【摘要】：隨著遙感技術(shù)的蓬勃發(fā)展,光學遙感影像的分辨率逐步提高,對遙感影像上的關(guān)鍵目標進行檢測與識別十分具有研究價值和現(xiàn)實意義。艦船是海上最重要的運輸載體,也是軍事活動中的重點打擊目標,對其進行檢測與識別在民用和軍事領(lǐng)域都有巨大的應用前景。傳統(tǒng)的海上艦船目標檢測算法在復雜海洋背景下,受限于太陽光照、海面霧氣、以及船舶自身的分布狀況等海面上的不確定因素的影響,難以滿足艦船智能檢測的需要。基于深度學習的海上艦船目標檢測算法主要依賴于神經(jīng)網(wǎng)絡(luò)在大數(shù)據(jù)特征學習方面具有的獨特優(yōu)勢,可以快速有效地從海量數(shù)據(jù)中以層次學習的方式提取目標的代表性和區(qū)別性特征。但是現(xiàn)存的基于深度學習的海上艦船檢測的研究仍有許多不足:1)尚未有對艦船進行系統(tǒng)性的分類檢測的研究2)訓練神經(jīng)網(wǎng)絡(luò)模型的數(shù)據(jù)樣本量過少,導致模型魯棒性較差3)用于艦船檢測的神經(jīng)網(wǎng)絡(luò)模型尚未達到檢測精度與檢測速度的平衡,在檢測效果上多為高速低精度、高精度低速。針對以上不足,本研究建立了系統(tǒng)的艦船分類的樣本庫,使用并改進了YOLOv3網(wǎng)絡(luò)實現(xiàn)了光學遙感圖像上的海上艦船目標實時分類檢測。本文的主要工作概括如下:(1)建立了高分遙感影像的艦船分類數(shù)據(jù)集。建立了含有超過14000張遙感圖像,合計約2.4萬艘的不同類型艦船的海上艦船分類檢測數(shù)據(jù)集。首先依據(jù)中華人民共和國海事局《船舶登記工作規(guī)程》中的艦船分類規(guī)則,結(jié)合遙感影像實際情況,建立了基于遙感圖像的海上艦船基本分類體系。選出“客船”、“散貨船”、“集裝箱船”、“液貨船”、“工程船”、“駁船”、“拖船”、“游艇”、“軍事船只”等九種類型的艦船作為分類體系的組成部分。首先選取高分辨光學遙感圖像進行數(shù)據(jù)預處理,然后根據(jù)分類體系對遙感圖像上的艦船目標進行標注,并在標注過程中進行數(shù)據(jù)清洗,剔除噪聲數(shù)據(jù)。其次,針對神經(jīng)網(wǎng)絡(luò)的訓練特點,對數(shù)據(jù)集進行格式轉(zhuǎn)換及統(tǒng)一,使其符合深度學習對輸入數(shù)據(jù)格式的要求。(2)搭建了深度學習訓練平臺。使用在目標檢測領(lǐng)域有突出檢測效果的YOLOv3、Faster R-CNN神經(jīng)網(wǎng)絡(luò)算法對建立的海上艦船數(shù)據(jù)集進行分類檢測,在測試集上對訓練完成的神經(jīng)網(wǎng)絡(luò)模型進行驗證。YOLOv3的檢測效果和檢測速率要明顯優(yōu)于Faster R-CNN。YOLOv3網(wǎng)絡(luò)雖然在艦船分類測試集上有較好的總體檢測效果,但是對小目標類型艦船的檢測結(jié)果仍然并不理想。針對此問題設(shè)計了基于YOLOv3的改進網(wǎng)絡(luò),并同時改進了網(wǎng)絡(luò)的訓練過程。改進的YOLOv3網(wǎng)絡(luò)將原YOLOv3網(wǎng)絡(luò)的3個尺度檢測增加至為4個,并使用K-means聚類算法對訓練樣本中的圖像目標大小進行聚類分析,以生成艦船分類數(shù)據(jù)集特有的錨點框參數(shù),將聚類結(jié)果直接應用于網(wǎng)絡(luò)的訓練和檢測中,以提升網(wǎng)絡(luò)最終的檢測能力。在網(wǎng)絡(luò)的預訓練過程中,通過向網(wǎng)絡(luò)輸入了不同分辨率的遙感艦船圖像達到了微調(diào)網(wǎng)絡(luò)的效果。在網(wǎng)絡(luò)迭代訓練過程中,采用了多尺度訓練的訓練策略,輸入隨機尺寸的圖像,使模型對不同尺寸圖像的檢測具有魯棒性。試驗表明,基于YOLOv3的改進網(wǎng)絡(luò),艦船分類測試集上的準確率和召回率都要優(yōu)于原YOLOv3網(wǎng)絡(luò),尤其是體現(xiàn)在小目標類型艦船的檢測上。(3)在Linux平臺中搭建了艦船檢測系統(tǒng)。設(shè)置對比實驗,對比了改進YOLOv3網(wǎng)絡(luò)與YOLOv3、Faster R-CNN、YOLOv2、YOLOv2-tiny、YOLOv3-tiny六種網(wǎng)絡(luò)在艦船分類測試集的檢測效果。其中改進YOLOv3檢測效果最佳,召回率達到95.62%,平準確率達到93.89%。根據(jù)檢測結(jié)果,系統(tǒng)地分析了造成各網(wǎng)絡(luò)檢測效果不同的原因,闡明了各網(wǎng)絡(luò)在檢測速率、分類定位上的各自優(yōu)勢。
【學位授予單位】：杭州師范大學
【學位級別】：碩士
【學位授予年份】：2019
【分類號】：TP79;U675.79;E91
【圖文】：

