發(fā)布時(shí)間：2022-07-14 20:33

　　船舶目標(biāo)識(shí)別技術(shù)在水上交通運(yùn)輸管理、海洋環(huán)境資源勘探、災(zāi)害救援、打擊走私等方面具有廣泛應(yīng)用前景。相較于合成孔徑雷達(dá)圖像、紅外圖像與光學(xué)遙感圖像,可見光圖像包含豐富的顏色紋理等細(xì)節(jié)特征,在實(shí)時(shí)船舶檢測(cè)與船舶細(xì)分類任務(wù)方面更具優(yōu)勢(shì)。目前傳統(tǒng)船舶目標(biāo)檢測(cè)算法在光線多變、云霧遮擋、海岸背景復(fù)雜、船舶目標(biāo)多尺度等情況下檢測(cè)精度低、魯棒性差,而且針對(duì)船舶目標(biāo)的細(xì)粒度分類研究相對(duì)較少。針對(duì)上述不足之處,本文基于深度學(xué)習(xí)方法對(duì)船舶目標(biāo)識(shí)別展開以下幾點(diǎn)研究:（1）為了提升模型在小規(guī)模船舶數(shù)據(jù)集上的泛化能力,本文基于改進(jìn)的深度卷積生成對(duì)抗網(wǎng)絡(luò)（Deep Convolutional Generative Adversarial Networks,DCGAN）進(jìn)行船舶數(shù)據(jù)增強(qiáng)。針對(duì)DCGAN生成的船舶圖像分辨率低、細(xì)節(jié)模糊這一問題,本文提出優(yōu)化生成器與判別器的網(wǎng)絡(luò)結(jié)構(gòu)、利用Non-local模塊捕獲全局信息、添加特征匹配損失三個(gè)改進(jìn)策略,生成更加清晰真實(shí)的船舶圖像。實(shí)驗(yàn)證明基于本文改進(jìn)的DCGAN算法進(jìn)行船舶數(shù)據(jù)增強(qiáng)可有效提升船舶識(shí)別準(zhǔn)確率。（2）為了提高船舶檢測(cè)精度,本文首先基于改進(jìn)的暗通道先驗(yàn)算法對(duì)船舶圖... 

【文章頁(yè)數(shù)】：95 頁(yè)

【學(xué)位級(jí)別】：碩士

【文章目錄】：
摘要
ABSTRACT
第一章 緒論
    1.1 課題背景與研究意義
    1.2 船舶目標(biāo)檢測(cè)與識(shí)別國(guó)內(nèi)外研究現(xiàn)狀
    1.3 基于深度學(xué)習(xí)的目標(biāo)檢測(cè)與識(shí)別關(guān)鍵技術(shù)綜述
        1.3.1 目標(biāo)檢測(cè)關(guān)鍵技術(shù)
        1.3.2 目標(biāo)分類關(guān)鍵技術(shù)
    1.4 本文研究?jī)?nèi)容與組織結(jié)構(gòu)
        1.4.1 本文主要研究?jī)?nèi)容
        1.4.2 本文組織結(jié)構(gòu)
第二章 基于改進(jìn)DCGAN的船舶數(shù)據(jù)增強(qiáng)
    2.1 引言
    2.2 船舶數(shù)據(jù)增強(qiáng)算法概述
    2.3 基于幾何變換的船舶數(shù)據(jù)增強(qiáng)
    2.4 基于改進(jìn)DCGAN的船舶數(shù)據(jù)增強(qiáng)
        2.4.1 基于DCGAN的船舶數(shù)據(jù)增強(qiáng)
        2.4.2 生成器與判別器網(wǎng)絡(luò)結(jié)構(gòu)優(yōu)化
        2.4.3 基于Non-local模塊的全局信息提取
        2.4.4 基于特征匹配的損失函數(shù)改進(jìn)
    2.5 實(shí)驗(yàn)結(jié)果與分析
        2.5.1 實(shí)驗(yàn)設(shè)置與評(píng)價(jià)指標(biāo)
        2.5.2 實(shí)驗(yàn)結(jié)果與分析
    2.6 本章小結(jié)
第三章 基于改進(jìn)YOLOv2的船舶目標(biāo)檢測(cè)
    3.1 引言
    3.2 基于改進(jìn)YOLOv2的船舶目標(biāo)檢測(cè)算法概述
    3.3 基于改進(jìn)暗通道先驗(yàn)算法的船舶圖像去霧預(yù)處理
        3.3.1 暗通道先驗(yàn)算法
        3.3.2 改進(jìn)的暗通道先驗(yàn)去霧算法
        3.3.3 船舶圖像去霧實(shí)驗(yàn)結(jié)果與分析
    3.4 基于YOLOv2算法的船舶目標(biāo)檢測(cè)
        3.4.1 船舶檢測(cè)模型結(jié)構(gòu)
        3.4.2 損失函數(shù)
    3.5 基于改進(jìn)YOLOv2算法的船舶目標(biāo)檢測(cè)
        3.5.1 基于多尺度特征融合的模型結(jié)構(gòu)改進(jìn)
        3.5.2 基于聚類的anchor設(shè)計(jì)
        3.5.3 基于困難樣本挖掘的損失函數(shù)改進(jìn)
    3.6 船舶檢測(cè)實(shí)驗(yàn)結(jié)果與分析
        3.6.1 數(shù)據(jù)集與評(píng)價(jià)方法
        3.6.2 實(shí)驗(yàn)結(jié)果與分析
    3.7 本章小結(jié)
第四章 基于注意力機(jī)制與級(jí)聯(lián)網(wǎng)絡(luò)的船舶細(xì)分類算法
    4.1 引言
    4.2 基于注意力機(jī)制與級(jí)聯(lián)網(wǎng)絡(luò)的船舶細(xì)分類算法概述
    4.3 基于注意力機(jī)制的船舶細(xì)分類
        4.3.1 注意力機(jī)制
        4.3.2 基于PAM-CAM注意力模塊的船舶細(xì)分類
    4.4 基于級(jí)聯(lián)卷積神經(jīng)網(wǎng)絡(luò)的船舶細(xì)分類
        4.4.1 用于船舶細(xì)分類的級(jí)聯(lián)網(wǎng)絡(luò)設(shè)計(jì)
        4.4.2 用于船舶細(xì)分類的級(jí)聯(lián)子網(wǎng)絡(luò)設(shè)計(jì)
        4.4.3 基于Grad-CAM算法的船舶顯著性局部區(qū)域提取
    4.5 實(shí)驗(yàn)結(jié)果與分析
        4.5.1 數(shù)據(jù)集與實(shí)驗(yàn)設(shè)置
        4.5.2 基于船舶分類數(shù)據(jù)集的實(shí)驗(yàn)結(jié)果與分析
        4.5.3 基于CUB200-2011數(shù)據(jù)集的實(shí)驗(yàn)結(jié)果與分析
    4.6 本章小結(jié)
總結(jié)與展望
    全文工作總結(jié)
    后續(xù)工作展望
參考文獻(xiàn)
攻讀碩士學(xué)位期間取得的研究成果
致謝
附件


