論文針對日益復雜的海面戰(zhàn)場環(huán)境對艦船目標識別更高識別率、實時性、智能化的需求,進行了基于深度卷積神經(jīng)網(wǎng)絡的可見光艦船目標識別系統(tǒng)的方案設計�？梢姽馀灤繕俗R別系統(tǒng)由艦船圖像采集預處理平臺、艦船圖像離線訓練平臺和艦船目標在線識別平臺組成,可進行海面艦船、民船的可見光/紅外圖像采集、處理和存儲,可進行基于深度卷積神經(jīng)網(wǎng)絡的艦船目標特征訓練和識別,具有較高的目標識別準確率和實時性。 

【文章來源】：艦船電子工程. 2020,40(08)

【文章頁數(shù)】：6 頁

【部分圖文】：

基于深度卷積神經(jīng)網(wǎng)絡的艦船目標特征訓練架構(gòu)共享特征CNN層可以是現(xiàn)存的深度卷積神經(jīng)

總第314期于集成學習，從而達到對新來圖像數(shù)據(jù)集的增量學習。圖6基于選擇性負相關(guān)學習的深度ResNet集成學習框架，主要包括四個模塊：初始ResNet深度神經(jīng)網(wǎng)絡集成、當前ResNet深度神經(jīng)網(wǎng)絡集成、復制ResNet深度神經(jīng)網(wǎng)絡集成以及新ResNet深度神經(jīng)網(wǎng)絡集成。它們之間的交互關(guān)系為：首先利用第一個軍艦和民船圖像數(shù)據(jù)集對初始ResNet深度神經(jīng)網(wǎng)絡集成進行訓練得到當前ResNet深度神經(jīng)網(wǎng)絡集成；然后，將當前ResNet深度神經(jīng)網(wǎng)絡集成進行復制得到復制ResNet深度神經(jīng)網(wǎng)絡集成；接下來，當?shù)诙䝼�軍艦和民船圖像數(shù)據(jù)集到來時，利用該數(shù)據(jù)集對復制ResNet深度神經(jīng)網(wǎng)絡集成進行訓練，得到新ResNet深度神經(jīng)網(wǎng)絡集成；最后，為了使ResNet深度神經(jīng)網(wǎng)絡集成能夠在學習新圖像數(shù)據(jù)知識的同時能夠較大程度保留已經(jīng)學習過的知識，同時保持深度集成模型的大小不變，因此需要應用選擇性負相關(guān)學習方法進行選擇。圖6基于選擇性負相關(guān)的深度ResNet集成學習框架3結(jié)語本文基于深度卷積神經(jīng)網(wǎng)絡進行了艦船目標識別系統(tǒng)的方案設計，該系統(tǒng)基于可見光/紅外圖像進行艦船目標識別，實時性高；該系統(tǒng)可離線地對目標識別模型進行訓練，相比于傳統(tǒng)基于恒虛警率算法、小波變換等算法，基于深度卷積神經(jīng)網(wǎng)絡的方案具有更高的識別準確率；該系統(tǒng)可進行在線增量學習，在使用過程中可不斷進行模型參數(shù)的優(yōu)化，不斷提高識別準確率。參考文獻［1］LengX，JiK，YangK，etal.AbilateralCFARalgorithmforshipdetectioninSARimages［J］.IEEEGeoscienceandRemoteSensingLetters，2015，12（7）：1536-1540.［2］DaiH，DuL，WangY，eta

鷦謔?葜行?的艦船圖像離線訓練平臺，主要進行PB級艦船圖像、視頻數(shù)據(jù)樣本的存儲，以及離線艦船目標識別模型的訓練；另一部分是在艦船、無人機、指揮所等武器裝備終端上運行的艦船圖像采集預處理平臺和艦船目標在線識別平臺，負責艦船目標圖像采集、檢測、分類和識別，具體如圖1所示。可見光艦船目標識別系統(tǒng)各模塊的具體功能如下。1）艦船圖像數(shù)據(jù)庫采用已有的圖像、參數(shù)和模型數(shù)據(jù)構(gòu)建，并在使用過程中，通過檢測目標數(shù)據(jù)采集不斷的進行豐富；圖1基于深度卷積神經(jīng)網(wǎng)絡的可見光艦船目標識別系統(tǒng)框圖2）艦船目標特征訓練是在卷積神經(jīng)網(wǎng)絡的框架下，通過對艦船樣本庫的識別訓練，形成可見光/紅外和二維/三維融合的艦船特征知識庫，用于進行艦船目標分類識別；3）艦船目標數(shù)據(jù)采集用于對海上艦船目標的可見光或紅外視頻數(shù)據(jù)進行實時高分辨率的采集；4）艦船目標檢測是對海上艦船目標進行檢測，在檢測到存在艦船目標后，開展后續(xù)的圖像預處理和分類識別工作；5）艦船目標圖像預處理包括海陸背景圖像分離、艦船目標分割等圖像預處理工作，為艦船目標的分類識別做好準備；6）艦船目標圖像粗分類在本地進行，針對艦船的大類進行簡單的分類，降低后續(xù)艦船目標細分類識別的工作量；7）最后，在艦船目標在線識別平臺開展艦船目標的識別工作，準確地識別出艦船的類型。2.1艦船圖像采集預處理平臺本方案基于可見光/紅外圖像進行艦船目標識別，艦船圖像采集預處理平臺部署在艦船上。2.1.1艦船目標圖像采集艦船目標圖像采集硬件架構(gòu)如圖2所示，包括艦船目標圖像采集傳感模塊、艦船目標圖像采集預處理模塊、多碼流圖像編碼模塊和圖像傳輸模塊。其中，艦船目標圖像采集傳感模塊通過

【參考文獻】：
期刊論文
[1]深度神經(jīng)網(wǎng)絡下的SAR艦船目標檢測與區(qū)分模型[J]. 魏松杰,蔣鵬飛,袁秋壯,劉梅林.  西北工業(yè)大學學報. 2019(03)
[2]中低分辨率遙感影像艦船目標識別方法[J]. 劉星璇,饒世鈞,洪俊.  艦船電子工程. 2018(06)
[3]艦船圖像顯著性區(qū)域檢測技術(shù)研究與仿真[J]. 張亞倫,楊露菁,陳煜康,劉樹衎.  艦船電子工程. 2017(07)
[4]基于深度卷積神經(jīng)網(wǎng)絡的船舶識別方法研究[J]. 趙亮,王曉峰,袁逸濤.  艦船科學技術(shù). 2016(15)
[5]信號處理在艦船目標識別中研究發(fā)展綜述[J]. 盛會平,林王鵬,周勇.  艦船電子工程. 2013(12)



本文編號：3605792