海洋在二十一世紀(jì)受到了越來(lái)越多的關(guān)注,無(wú)論是海洋資源的開(kāi)發(fā),保護(hù)作業(yè)安全,還是海洋領(lǐng)土意識(shí)的覺(jué)醒,保護(hù)海洋領(lǐng)土不受侵犯,都需要快速獲取海上目標(biāo)的信息,因此如何利用現(xiàn)代技術(shù)實(shí)現(xiàn)海上目標(biāo)的快速識(shí)別和定位成為了一個(gè)非常迫切的需求。隨著現(xiàn)代成像技術(shù)的發(fā)展,圖像的分辨率和質(zhì)量越來(lái)越好,同時(shí)隨著深度學(xué)習(xí)的迅猛發(fā)展,在視覺(jué)領(lǐng)域展現(xiàn)了其對(duì)傳統(tǒng)方法的巨大優(yōu)勢(shì),因而采用基于深度學(xué)習(xí)的方法解決海上艦船檢測(cè)問(wèn)題成為一種很有潛力的方法。在目標(biāo)檢測(cè)領(lǐng)域經(jīng)常會(huì)遇到檢測(cè)目標(biāo)的尺度大小不一、檢測(cè)目標(biāo)過(guò)小的問(wèn)題,這會(huì)帶來(lái)檢測(cè)上的難度。同時(shí)在面對(duì)特定的檢測(cè)場(chǎng)景時(shí),訓(xùn)練神經(jīng)網(wǎng)絡(luò)的數(shù)據(jù)量常常不足,這會(huì)導(dǎo)致最終的檢測(cè)效果不佳,急需解決這種小樣本訓(xùn)練問(wèn)題。同時(shí)在將模型部署到移動(dòng)端時(shí)要對(duì)模型的規(guī)模和移動(dòng)硬件實(shí)際的計(jì)算資源進(jìn)行權(quán)衡。因此,針對(duì)以上問(wèn)題,本文從以下方面進(jìn)行研究:首先,研究深度學(xué)習(xí),特別是在圖像處理領(lǐng)域表現(xiàn)優(yōu)秀的卷積神經(jīng)網(wǎng)絡(luò)的原理,分析其自動(dòng)提取特征的機(jī)制,研究基于深度學(xué)習(xí)的目標(biāo)檢測(cè)算法,分析各算法的特點(diǎn)和優(yōu)劣之處,將相應(yīng)的算法引入艦船檢測(cè)領(lǐng)域,根據(jù)艦船檢測(cè)中面臨的問(wèn)題:要有良好的實(shí)時(shí)性、在小目標(biāo)檢測(cè)上表現(xiàn)良好、對(duì)目標(biāo)分布... 

【文章來(lái)源】：哈爾濱工業(yè)大學(xué)黑龍江省 211工程院校 985工程院校

【文章頁(yè)數(shù)】：70 頁(yè)

【學(xué)位級(jí)別】：碩士

【部分圖文】：

sigmoid函數(shù)曲線

圖 2-5 RELU 函數(shù)看出這實(shí)際上是一個(gè)分段函數(shù)在 x>0 時(shí)，梯度為 1，當(dāng) x<0 時(shí)U 函數(shù)有以下優(yōu)點(diǎn)：x>0 時(shí)，解決了梯度消失效應(yīng)簡(jiǎn)單：與 sigmoid 函數(shù)比起來(lái)，RELU 函數(shù)計(jì)算簡(jiǎn)單不需要做一得輸出快：對(duì)隨機(jī)梯度下降算法的收斂有很好的加速作用，因?yàn)�，�?duì)于入其激活值隨著數(shù)值的增大而變大，因而收斂速度更快。 RELU 函數(shù)也有相應(yīng)的缺點(diǎn)，在 x<0 時(shí)，梯度都為 0，也就是說(shuō)產(chǎn)生影響，這種現(xiàn)象叫做死區(qū)；而且當(dāng)神經(jīng)元有一個(gè)非常大的梯元就會(huì)強(qiáng)行被設(shè)置為 0，在以后的訓(xùn)練過(guò)程中不會(huì)再被激活，如大的話，會(huì)導(dǎo)致大量的神經(jīng)元壞死。為了解決 RELU 函數(shù)死區(qū)種改進(jìn)的版本，如 Leaky ReLU 函數(shù)，其函數(shù)形式為： 00x xf x x x