它在學術(shù)領(lǐng)域、工業(yè)領(lǐng)域的學生 Salakhutdinov 在知名學術(shù)刊物《起。這篇文章提出了兩個主要觀點：1）多隱力，能更好的表達數(shù)據(jù)的本質(zhì)特征，從果；2）采用"逐層初始化”（layer-w絡(luò)在訓練方面的困難程度。神經(jīng)網(wǎng)絡(luò)的人工標記的訓練數(shù)據(jù)作為輸入對神經(jīng)網(wǎng)策略也很好地抑制了前文提到的多層神ent Diffusion）的現(xiàn)象。

深度學習與傳統(tǒng)的淺層學習的不同在于: 1）模型的深度加深，通常有層網(wǎng)絡(luò)更多的隱層節(jié)點 2）特征學習變得愈發(fā)關(guān)鍵，原空間上的特征表述通層又一層的特征變換被逐漸映射到新的特征空間上，如此一來，分類和預測得更加簡單[46]。2.2 深度學習常用模型分類有監(jiān)督式、無監(jiān)督式和半監(jiān)督式為三大常用的深度學習模型。有監(jiān)督式為現(xiàn)階段的研究主流，但隨著研究的逐步加深，不需要堆積大量訓練數(shù)據(jù)的督和無監(jiān)督學習才是未來的研究方向。圖 2.2 中列出了各個分類項下的一部型，下面將簡單介紹其中的幾個典型模型：

玻爾茲曼機(BM)和受限玻爾茲曼機(RBM)

【參考文獻】

相關(guān)期刊論文 前7條

1 邢相薇;計科峰;康利鴻;詹明;;HRWS SAR圖像艦船目標監(jiān)視技術(shù)研究綜述[J];雷達學報;2015年01期

2 黃凱奇;任偉強;譚鐵牛;;圖像物體分類與檢測算法綜述[J];計算機學報;2014年06期

3 劉建偉;劉媛;羅雄麟;;玻爾茲曼機研究進展[J];計算機研究與發(fā)展;2014年01期

4 余凱;賈磊;陳雨強;徐偉;;深度學習的昨天、今天和明天[J];計算機研究與發(fā)展;2013年09期

5 王保云;張榮;袁圓;尹東;;可見光遙感圖像中艦船目標檢測的多階閾值分割方法[J];中國科學技術(shù)大學學報;2011年04期

6 李大奎;劉曉宇;;對船檢與海事管理中船舶分類的研究[J];中國水運(學術(shù)版);2007年08期

7 張風麗;張磊;吳炳方;;歐盟船舶遙感探測技術(shù)與系統(tǒng)研究的進展[J];遙感學報;2007年04期

相關(guān)博士學位論文 前1條

1 劉寶龍;基于圖像分析和深度學習的船名標識字符檢測與識別研究[D];浙江大學;2018年

相關(guān)碩士學位論文 前6條

1 邱世峗;基于深度學習的高分辨率光學遙感圖像艦船檢測[D];西安電子科技大學;2018年

2 周妹璇;基于深度神經(jīng)網(wǎng)絡(luò)的用戶畫像研究[D];湖南大學;2018年

3 吳科君;基于深度學習的海面船舶目標檢測[D];哈爾濱工程大學;2018年

4 張柯柯;基于卷積神經(jīng)網(wǎng)絡(luò)的視頻人臉表情識別[D];合肥工業(yè)大學;2018年

5 韓亮;基于高分辨率遙感影像的船舶識別研究[D];大連海事大學;2018年

6 周艷果;高分辨率光學遙感數(shù)據(jù)海上船舶提取[D];大連海事大學;2016年

本文編號：2745571