發(fā)布時(shí)間：2022-12-24 12:28

　　艦船是一種重要的軍事和民用目標(biāo),研究基于遙感圖像的海面艦船目標(biāo)檢測(cè)與識(shí)別具有重要理論意義和應(yīng)用參考價(jià)值。對(duì)于軍事偵察和打擊艦船目標(biāo)任務(wù)而言,目標(biāo)識(shí)別可以劃分為三個(gè)層次:第一層次區(qū)別軍艦民船,即檢測(cè)和識(shí)別出是軍艦還是民船,第二層次區(qū)別開軍艦和民船中具體類別,即檢測(cè)出軍艦是航母、驅(qū)逐艦、還是護(hù)衛(wèi)艦等,民船是貨船、游輪、還是油輪等,第三層次分析軍艦的具體型號(hào)。卷積神經(jīng)網(wǎng)絡(luò)（CNN）被廣泛用于自然圖像目標(biāo)識(shí)別領(lǐng)域,近年來也不斷被用于遙感圖像領(lǐng)域,基于深度學(xué)習(xí)的目標(biāo)識(shí)別是解決艦船目標(biāo)檢測(cè)與分類識(shí)別的前沿技術(shù)。針對(duì)遙感艦船目標(biāo)識(shí)別任務(wù),論文重點(diǎn)開展了第一層次海面背景下軍艦與民船檢測(cè)與分類識(shí)別方法研究,主要工作如下:（1）我國(guó)高分系列衛(wèi)星圖像分辨率已達(dá)1米,可以用于制作軍艦和民船識(shí)別任務(wù)的樣本。論文選用的目標(biāo)類型如下:軍艦（包括航母、護(hù)衛(wèi)艦、驅(qū)逐艦、遠(yuǎn)洋艦）,民船（包括游輪、漁船、貨船、油船）;為解決標(biāo)注樣本稀缺問題,采用數(shù)據(jù)增廣方法,構(gòu)建了一個(gè)包含6180張圖像的數(shù)據(jù)集;（2）為了構(gòu)建新的艦船目標(biāo)分類識(shí)別模型,首先利用構(gòu)建的數(shù)據(jù)集對(duì)兩種典型的目標(biāo)識(shí)別算法Faster RCNN和SSD進(jìn)行了比較實(shí)驗(yàn)... 

【文章頁(yè)數(shù)】：69 頁(yè)

【學(xué)位級(jí)別】：碩士

【文章目錄】：
摘要
ABSTRACT
1 緒論
    1.1 論文的研究背景及意義
    1.2 艦船目標(biāo)檢測(cè)與識(shí)別研究現(xiàn)狀
    1.3 深度學(xué)習(xí)目標(biāo)識(shí)別的方法與進(jìn)展
    1.4 本文主要研究?jī)?nèi)容
    1.5 本文組織結(jié)構(gòu)
2 遙感艦船目標(biāo)數(shù)據(jù)集構(gòu)建
    2.1 遙感艦船數(shù)據(jù)集獲取
    2.2 數(shù)據(jù)增廣
    2.3 數(shù)據(jù)集艦船目標(biāo)標(biāo)注
    2.4 數(shù)據(jù)集艦船目標(biāo)特性分析
    2.5 本章小結(jié)
3 深度學(xué)習(xí)艦船目標(biāo)識(shí)別方法比較研究
    3.1 引言
    3.2 目標(biāo)檢測(cè)與識(shí)別結(jié)果衡量標(biāo)準(zhǔn)
    3.3 SSD遙感海面艦船目標(biāo)識(shí)別算法
    3.4 FASTER RCNN遙感海面艦船目標(biāo)識(shí)別算法
    3.5 Faster RCNN 和 SSD 艦船目標(biāo)識(shí)別算法性能對(duì)比分析
    3.6 本章小結(jié)
4 基于RETINANET算法和聚類的遙感海面艦船目標(biāo)識(shí)別
    4.1 引言
    4.2 特征金字塔網(wǎng)絡(luò)
    4.3 損失函數(shù)選擇
    4.4 基于聚類的先驗(yàn)框設(shè)計(jì)
    4.5 參數(shù)初始化以及訓(xùn)練細(xì)節(jié)
    4.6 訓(xùn)練結(jié)果分析
    4.7 三種算法性能的綜合分析
    4.8 本章小結(jié)
5 總結(jié)與展望
    5.1 全文工作總結(jié)
    5.2 研究工作展望
致謝
參考文獻(xiàn)


