卫星船舶图像识别和语义分割方法研究
发布时间：2021-08-11 04:25
随着人类对海洋的开发和利用,海洋对于人类来说变得愈发重要。因此实行海上船舶检测对于国家经济发展、海上交通安全、海洋资源合理利用及领海安全起到了至关重要的作用。基于光学卫星图像舰船识别技术作为一种新兴技术给远距离海上动态监测系统提供了新的技术手段。相比于传统检测系统它拥有不受地域及时间的限制、可以进行远距离和大范围的动态监测、监测周期短,识别率高等诸多明显的优势。因此,快速、高效、准确地进行卫星船舶图像识别和分割非常重要。本文重点设计了用于卫星船舶图像识别的神经网络结构RIRnet。首先从设计网络模型时从模型复杂度,梯度传播中的消失问题及数据集自身特点等方面进行了综合研究。RIRnet网路结构从结构上分为初始层、过渡层和输出层三部分。本文设计的RIRnet网络结构有三个特点:（1）主要采用了以残差嵌入残差的构造作为基本结构,使梯度传播更加容易;（2）初始层采用五种不同的卷积核分别从不同维度提取特征,并进行特征融合。（3）过渡层还使用了以3*3及5*5两种不同的卷积核构造的残差嵌入残差结构,同时对两种卷积核构造的残差块进行拼接,使得特征更好的融合。最后,在卫星船舶图像数据上进行实验,并与其...
【文章来源】：大连理工大学辽宁省 211工程院校 985工程院校 教育部直属院校
【文章页数】：69 页
【学位级别】：硕士
【部分图文】：
图像分类、目标检测及语义分割[52]
（a）图像分类 （b）目标检测 （c）语义分割图 2.1 图像分类、目标检测及语义分割[52]Fig. 2.1 Image classification, object detection and Semantic Segmentation目前语义分割的主要应用场景有：地理信息系统、无人车驾驶、医疗影像分析、精准农业等领域。地理信息系统：计算机时代地理信息的获取对于城市的发展、国家资源的统筹规划、农业信息的统计起到非常重要的作用。地理信息的获取会依靠设计好的深度学习模型，输入卫星遥感图像，通过模型对每一种地理类别进行逐像素的识别，最终达到语义分割的目的。下图 2.2 展示了卫星遥感图像语义分割的结果。其中蓝色表示建筑物，黄颜色的表示车辆，绿颜色的表示树木。
- 12 -（c）预测结果图 2.3 路面实况图、真实标签及预测结果图[55]Fig. 2.3 Pavement Map, Ground Truth and Forecast Results
【参考文献】：
期刊论文
[1]基于深度神经网络剪枝的两阶段遥感图像目标检测[J]. 王生生,王萌,王光耀. 东北大学学报(自然科学版). 2019(02)
[2]类别非均衡遥感图像语义分割的全卷积网络方法[J]. 吴止锾,高永明,李磊,薛俊诗. 光学学报. 2019(04)
[3]高分辨率卫星遥感产业国际化发展思路研究[J]. 郭仁忠,胡芬,唐新明. 中国软科学. 2018(11)
[4]采用改进DeepLab网络的遥感图像分割[J]. 陈天华,郑司群,于峻川. 测控技术. 2018(11)
[5]遥感图像分类方法综述[J]. 张裕,杨海涛,袁春慧. 兵器装备工程学报. 2018(08)
[6]我国无人驾驶技术发展现状研究[J]. 贾瑞杰. 电子世界. 2018(15)
[7]图像语义分割问题研究综述[J]. 肖朝霞,陈胜. 软件导刊. 2018(08)
[8]我国海事船舶动态监管方式的效能[J]. 钟子洋. 水运管理. 2017(04)
[9]基于ENVI的CART自动决策树多源遥感影像分类——以北京市为例[J]. 马鑫,汪西原,胡博. 宁夏工程技术. 2017(01)
[10]计算机与农业机械化的相关性研究[J]. 王桂凤,王珂. 农机化研究. 2017(02)
硕士论文
[1]基于深度学习的无人机遥感图像目标识别方法研究[D]. 祝思君.北京建筑大学 2018
[2]基于全卷积神经网络的遥感图像语义分割及变化检测方法研究[D]. 王朵.西安电子科技大学 2018
