研究及其系统实现[D]. 陈泽创.华南理工大学 2018
[3]基于星载SAR与AIS综合的舰船目标监视关键技术研究[D]. 赵志.国防科学技术大学 2013



本文编号：3661828