哈爾濱工業(yè)大學(xué)工學(xué)碩士學(xué)位論文含任何目標(biāo)，則將原圖輸出，即原圖中不包含船只目標(biāo)。在制作數(shù)據(jù)集時(shí)，基于收集圖像數(shù)據(jù)困難的場(chǎng)景，一共收軍艦、漁船、游輪和貨船 4 類，每一類 500 張，然后對(duì)圖像圖像上框出目標(biāo)的位置并為其分類，標(biāo)注時(shí)使用了標(biāo)注工使用方法為：首先打開(kāi)數(shù)據(jù)集，設(shè)置標(biāo)注輸出目錄，然后將類別，點(diǎn)擊 Create,在圖像中框出目標(biāo)，選擇目標(biāo)類別，當(dāng)圖出所有的目標(biāo)后點(diǎn)擊保存，如下圖是在標(biāo)注時(shí)的場(chǎng)景：

【參考文獻(xiàn)】：
期刊論文
[1]多尺度空間金字塔池化PCANet的行人檢測(cè)[J]. 夏胡云,葉學(xué)義,羅宵晗,王鵬.  計(jì)算機(jī)工程. 2019(02)
[2]基于深度學(xué)習(xí)的小目標(biāo)檢測(cè)研究綜述[J]. 劉曉楠,王正平,賀云濤,劉倩.  戰(zhàn)術(shù)導(dǎo)彈技術(shù). 2019(01)
[3]基于局部SVD的深度圖像增強(qiáng)算法[J]. 馮策,薄中.  中國(guó)電子科學(xué)研究院學(xué)報(bào). 2018(04)
[4]改進(jìn)的P-M去噪模型[J]. 張雪.  電腦知識(shí)與技術(shù). 2018(08)
[5]基于模糊C均值聚類的高分辨率合成孔徑雷達(dá)圖像艦船目標(biāo)檢測(cè)[J]. 張臨杰,張晰,郎海濤.  中國(guó)海洋大學(xué)學(xué)報(bào)(自然科學(xué)版). 2018(03)
[6]基于多向梯度法的紅外弱小目標(biāo)快速檢測(cè)方法[J]. 王軍,姜志,柳紅巖,何昕,張新.  光電子·激光. 2016(09)
[7]一種基于視覺(jué)顯著圖的艦船紅外圖像目標(biāo)檢測(cè)方法[J]. 馬新星,沈同圣,徐健.  紅外. 2013(10)
[8]一種基于自適應(yīng)Canny算子的艦船紅外圖像邊緣檢測(cè)方法[J]. 馬新星,徐健,張健.  紅外. 2013(07)

碩士論文
[1]SAR圖像中艦船檢測(cè)與識(shí)別算法的研究及其硬件實(shí)現(xiàn)[D]. 鄭強(qiáng)斌.西安理工大學(xué) 2018
[2]復(fù)雜背景下的恒虛警檢測(cè)方法研究[D]. 張欣.西安電子科技大學(xué) 2017
[3]紅外艦船檢測(cè)與目標(biāo)識(shí)別方法研究[D]. 陳振.哈爾濱工程大學(xué) 2016
[4]SAR圖像相干斑抑制及艦船檢測(cè)方法研究[D]. 謝昌志.中國(guó)科學(xué)技術(shù)大學(xué) 2015
[5]復(fù)雜場(chǎng)景紅外艦船目標(biāo)實(shí)時(shí)檢測(cè)技術(shù)研究[D]. 王丁禾.國(guó)防科學(xué)技術(shù)大學(xué) 2012
[6]復(fù)雜海天背景紅外艦船目標(biāo)自動(dòng)檢測(cè)方法研究[D]. 李翠紅.湖南師范大學(xué) 2012
[7]合成孔徑雷達(dá)圖像上艦船目標(biāo)的檢測(cè)[D]. 陳珊.上海交通大學(xué) 2008



本文編號(hào)：3128361