基于深度学习的复杂海情条件下船只识别

发布时间：2020-12-05 09:10

　　海上目标一直以来都是目标识别的重要方向,而船只作为海上重要的运输载体以及军事目标,实现对其自动识别具有现实意义。但在实际中,遥感卫星进行图像采集时往往会受到复杂海情,如云雾遮挡、陆地岸基背景干扰,同时由于卫星影像分辨率高,造成船只目标体积小,这些因素都会增加船只识别的复杂度。本文在研究遥感卫星影像特性的基础上,依托深度学习中的Faster R-CNN目标识别方法,研究了基于深度学习的复杂海情条件下的船只识别方法,主要研究内容如下:本文首先叙述了目前国内外遥感卫星图像目标识别以及深度学习的研究现状,在此基础之上分析了基于深度学习的复杂海情条件下的船只识别所存在的问题,如云雾遮挡、岸基干扰以及船只目标体积小,这些因素都会导致船只的识别准确率低的问题。然后基于Faster R-CNN搭建了一个船只识别网络,但此方法只能够识别常规海情下的船只,无法解决复杂海情的干扰。针对上述问题,本文采用了一种多层次级联的在线难样本挖掘船只识别网络模型,该网络可分为多尺度训练、特征提取、生成目标建议区域、船只分类这四个部分。首先,针对小目标漏检率高的问题,采用多尺度的训练策略,将多尺度的船只样本送入网络中进行... 

【文章来源】：西安工业大学陕西省

【文章页数】：65 页

【学位级别】：硕士

【部分图文】：

遥感影像船只检测任务示意图

只识别[2-3]主要分为船只检测与船只识别两个阶段，船只检测任务示意图如即找到遥感卫星影像中的船只，如图 1.1 中的黄框和红框。图 1.1 遥感影像船只检测任务示意图只识别任务示意图如图 1.2 所示，即在实现遥感卫星影像中的船只检测基础别船只具体的类别，如图 1.2 中的黄框和红框上标记船只的类型。

通过神经网络对数据进行特征提取，将这些数据从低征，得到数据的抽象表达，抽象出数据的特征，这些方法的基础基本神经网络的结构由三层组成：输入层(input layer)、隐含层(htput layer)。输入层负责导入输入的数据；隐含层负责对输入数出对输入数据的处理结果。神经网络的基本结构为神经元，一个如图 1.3 所示。国内外对神经网络的研究已有数十年的时间了，是神经网络的雏形，即只有两层结构构成的神经网络，没有隐含。但这样的单层感知器网络仅能计算简单的线性分类任务，无法一些异或(XOR)问题也无法解决。Hinton 等人在 1986 年首次提ropagation, BP)[8,9]，BP 算法就是在单层感知器网络的基础上增络能够处理复杂的线性分类问题，同时也解决了单层感知器网程冗余的问题。Hinton 等人的研究工作从根本上推动了神经网发展提供了理论支持。

【参考文献】：
期刊论文
[1]多尺度显著性区域提取的模板匹配[J]. 逯睿琦,马惠敏.  光学精密工程. 2018(11)
[2]轴承滚子凸度轮廓的最小二乘拟合与误差评定[J]. 雷贤卿,张亚东,马文锁,户璐卿,左孝林.  光学精密工程. 2018(08)
[3]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)
[4]深度学习原理及应用综述[J]. 付文博,孙涛,梁藉,闫宝伟,范福新.  计算机科学. 2018(S1)
[5]先验知识增强的三维CT腰椎骨图像分割[J]. 颜杰,杨海燕,周萍.  计算机工程与设计. 2018(05)
[6]面向软件模糊自适应的语音式任务目标识别与结构化转换[J]. 张晓冰,杨启亮,邢建春,韩德帅.  计算机工程. 2018(04)
[7]基于深度学习的推荐系统研究综述[J]. 黄立威,江碧涛,吕守业,刘艳博,李德毅.  计算机学报. 2018(07)
[8]基于图像灰度频率与人工神经网络的病虫害防治[J]. 叶聪,沈金龙.  电子器件. 2018(01)
[9]融合凹点检测与仿射变换的活动轮廓模型[J]. 刘国奇,邓铭,窦智.  中国图象图形学报. 2018 (02)
[10]SURF和RANSAC的特征图像匹配[J]. 王卫兵,白小玲,徐倩.  哈尔滨理工大学学报. 2018(01)

硕士论文
[1]基于HOG特征的船舶识别跟踪算法[D]. 吴南.大连海事大学 2017



本文编号：2899216