隨著海運(yùn)行業(yè)的不斷發(fā)展,海上交通日趨頻繁,做好海上安防、海洋環(huán)境監(jiān)測(cè)、海上船只監(jiān)測(cè)等工作以及開(kāi)展相關(guān)研究的意義就尤為重要。目前國(guó)內(nèi)外主要是基于合成孔徑雷達(dá)（Synthetic Aperture Radar,SAR）圖像的船只進(jìn)行識(shí)別,并以傳統(tǒng)機(jī)器學(xué)習(xí)方法為主,但隨著近些年深度學(xué)習(xí)的快速發(fā)展,越來(lái)越多的學(xué)者開(kāi)始采用深度學(xué)習(xí)的方法對(duì)SAR圖像船只的識(shí)別工作開(kāi)展研究,同時(shí)由于光學(xué)傳感器、無(wú)人機(jī)等設(shè)備的發(fā)展,光學(xué)圖像因其分辨率高,有更好的目判性以及有更多的特征信息等優(yōu)點(diǎn),基于光學(xué)圖像的船只識(shí)別也成為新的研究方向。因此基于深度學(xué)習(xí)方法,結(jié)合SAR圖像和光學(xué)圖像開(kāi)展船只檢測(cè)和分類的研究有重要意義。本文主要基于深度學(xué)習(xí)的方法對(duì)海上船只識(shí)別開(kāi)展研究,主要內(nèi)容如下:（1）提出了一種基于改進(jìn)區(qū)域全卷積神經(jīng)網(wǎng)絡(luò)（R-FCN）的船只識(shí)別方法,應(yīng)用在光學(xué)圖像船只數(shù)據(jù)集中。首先,根據(jù)船只識(shí)別的目標(biāo)小,數(shù)量多的特性,將特征層數(shù)量提升為21層,提升了特征信息的維度,同時(shí)在一定程度上避免了模型失調(diào)的可能;其次,模型將ROI Pooling層中的全局平均值池化改為全局最大值池化,從而提升了特征信息的數(shù)量,有效地保留了小目... 

【文章來(lái)源】：江南大學(xué)江蘇省 211工程院校 教育部直屬院校

【文章頁(yè)數(shù)】：63 頁(yè)

【學(xué)位級(jí)別】：碩士

【部分圖文】：

SAR圖像船只但SAR圖像存在缺少顏色、分辨率較低

低，學(xué)者一般采用分辨率較高的逆合成孔徑雷達(dá)（InverseSyntheticApertureRadar,ISAR）[6-8]對(duì)船舶目標(biāo)檢測(cè)與識(shí)別進(jìn)行研究，或通過(guò)一些模擬數(shù)據(jù)[9]，對(duì)船舶目標(biāo)進(jìn)行模擬仿真，從而實(shí)現(xiàn)實(shí)驗(yàn)性地檢測(cè)與識(shí)別。隨著新一代高分辨率、多極化SAR傳感器如：COS-MO-SkyMed、TerraSAR-X、RadarSat-2的出現(xiàn)，推動(dòng)了陸地與海上目標(biāo)檢測(cè)的研究進(jìn)程，同時(shí)使得基于SAR圖像開(kāi)展船只識(shí)別研究的前景逐漸廣闊，由于SAR圖像的獲取不受天氣狀況的干擾，這意味著對(duì)船只目標(biāo)可以保持每時(shí)每刻的觀測(cè)，進(jìn)而能夠監(jiān)測(cè)大面積海洋。圖1-1SAR圖像船只圖1-2光學(xué)圖像船只但SAR圖像存在缺少顏色、分辨率較低等缺陷，如圖1-1所示。因此，基于光學(xué)圖像進(jìn)行船只識(shí)別也逐漸成為了研究人員的方向，與SAR圖像相比，光學(xué)圖像分辨率更高，具有更強(qiáng)的目視判讀能力，更易于解譯等特點(diǎn)，如圖1-2所示。隨著遙感衛(wèi)星技術(shù)的不斷加強(qiáng)，光學(xué)圖像的分辨率也會(huì)更高，細(xì)節(jié)部分特征抓取更豐富，因此光學(xué)圖像下

