基于卷积神经网络的船舶识别

发布时间：2021-05-18 05:05

　　随着海上贸易的迅速发展,海洋安全的重要性日益深入人心。实现海上船舶目标的自动识别对民用船舶贸易以及军事活动都有着深远的影响。在现实生活中,传统的船舶自动定位技术以及视频监控系统存在识别精确度不高等的缺陷,识别效果有待改进。现有的智能识别算法在进行图像识别时,往往因为待识别图像的气象条件较差,岸基背景复杂以及待识别船舶目标较小等原因,识别精度不高。本文在传统影像特征研究的基础上,对基于卷积神经网络的YOLOv3识别算法进行改进,用以对复杂海况下的船舶进行识别。本文的主要研究内容如下:1.在分析深度学习以及目标检测算法的基础上搭建YOLOv3网络,对常规海况以及复杂海况下的船舶进行分类实验;发现原有的网络架构对正常海况下的船舶识别效果较好,而复杂海况下的船舶识别准确率仍有很大的提升空间。2.提出基于YOLOv3的层级融合算法提升复杂海况下的船舶识别的准确率。YOLOv3网络由样本多尺度训练、层级特征提取、感兴趣区选择与生成以及船舶分类这四部分组成。采用样本的多尺度训练,可以有效地增加小目标样本数量并平衡不同种类的船舶样本分布,进而使船舶识别网络能够充分提取小目标特征。通过卷积神经网络的卷积... 

【文章来源】：大连海事大学辽宁省 211工程院校

【文章页数】：65 页

【学位级别】：硕士

【文章目录】：
摘要
Abstract
1 绪论
    1.1 研究背景
    1.2 研究意义
    1.3 研究现状
    1.4 研究内容及章节安排
2 相关理论介绍
    2.1 卷积神经网络
        2.1.1 卷积
        2.1.2 目的
        2.1.3 池化
        2.1.4 基本卷积函数的变体
        2.1.5 结构化输出
        2.1.6 高效的卷积算法
        2.1.7 随机或无监督的特征
    2.2 YOLO
        2.2.1 输入和输出的映射关系
        2.2.2 训练样本构成
        2.2.3 YOLO的损失函数
        2.2.4 训练
        2.2.5 预测
        2.2.6 YOLO的优缺点
    2.3 本章小结
3 基于YOLOv3的船舶识别
    3.1 概述
    3.2 船舶数据集的构建
        3.2.1 数据集标注工具
    3.3 Pytorch框架
    3.4 YOLOv3网络结构
        3.4.1 Darknet
        3.4.2 多尺度特征的对象检测
        3.4.3 多尺度的先验框
        3.4.4 输入映射到输出
    3.5 实验验证
        3.5.1 数据样本预处理
        3.5.2 实验结果分析对比
    3.6 本章小结
4 基于YOLOv3层级特征融合的船舶识别
    4.1 基于YOLOv3的层级特征融合
        4.1.1 算法设计
        4.1.2 层级特征融合
        4.1.3 极大值抑制
    4.2 模型评价方法
    4.3 实验对比及介绍
        4.3.1 识别网络主要参数设置
        4.3.2 实验结果分析对比
    4.4 本章小结
5 总结与展望
    5.1 总结
    5.2 展望
参考文献
致谢
作者简历及攻读硕士学位期间的科研成果



本文编号：3193168