[3]基于深度学习的高分辨率光学遥感图像舰船检测[D]. 邱世赟.西安电子科技大学 2018
[4]基于全卷积网络的高分一号遥感影像分割方法[D]. 张航.山东农业大学 2018
[5]基于高分辨率遥感影像的船舶识别研究[D]. 韩亮.大连海事大学 2018
[6]可见光遥感图像分割算法研究[D]. 王丽芳.西安电子科技大学 2013
[7]高分辨率可见光遥感图像港口及港内目标识别方法研究[D]. 张振.中国科学技术大学 2009
本文编号：3335448
【文章来源】：大连理工大学辽宁省 211工程院校 985工程院校 教育部直属院校
【文章页数】：69 页
【学位级别】：硕士
【部分图文】：
图像分类、目标检测及语义分割[52]
（a）图像分类 （b）目标检测 （c）语义分割图 2.1 图像分类、目标检测及语义分割[52]Fig. 2.1 Image classification, object detection and Semantic Segmentation目前语义分割的主要应用场景有：地理信息系统、无人车驾驶、医疗影像分析、精准农业等领域。地理信息系统：计算机时代地理信息的获取对于城市的发展、国家资源的统筹规划、农业信息的统计起到非常重要的作用。地理信息的获取会依靠设计好的深度学习模型，输入卫星遥感图像，通过模型对每一种地理类别进行逐像素的识别，最终达到语义分割的目的。下图 2.2 展示了卫星遥感图像语义分割的结果。其中蓝色表示建筑物，黄颜色的表示车辆，绿颜色的表示树木。
- 12 -（c）预测结果图 2.3 路面实况图、真实标签及预测结果图[55]Fig. 2.3 Pavement Map, Ground Truth and Forecast Results
【参考文献】：
期刊论文
[1]基于深度神经网络剪枝的两阶段遥感图像目标检测[J]. 王生生,王萌,王光耀. 东北大学学报(自然科学版). 2019(02)
[2]类别非均衡遥感图像语义分割的全卷积网络方法[J]. 吴止锾,高永明,李磊,薛俊诗. 光学学报. 2019(04)
[3]高分辨率卫星遥感产业国际化发展思路研究[J]. 郭仁忠,胡芬,唐新明. 中国软科学. 2018(11)
[4]采用改进DeepLab网络的遥感图像分割[J]. 陈天华,郑司群,于峻川. 测控技术. 2018(11)
[5]遥感图像分类方法综述[J]. 张裕,杨海涛,袁春慧. 兵器装备工程学报. 2018(08)
[6]我国无人驾驶技术发展现状研究[J]. 贾瑞杰. 电子世界. 2018(15)
[7]图像语义分割问题研究综述[J]. 肖朝霞,陈胜. 软件导刊. 2018(08)
[8]我国海事船舶动态监管方式的效能[J]. 钟子洋. 水运管理. 2017(04)
[9]基于ENVI的CART自动决策树多源遥感影像分类——以北京市为例[J]. 马鑫,汪西原,胡博. 宁夏工程技术. 2017(01)
[10]计算机与农业机械化的相关性研究[J]. 王桂凤,王珂. 农机化研究. 2017(02)
硕士论文
[1]基于深度学习的无人机遥感图像目标识别方法研究[D]. 祝思君.北京建筑大学 2018
[2]基于全卷积神经网络的遥感图像语义分割及变化检测方法研究[D]. 王朵.西安电子科技大学 2018
[3]基于深度学习的高分辨率光学遥感图像舰船检测[D]. 邱世赟.西安电子科技大学 2018
[4]基于全卷积网络的高分一号遥感影像分割方法[D]. 张航.山东农业大学 2018
[5]基于高分辨率遥感影像的船舶识别研究[D]. 韩亮.大连海事大学 2018
[6]可见光遥感图像分割算法研究[D]. 王丽芳.西安电子科技大学 2013
[7]高分辨率可见光遥感图像港口及港内目标识别方法研究[D]. 张振.中国科学技术大学 2009
本文编号：3335448
本文链接：https://www.wllwen.com/kejilunwen/ruanjiangongchenglunwen/3335448.html