【參考文獻(xiàn)】：
期刊論文
[1]光學(xué)遙感圖像中復(fù)雜海背景下的艦船檢測(cè)[J]. 王慧利,朱明,藺春波,陳典兵,楊航.  光學(xué)精密工程. 2018(03)
[2]基于人工智能的圖像識(shí)別技術(shù)探討[J]. 宋炯,柏松平,王燕華.  科技傳播. 2018(01)
[3]基于多尺度多特征視覺顯著性的海面艦船檢測(cè)[J]. 丁鵬,張葉,賈平,常旭嶺.  光學(xué)精密工程. 2017(09)
[4]基于區(qū)域卷積神經(jīng)網(wǎng)絡(luò)的行人檢測(cè)[J]. 李海龍,吳震東,章堅(jiān)武.  通信技術(shù). 2017(04)
[5]圖像目標(biāo)類別檢測(cè)綜述[J]. 蔡強(qiáng),劉亞奇,曹健,毛典輝,牛群.  計(jì)算機(jī)科學(xué)與探索. 2015(03)
[6]SAR圖像艦船尾跡檢測(cè)及其真假判別方法[J]. 陳振林,鄒煥新,周石琳,王國(guó)宏.  現(xiàn)代雷達(dá). 2010(01)
[7]復(fù)雜背景下邊緣提取與目標(biāo)識(shí)別方法研究[J]. 林玉池,崔彥平,黃銀國(guó).  光學(xué)精密工程. 2006(03)

博士論文
[1]基于特征共享的高效物體檢測(cè)[D]. 任少卿.中國(guó)科學(xué)技術(shù)大學(xué) 2016

碩士論文
[1]高分辨率遙感圖像深度學(xué)習(xí)艦船檢測(cè)技術(shù)研究[D]. 王騰飛.哈爾濱工業(yè)大學(xué) 2017
[2]基于深度學(xué)習(xí)的艦船目標(biāo)檢測(cè)研究[D]. 王冰.廈門大學(xué) 2017
[3]基于多物理場(chǎng)特征的艦船目標(biāo)識(shí)別技術(shù)研究[D]. 趙琪.哈爾濱工業(yè)大學(xué) 2017
[4]基于卷積神經(jīng)網(wǎng)絡(luò)的行人檢測(cè)方法研究[D]. 劉鍵.哈爾濱工業(yè)大學(xué) 2017
[5]面向深度學(xué)習(xí)擴(kuò)展算法的編譯優(yōu)化方法[D]. 楊衛(wèi).吉林大學(xué) 2017
[6]高分辨率光學(xué)遙感圖像艦船檢測(cè)研究[D]. 劉昱龍.廈門大學(xué) 2017
[7]智能監(jiān)視中目標(biāo)檢測(cè)及跟蹤算法研究[D]. 侯暢.中國(guó)科學(xué)技術(shù)大學(xué) 2017
[8]手勢(shì)識(shí)別關(guān)鍵技術(shù)及其在智能實(shí)驗(yàn)室中的應(yīng)用研究[D]. 陳睿敏.中國(guó)科學(xué)院大學(xué)(中國(guó)科學(xué)院上海技術(shù)物理研究所) 2017
[9]復(fù)雜場(chǎng)景下基于視頻的行人流量統(tǒng)計(jì)算法研究[D]. 張?bào)@州.電子科技大學(xué) 2014
[10]視頻監(jiān)控中運(yùn)動(dòng)物體的檢測(cè)與跟蹤的研究與實(shí)現(xiàn)[D]. 李雷明.南京航空航天大學(xué) 2008



本文編號(hào)：3726139