基于深度学习的船只识别研究
发布时间：2021-06-24 16:10
随着海运行业的不断发展,海上交通日趋频繁,做好海上安防、海洋环境监测、海上船只监测等工作以及开展相关研究的意义就尤为重要。目前国内外主要是基于合成孔径雷达（Synthetic Aperture Radar,SAR）图像的船只进行识别,并以传统机器学习方法为主,但随着近些年深度学习的快速发展,越来越多的学者开始采用深度学习的方法对SAR图像船只的识别工作开展研究,同时由于光学传感器、无人机等设备的发展,光学图像因其分辨率高,有更好的目判性以及有更多的特征信息等优点,基于光学图像的船只识别也成为新的研究方向。因此基于深度学习方法,结合SAR图像和光学图像开展船只检测和分类的研究有重要意义。本文主要基于深度学习的方法对海上船只识别开展研究,主要内容如下:（1）提出了一种基于改进区域全卷积神经网络（R-FCN）的船只识别方法,应用在光学图像船只数据集中。首先,根据船只识别的目标小,数量多的特性,将特征层数量提升为21层,提升了特征信息的维度,同时在一定程度上避免了模型失调的可能;其次,模型将ROI Pooling层中的全局平均值池化改为全局最大值池化,从而提升了特征信息的数量,有效地保留了小目...
【文章来源】：江南大学江苏省 211工程院校 教育部直属院校
【文章页数】：63 页
【学位级别】：硕士
【部分图文】：
SAR图像船只但SAR图像存在缺少颜色、分辨率较低
低，学者一般采用分辨率较高的逆合成孔径雷达（InverseSyntheticApertureRadar,ISAR）[6-8]对船舶目标检测与识别进行研究，或通过一些模拟数据[9]，对船舶目标进行模拟仿真，从而实现实验性地检测与识别。随着新一代高分辨率、多极化SAR传感器如：COS-MO-SkyMed、TerraSAR-X、RadarSat-2的出现，推动了陆地与海上目标检测的研究进程，同时使得基于SAR图像开展船只识别研究的前景逐渐广阔，由于SAR图像的获取不受天气状况的干扰，这意味着对船只目标可以保持每时每刻的观测，进而能够监测大面积海洋。图1-1SAR图像船只图1-2光学图像船只但SAR图像存在缺少颜色、分辨率较低等缺陷，如图1-1所示。因此，基于光学图像进行船只识别也逐渐成为了研究人员的方向，与SAR图像相比，光学图像分辨率更高，具有更强的目视判读能力，更易于解译等特点，如图1-2所示。随着遥感卫星技术的不断加强，光学图像的分辨率也会更高，细节部分特征抓取更丰富，因此光学图像下
江南大学硕士学位论文102.1.1卷积神经网络(CNN)简介卷积神经网络模型（CNN）主要是应用于计算机视觉、图像处理、目标检测等领域，是深度学习网络结构中不可或缺的一部分，与其他诸多网络结构相比，卷积神经网络模型提供了诸多不可比拟的优势，历年ImageNet中图像分类的佼佼者均是采用了卷积神经网络这一基本网络结构进行构建。卷积神经网络源自日本学者福岛提出的认知机结构[63]，福岛学者基于猫的视觉大脑皮层的分区域方式，进而研究并设计出分层分区域解决图像等数据问题，这也加快了后来的科学家对于网络结构的研究进展。与传统的网络结构方法相比，卷积神经网络模型在过拟合方面与计算量方面均优于传统方法，如图2-1所示，常规的全连接网络每个神经元节点需要连接之前所有的神经元节点，这样不仅计算复杂也增大了收敛难度，但卷积神经网络的神经元和部分节点相连接的操作，既避免了运算量的问题，同时也在一定程度上防止了网络的过拟合过程。接下来以实际数量为例，假设输入层为10000像素×10000像素的二值化图像，则神经元数量显而易见为108，故而较大计算量会导致性能下降，但是使用卷积网络方法，使用适当的卷积核可将计算量下降至104次，进而相差近104倍，从而也印证了卷积神经网络的结构优良性及设计先进性。图2-1卷积层局部视野感知示意图正是因为卷积神经网络的杰出特点，以至于YannLeCun教授基于该网络结构的特性提出并设计了LeNet5[64]网络模型结构并成功在神经网络上解决了手写字体识别这一问题，这同时也是卷积神经网络第一次出现在计算机视觉领域。图2-2则是其根据卷积神经网络而进行改进设计的手写字体识别网络结构。
【参考文献】：
期刊论文
[1]复杂场景下遥感船舶的检测与分割定位[J]. 杨浩琪,姚红革,王诚,喻钧,王飞,纳钦. 计算机辅助设计与图形学学报. 2020(03)
[2]基于生成对抗网络和线上难例挖掘的SAR图像舰船目标检测[J]. 李健伟,曲长文,彭书娟,江源. 电子与信息学报. 2019(01)
[3]基于图像分割的海上船只检测[J]. 贾春鹤,酒康,徐吉松,樊彦国. 矿山测量. 2018(05)
[4]行人检测的深度稀疏自编码网络[J]. 崔鹏,赵莎莎,范志旭. 计算机科学与探索. 2019(06)
[5]高分辨率光学遥感影像舰船检测算法研究[J]. 张雷,甘春生,胡宇. 计算机工程与应用. 2017(09)
