基于深度学习的SAR图像舰船检测

发布时间：2017-07-02 12:04

  本文关键词：基于深度学习的SAR图像舰船检测，，由笔耕文化传播整理发布。

【摘要】：针对SAR图像数据下的舰船检测问题,以及深度学习模型的优点,提出了基于深度学习的SAR图像舰船目标检测。深度学习被看作是一种特征学习工具,自动从图像数据中学习最能表达目标的特征。它通过构建具有多个隐层的学习模型,从中学到多层的非线性关系,这是其他非深度学习算法所不能及的,如此便可以从舰船训练数据中学习更有用的特征,从而提升舰船目标分类的准确性。本文分析了深度学习的基本模型和方法,并在相关图像数据集上做了实验论证。首先研究了深度学习中限制玻尔兹曼机(RBM)在SAR图像舰船目标检测中的应用。介绍了RBM网络结构理论知识,然后结合舰船检测问题给出来具体的算法实现。针对RBM训练参数过多,训练时间长等问题,提出了基于卷积神经网络CNN的SAR图像舰船检测。CNN网络结构是由卷积层和下采样层交替构成的,通过局部感受野和权值共享特性,不但解决了前面的问题,还很大程度上改善了检测性能。与传统浅层学习相比,深度学习的不同在于:(1)强调了模型结构的深度,表现为包含多个隐层节点;(2)突出了所学特征的优越性,通过逐层特征变换,将样本在原空间的特征变换到一个新空间,从而使分类检测更加容易。与手动提取特征相比,利用大数据来学习特征,更能刻画数据的本质信息。深度学习优点在于对舰船模型的表达能力较强,能够突显舰船目标在周围非目标中的特性,同时这种方法也有一定的生物学基础。通过对现有数据集的测试,证明了该方法的有效性。
【关键词】：深度学习 舰船检测 限制玻尔兹曼机 卷积神经网络 特征学习
【学位授予单位】：西安电子科技大学
【学位级别】：硕士
【学位授予年份】：2015
【分类号】：TN957.52
【目录】：

• 摘要5-6
• ABSTRACT6-9
• 符号对照表9-10
• 缩略语对照表10-13
• 第一章 绪论13-19
• 1.1 研究背景与意义13-14
• 1.2 国内外研究现状14-16
• 1.2.1 基于统计特征的舰船检测14-15
• 1.2.2 基于多尺度分析的舰船检测15
• 1.2.3 基于模板的舰船检测15-16
• 1.2.4 基于多/全极化SAR图像的舰船检测16
• 1.3 论文内容与安排16-19
• 第二章 深度学习及目标检测理论基础19-33
• 2.1 deep learning网络介绍19-28
• 2.1.1 自动编码器（Auto Encoder）19-21
• 2.1.2 限制玻尔兹曼机RBM21-24
• 2.1.3 卷积神经网络CNN24-26
• 2.1.4 深度置信网络DBN26-28
• 2.2 目标检测28-31
• 2.2.1 目标检测框架28-29
• 2.2.2 有监督、无监督和半监督学习29-31
• 2.2.3 特征、分类器31
• 2.3 本章小结31-33
• 第三章 基于限制玻尔兹曼机的SAR图像舰船检测33-47
• 3.1 引言33
• 3.2 限制玻尔兹曼机（RBM）33-38
• 3.2.1 网络训练算法33-35
• 3.2.2 Gibbs采样35-36
• 3.2.3 基于对比散度的训练算法36-37
• 3.2.4 Softmax分类器37-38
• 3.3 本章算法实现38-40
• 3.3.1 图像预处理38-39
• 3.3.2 限制玻尔兹曼机网络构造39-40
• 3.4 实验结果及其分析40-45
• 3.5 本章小结45-47
• 第四章 基于卷积神经网络CNN的SAR图像舰船检测47-61
• 4.1 引言47
• 4.2 卷积神经网络结构47-50
• 4.2.1 卷积层与下采样层过程48-49
• 4.2.2 局部感受野和权值共享49-50
• 4.3 本章算法实现50-53
• 4.3.1 图像预处理51-52
• 4.3.2 卷积神经网络构造52
• 4.3.3 卷积神经网络的反向传播52-53
• 4.4 实验结果及其分析53-58
• 4.5 结果对比分析58-60
• 4.6 本章小结60-61
• 第五章 总结和展望61-63
• 5.1 本文研究成果61
• 5.2 进一步研究方向61-63
• 参考文献63-69
• 致谢69-71
• 作者简介71-72