【參考文獻(xiàn)】：
期刊論文
[1]A-FPN算法及其在遙感圖像船舶檢測(cè)中的應(yīng)用[J]. 于野,艾華,賀小軍,于樹海,鐘興,朱瑞飛.  遙感學(xué)報(bào). 2020(02)
[2]梯度紋理直方圖與多層感知器船舶快速檢測(cè)[J]. 董超,馮俊健,田聯(lián)房,鄭兵.  紅外與激光工程. 2019(10)
[3]基于改進(jìn)VGG網(wǎng)絡(luò)的單階段船舶檢測(cè)算法[J]. 趙蓬輝,孟春寧,常勝江.  光電子·激光. 2019(07)
[4]改進(jìn)CNN及其在船舶識(shí)別中的應(yīng)用[J]. 楊亞東,王曉峰,潘靜靜.  計(jì)算機(jī)工程與設(shè)計(jì). 2018(10)
[5]基于改進(jìn)卷積神經(jīng)網(wǎng)絡(luò)的船舶目標(biāo)檢測(cè)[J]. 王新立,江福才,寧方鑫,馬全黨,張帆,鄒紅兵.  中國(guó)航海. 2018(02)
[6]船舶紅外成像目標(biāo)跟蹤研究進(jìn)展[J]. 方玲玲,趙婉彤,王相海.  計(jì)算機(jī)輔助設(shè)計(jì)與圖形學(xué)學(xué)報(bào). 2017(10)
[7]基于視覺顯著性的無監(jiān)督海面艦船檢測(cè)與識(shí)別[J]. 徐芳,劉晶紅,曾冬冬,王宣.  光學(xué)精密工程. 2017(05)
[8]復(fù)雜碼頭環(huán)境下的船舶檢測(cè)與跟蹤算法[J]. 王培玉,李峰,周書仁,廖卓凡.  計(jì)算機(jī)工程與科學(xué). 2017(05)
[9]海洋背景下的海面艦船快速檢測(cè)算法[J]. 王方超,張旻,宮麗美,陳衛(wèi).  激光與紅外. 2016(05)
[10]基于顯著性分析的HOG快速船舶檢測(cè)方法[J]. 元海文,肖長(zhǎng)詩(shī),文元橋,周春輝,張康賀,鄒雄.  中國(guó)航海. 2016(01)

碩士論文
[1]海上船舶檢測(cè)跟蹤系統(tǒng)及其關(guān)鍵算法研究[D]. 張樹懷.華南理工大學(xué) 2018
[2]船舶檢測(cè)跟蹤與分類算法研究及其系統(tǒng)實(shí)現(xiàn)[D]. 陳澤創(chuàng).華南理工大學(xué) 2018
[3]基于星載SAR與AIS綜合的艦船目標(biāo)監(jiān)視關(guān)鍵技術(shù)研究[D]. 趙志.國(guó)防科學(xué)技術(shù)大學(xué) 2013



本文編號(hào)：3661828