[6]A Water/Land Segmentation Algorithm Based on an Improved Chan-Vese Model with Edge Constraints of Complex Wavelet Domain[J]. MAO Chenglin,WAN Shouhong,YUE Lihua,XIA Yu. Chinese Journal of Electronics. 2015(02)
[7]SAR图像船只分类识别研究进展[J]. 吴樊,王超,张波,张红,田小娟. 遥感技术与应用. 2014(01)
[8]光学遥感图像低可观测区域舰船检测[J]. 周伟,关键,何友. 中国图象图形学报. 2012(09)
本文编号：3247413
【文章来源】：江南大学江苏省 211工程院校 教育部直属院校
【文章页数】：63 页
【学位级别】：硕士
【部分图文】：
SAR图像船只但SAR图像存在缺少颜色、分辨率较低
低，学者一般采用分辨率较高的逆合成孔径雷达（InverseSyntheticApertureRadar,ISAR）[6-8]对船舶目标检测与识别进行研究，或通过一些模拟数据[9]，对船舶目标进行模拟仿真，从而实现实验性地检测与识别。随着新一代高分辨率、多极化SAR传感器如：COS-MO-SkyMed、TerraSAR-X、RadarSat-2的出现，推动了陆地与海上目标检测的研究进程，同时使得基于SAR图像开展船只识别研究的前景逐渐广阔，由于SAR图像的获取不受天气状况的干扰，这意味着对船只目标可以保持每时每刻的观测，进而能够监测大面积海洋。图1-1SAR图像船只图1-2光学图像船只但SAR图像存在缺少颜色、分辨率较低等缺陷，如图1-1所示。因此，基于光学图像进行船只识别也逐渐成为了研究人员的方向，与SAR图像相比，光学图像分辨率更高，具有更强的目视判读能力，更易于解译等特点，如图1-2所示。随着遥感卫星技术的不断加强，光学图像的分辨率也会更高，细节部分特征抓取更丰富，因此光学图像下
江南大学硕士学位论文102.1.1卷积神经网络(CNN)简介卷积神经网络模型（CNN）主要是应用于计算机视觉、图像处理、目标检测等领域，是深度学习网络结构中不可或缺的一部分，与其他诸多网络结构相比，卷积神经网络模型提供了诸多不可比拟的优势，历年ImageNet中图像分类的佼佼者均是采用了卷积神经网络这一基本网络结构进行构建。卷积神经网络源自日本学者福岛提出的认知机结构[63]，福岛学者基于猫的视觉大脑皮层的分区域方式，进而研究并设计出分层分区域解决图像等数据问题，这也加快了后来的科学家对于网络结构的研究进展。与传统的网络结构方法相比，卷积神经网络模型在过拟合方面与计算量方面均优于传统方法，如图2-1所示，常规的全连接网络每个神经元节点需要连接之前所有的神经元节点，这样不仅计算复杂也增大了收敛难度，但卷积神经网络的神经元和部分节点相连接的操作，既避免了运算量的问题，同时也在一定程度上防止了网络的过拟合过程。接下来以实际数量为例，假设输入层为10000像素×10000像素的二值化图像，则神经元数量显而易见为108，故而较大计算量会导致性能下降，但是使用卷积网络方法，使用适当的卷积核可将计算量下降至104次，进而相差近104倍，从而也印证了卷积神经网络的结构优良性及设计先进性。图2-1卷积层局部视野感知示意图正是因为卷积神经网络的杰出特点，以至于YannLeCun教授基于该网络结构的特性提出并设计了LeNet5[64]网络模型结构并成功在神经网络上解决了手写字体识别这一问题，这同时也是卷积神经网络第一次出现在计算机视觉领域。图2-2则是其根据卷积神经网络而进行改进设计的手写字体识别网络结构。
【参考文献】：
期刊论文
[1]复杂场景下遥感船舶的检测与分割定位[J]. 杨浩琪,姚红革,王诚,喻钧,王飞,纳钦. 计算机辅助设计与图形学学报. 2020(03)
[2]基于生成对抗网络和线上难例挖掘的SAR图像舰船目标检测[J]. 李健伟,曲长文,彭书娟,江源. 电子与信息学报. 2019(01)
[3]基于图像分割的海上船只检测[J]. 贾春鹤,酒康,徐吉松,樊彦国. 矿山测量. 2018(05)
[4]行人检测的深度稀疏自编码网络[J]. 崔鹏,赵莎莎,范志旭. 计算机科学与探索. 2019(06)
[5]高分辨率光学遥感影像舰船检测算法研究[J]. 张雷,甘春生,胡宇. 计算机工程与应用. 2017(09)
[6]A Water/Land Segmentation Algorithm Based on an Improved Chan-Vese Model with Edge Constraints of Complex Wavelet Domain[J]. MAO Chenglin,WAN Shouhong,YUE Lihua,XIA Yu. Chinese Journal of Electronics. 2015(02)
[7]SAR图像船只分类识别研究进展[J]. 吴樊,王超,张波,张红,田小娟. 遥感技术与应用. 2014(01)
[8]光学遥感图像低可观测区域舰船检测[J]. 周伟,关键,何友. 中国图象图形学报. 2012(09)
本文编号：3247413
本文链接：https://www.wllwen.com/kejilunwen/zidonghuakongzhilunwen/3247413.html