【相似文献】

中国期刊全文数据库 前10条

1 李坤;邵芸;张风丽;;基于多极化机载合成孔径雷达(SAR)数据的水稻识别[J];浙江大学学报(农业与生命科学版);2011年02期

2 刘开刚;许梅生;李维;;一种基于双阈值区域分割的SAR图像目标提取方法[J];国外电子测量技术;2008年03期

3 ;西部测图工程机载干涉SAR测图系统项目启动会在北京召开[J];遥感信息;2008年04期

4 蔡红;;基于稀疏表示的SAR图像压缩方法研究[J];计算机工程与应用;2012年24期

5 李杏朝，董文敏;SAR图像的水文应用研究[J];遥感信息;1996年04期

6 孙尽尧,孙洪;自然场景SAR图像的仿真[J];雷达科学与技术;2003年04期

7 李金;程超;许浩;;无人机机载合成孔径雷达(SAR)定位方法综述[J];影像技术;2008年03期

8 陈原;张荣;尹东;;基于Tetrolet Packet变换的SAR图像稀疏表示[J];电子与信息学报;2012年02期

9 何毅;范伟杰;;手机批量SAR测试方案[J];安徽电子信息职业技术学院学报;2013年05期

10 纪建;田铮;徐海霞;;SAR图像压缩的多尺度自回归滑动平均模型方法[J];电子学报;2005年12期

中国重要会议论文全文数据库 前10条

1 沈晶;杨学志;;基于边缘保持分水岭算法的SAR海冰图像分割[A];计算机技术与应用进展·2007——全国第18届计算机技术与应用（CACIS）学术会议论文集[C];2007年

2 郝卫东;熊邺;曲兰英;周志丽;;一种降低手机SAR的设计[A];2009年全国天线年会论文集（下）[C];2009年

3 方勇;;综合多视角SAR图像改正遮蔽区试验[A];第十三届全国遥感技术学术交流会论文摘要集[C];2001年

4 于明成;许稼;彭应宁;;SAR多普勒中心快速解模糊的新方法[A];第十二届全国信号处理学术年会（CCSP-2005）论文集[C];2005年

5 戴尔燕;金亚秋;;多轨道飞行全极化SAR图像对目标的立体重构[A];第二届微波遥感技术研讨会摘要全集[C];2006年

6 常本义;高力;;SAR单图像定位原理[A];中国科协2001年学术年会分会场特邀报告汇编[C];2001年

7 钱方明;巩丹超;刘薇;;SAR图像边缘特征提取方法研究[A];第二届“测绘科学前沿技术论坛”论文精选[C];2010年

8 陈林辉;叶伟;贾鑫;;分布式卫星SAR图像方位向分辨率分析[A];中国航空学会信号与信息处理专业全国第八届学术会议论文集[C];2004年

9 孙伟顺;计科峰;朱俊;粟毅;;典型军用目标SAR图像预估[A];第六届全国信息获取与处理学术会议论文集（2）[C];2008年

10 黄勇;王建国;黄顺吉;;基于分段的非监督SAR图像变化检测[A];第十一届全国信号处理学术年会（CCSP-2003）论文集[C];2003年

中国重要报纸全文数据库 前2条

1 张显峰;机载干涉SAR：掀起测绘革命[N];科技日报;2004年

2 钟勇;国内首套SAR测图系统通过评审[N];中国测绘报;2010年

中国博士学位论文全文数据库 前10条

1 贺广均;联合SAR与光学遥感数据的山区积雪识别研究[D];南京大学;2015年

2 张双喜;高分辨宽测绘带多通道SAR和动目标成像理论与方法[D];西安电子科技大学;2014年

3 刘小宁;星上SAR实时成像处理关键技术研究[D];北京理工大学;2016年

4 李兰;森林垂直信息P-波段SAR层析提取方法[D];中国林业科学研究院;2016年

5 张泽兵;知识辅助的SAR目标索引及特征提取技术研究[D];国防科学技术大学;2014年

6 张鹏;基于统计模型的SAR图像降斑和分割方法研究[D];西安电子科技大学;2012年

7 王勃;星载全极化SAR海面散射特性及其船目标检测方法[D];中国海洋大学;2013年

8 倪心强;SAR图像分类与自动目标识别技术研究[D];中国科学院研究生院（电子学研究所）;2007年

9 周鹏;弹载SAR多种工作模式的成像算法研究[D];西安电子科技大学;2011年

10 赵凌君;高分辨率SAR图像建筑物提取方法研究[D];国防科学技术大学;2009年

中国硕士学位论文全文数据库 前10条

1 董立亚;SAR图像去噪的小波和偏微分方程的数学建模[D];河北联合大学;2014年

2 陈海文;基于波数域的圆周SAR三维成像算法研究[D];哈尔滨工业大学;2015年

3 眭明;星机双基地SAR同步技术研究[D];电子科技大学;2014年

4 罗煜川;基于压缩感知的阵列SAR三维成像方法研究[D];电子科技大学;2015年

5 张强;基于视觉注意的SAR目标快速检测算法研究[D];电子科技大学;2015年

6 于利娟;手机天线辐射特性优化与SAR研究[D];西安电子科技大学;2013年

7 吴子斌;机载三维SAR高分辨成像[D];国防科学技术大学;2013年

8 李志华;基于FPGA的微型SAR实时成像处理研究[D];西安电子科技大学;2014年

9 刘东洋;基于Z7的SAR实时成像处理设计[D];西安电子科技大学;2014年

10 张晓梨;基于实测SAR图像的杂波特性研究和图像重构[D];西安电子科技大学;2014年

  本文关键词：基于深度学习的SAR图像舰船检测，由笔耕文化传播整理发布。

本文编号：509800