海上目標(biāo)一直以來都是目標(biāo)識(shí)別的重要方向,而船只作為海上重要的運(yùn)輸載體以及軍事目標(biāo),實(shí)現(xiàn)對其自動(dòng)識(shí)別具有現(xiàn)實(shí)意義。但在實(shí)際中,遙感衛(wèi)星進(jìn)行圖像采集時(shí)往往會(huì)受到復(fù)雜海情,如云霧遮擋、陸地岸基背景干擾,同時(shí)由于衛(wèi)星影像分辨率高,造成船只目標(biāo)體積小,這些因素都會(huì)增加船只識(shí)別的復(fù)雜度。本文在研究遙感衛(wèi)星影像特性的基礎(chǔ)上,依托深度學(xué)習(xí)中的Faster R-CNN目標(biāo)識(shí)別方法,研究了基于深度學(xué)習(xí)的復(fù)雜海情條件下的船只識(shí)別方法,主要研究內(nèi)容如下:本文首先敘述了目前國內(nèi)外遙感衛(wèi)星圖像目標(biāo)識(shí)別以及深度學(xué)習(xí)的研究現(xiàn)狀,在此基礎(chǔ)之上分析了基于深度學(xué)習(xí)的復(fù)雜海情條件下的船只識(shí)別所存在的問題,如云霧遮擋、岸基干擾以及船只目標(biāo)體積小,這些因素都會(huì)導(dǎo)致船只的識(shí)別準(zhǔn)確率低的問題。然后基于Faster R-CNN搭建了一個(gè)船只識(shí)別網(wǎng)絡(luò),但此方法只能夠識(shí)別常規(guī)海情下的船只,無法解決復(fù)雜海情的干擾。針對上述問題,本文采用了一種多層次級(jí)聯(lián)的在線難樣本挖掘船只識(shí)別網(wǎng)絡(luò)模型,該網(wǎng)絡(luò)可分為多尺度訓(xùn)練、特征提取、生成目標(biāo)建議區(qū)域、船只分類這四個(gè)部分。首先,針對小目標(biāo)漏檢率高的問題,采用多尺度的訓(xùn)練策略,將多尺度的船只樣本送入網(wǎng)絡(luò)中進(jìn)行... 

【文章來源】：西安工業(yè)大學(xué)陜西省

【文章頁數(shù)】：65 頁

【學(xué)位級(jí)別】：碩士

【部分圖文】：

遙感影像船只檢測任務(wù)示意圖

只識(shí)別[2-3]主要分為船只檢測與船只識(shí)別兩個(gè)階段，船只檢測任務(wù)示意圖如即找到遙感衛(wèi)星影像中的船只，如圖 1.1 中的黃框和紅框。圖 1.1 遙感影像船只檢測任務(wù)示意圖只識(shí)別任務(wù)示意圖如圖 1.2 所示，即在實(shí)現(xiàn)遙感衛(wèi)星影像中的船只檢測基礎(chǔ)別船只具體的類別，如圖 1.2 中的黃框和紅框上標(biāo)記船只的類型。

通過神經(jīng)網(wǎng)絡(luò)對數(shù)據(jù)進(jìn)行特征提取，將這些數(shù)據(jù)從低征，得到數(shù)據(jù)的抽象表達(dá)，抽象出數(shù)據(jù)的特征，這些方法的基礎(chǔ)基本神經(jīng)網(wǎng)絡(luò)的結(jié)構(gòu)由三層組成：輸入層(input layer)、隱含層(htput layer)。輸入層負(fù)責(zé)導(dǎo)入輸入的數(shù)據(jù)；隱含層負(fù)責(zé)對輸入數(shù)出對輸入數(shù)據(jù)的處理結(jié)果。神經(jīng)網(wǎng)絡(luò)的基本結(jié)構(gòu)為神經(jīng)元，一個(gè)如圖 1.3 所示。國內(nèi)外對神經(jīng)網(wǎng)絡(luò)的研究已有數(shù)十年的時(shí)間了，是神經(jīng)網(wǎng)絡(luò)的雛形，即只有兩層結(jié)構(gòu)構(gòu)成的神經(jīng)網(wǎng)絡(luò)，沒有隱含。但這樣的單層感知器網(wǎng)絡(luò)僅能計(jì)算簡單的線性分類任務(wù)，無法一些異或(XOR)問題也無法解決。Hinton 等人在 1986 年首次提ropagation, BP)[8,9]，BP 算法就是在單層感知器網(wǎng)絡(luò)的基礎(chǔ)上增絡(luò)能夠處理復(fù)雜的線性分類問題，同時(shí)也解決了單層感知器網(wǎng)程冗余的問題。Hinton 等人的研究工作從根本上推動(dòng)了神經(jīng)網(wǎng)發(fā)展提供了理論支持。

【參考文獻(xiàn)】：
期刊論文
[1]多尺度顯著性區(qū)域提取的模板匹配[J]. 逯睿琦,馬惠敏.  光學(xué)精密工程. 2018(11)
[2]軸承滾子凸度輪廓的最小二乘擬合與誤差評定[J]. 雷賢卿,張亞東,馬文鎖,戶璐卿,左孝林.  光學(xué)精密工程. 2018(08)
[3]基于改進(jìn)卷積神經(jīng)網(wǎng)絡(luò)的船舶目標(biāo)檢測[J]. 王新立,江福才,寧方鑫,馬全黨,張帆,鄒紅兵.  中國航海. 2018(02)
[4]深度學(xué)習(xí)原理及應(yīng)用綜述[J]. 付文博,孫濤,梁藉,閆寶偉,范福新.  計(jì)算機(jī)科學(xué). 2018(S1)
[5]先驗(yàn)知識(shí)增強(qiáng)的三維CT腰椎骨圖像分割[J]. 顏杰,楊海燕,周萍.  計(jì)算機(jī)工程與設(shè)計(jì). 2018(05)
[6]面向軟件模糊自適應(yīng)的語音式任務(wù)目標(biāo)識(shí)別與結(jié)構(gòu)化轉(zhuǎn)換[J]. 張曉冰,楊啟亮,邢建春,韓德帥.  計(jì)算機(jī)工程. 2018(04)
[7]基于深度學(xué)習(xí)的推薦系統(tǒng)研究綜述[J]. 黃立威,江碧濤,呂守業(yè),劉艷博,李德毅.  計(jì)算機(jī)學(xué)報(bào). 2018(07)
[8]基于圖像灰度頻率與人工神經(jīng)網(wǎng)絡(luò)的病蟲害防治[J]. 葉聰,沈金龍.  電子器件. 2018(01)
[9]融合凹點(diǎn)檢測與仿射變換的活動(dòng)輪廓模型[J]. 劉國奇,鄧銘,竇智.  中國圖象圖形學(xué)報(bào). 2018 (02)
[10]SURF和RANSAC的特征圖像匹配[J]. 王衛(wèi)兵,白小玲,徐倩.  哈爾濱理工大學(xué)學(xué)報(bào). 2018(01)

碩士論文
[1]基于HOG特征的船舶識(shí)別跟蹤算法[D]. 吳南.大連海事大學(xué) 2017



本文編號(hào)：2899216