江南大學(xué)碩士學(xué)位論文102.1.1卷積神經(jīng)網(wǎng)絡(luò)(CNN)簡(jiǎn)介卷積神經(jīng)網(wǎng)絡(luò)模型（CNN）主要是應(yīng)用于計(jì)算機(jī)視覺(jué)、圖像處理、目標(biāo)檢測(cè)等領(lǐng)域，是深度學(xué)習(xí)網(wǎng)絡(luò)結(jié)構(gòu)中不可或缺的一部分，與其他諸多網(wǎng)絡(luò)結(jié)構(gòu)相比，卷積神經(jīng)網(wǎng)絡(luò)模型提供了諸多不可比擬的優(yōu)勢(shì)，歷年ImageNet中圖像分類的佼佼者均是采用了卷積神經(jīng)網(wǎng)絡(luò)這一基本網(wǎng)絡(luò)結(jié)構(gòu)進(jìn)行構(gòu)建。卷積神經(jīng)網(wǎng)絡(luò)源自日本學(xué)者福島提出的認(rèn)知機(jī)結(jié)構(gòu)[63]，福島學(xué)者基于貓的視覺(jué)大腦皮層的分區(qū)域方式，進(jìn)而研究并設(shè)計(jì)出分層分區(qū)域解決圖像等數(shù)據(jù)問(wèn)題，這也加快了后來(lái)的科學(xué)家對(duì)于網(wǎng)絡(luò)結(jié)構(gòu)的研究進(jìn)展。與傳統(tǒng)的網(wǎng)絡(luò)結(jié)構(gòu)方法相比，卷積神經(jīng)網(wǎng)絡(luò)模型在過(guò)擬合方面與計(jì)算量方面均優(yōu)于傳統(tǒng)方法，如圖2-1所示，常規(guī)的全連接網(wǎng)絡(luò)每個(gè)神經(jīng)元節(jié)點(diǎn)需要連接之前所有的神經(jīng)元節(jié)點(diǎn)，這樣不僅計(jì)算復(fù)雜也增大了收斂難度，但卷積神經(jīng)網(wǎng)絡(luò)的神經(jīng)元和部分節(jié)點(diǎn)相連接的操作，既避免了運(yùn)算量的問(wèn)題，同時(shí)也在一定程度上防止了網(wǎng)絡(luò)的過(guò)擬合過(guò)程。接下來(lái)以實(shí)際數(shù)量為例，假設(shè)輸入層為10000像素×10000像素的二值化圖像，則神經(jīng)元數(shù)量顯而易見(jiàn)為108，故而較大計(jì)算量會(huì)導(dǎo)致性能下降，但是使用卷積網(wǎng)絡(luò)方法，使用適當(dāng)?shù)木矸e核可將計(jì)算量下降至104次，進(jìn)而相差近104倍，從而也印證了卷積神經(jīng)網(wǎng)絡(luò)的結(jié)構(gòu)優(yōu)良性及設(shè)計(jì)先進(jìn)性。圖2-1卷積層局部視野感知示意圖正是因?yàn)榫矸e神經(jīng)網(wǎng)絡(luò)的杰出特點(diǎn)，以至于YannLeCun教授基于該網(wǎng)絡(luò)結(jié)構(gòu)的特性提出并設(shè)計(jì)了LeNet5[64]網(wǎng)絡(luò)模型結(jié)構(gòu)并成功在神經(jīng)網(wǎng)絡(luò)上解決了手寫字體識(shí)別這一問(wèn)題，這同時(shí)也是卷積神經(jīng)網(wǎng)絡(luò)第一次出現(xiàn)在計(jì)算機(jī)視覺(jué)領(lǐng)域。圖2-2則是其根據(jù)卷積神經(jīng)網(wǎng)絡(luò)而進(jìn)行改進(jìn)設(shè)計(jì)的手寫字體識(shí)別網(wǎng)絡(luò)結(jié)構(gòu)。

【參考文獻(xiàn)】：
期刊論文
[1]復(fù)雜場(chǎng)景下遙感船舶的檢測(cè)與分割定位[J]. 楊浩琪,姚紅革,王誠(chéng),喻鈞,王飛,納欽.  計(jì)算機(jī)輔助設(shè)計(jì)與圖形學(xué)學(xué)報(bào). 2020(03)
[2]基于生成對(duì)抗網(wǎng)絡(luò)和線上難例挖掘的SAR圖像艦船目標(biāo)檢測(cè)[J]. 李健偉,曲長(zhǎng)文,彭書娟,江源.  電子與信息學(xué)報(bào). 2019(01)
[3]基于圖像分割的海上船只檢測(cè)[J]. 賈春鶴,酒康,徐吉松,樊彥國(guó).  礦山測(cè)量. 2018(05)
[4]行人檢測(cè)的深度稀疏自編碼網(wǎng)絡(luò)[J]. 崔鵬,趙莎莎,范志旭.  計(jì)算機(jī)科學(xué)與探索. 2019(06)
[5]高分辨率光學(xué)遙感影像艦船檢測(cè)算法研究[J]. 張雷,甘春生,胡宇.  計(jì)算機(jī)工程與應(yīng)用. 2017(09)
[6]A Water/Land Segmentation Algorithm Based on an Improved Chan-Vese Model with Edge Constraints of Complex Wavelet Domain[J]. MAO Chenglin,WAN Shouhong,YUE Lihua,XIA Yu.  Chinese Journal of Electronics. 2015(02)
[7]SAR圖像船只分類識(shí)別研究進(jìn)展[J]. 吳樊,王超,張波,張紅,田小娟.  遙感技術(shù)與應(yīng)用. 2014(01)
[8]光學(xué)遙感圖像低可觀測(cè)區(qū)域艦船檢測(cè)[J]. 周偉,關(guān)鍵,何友.  中國(guó)圖象圖形學(xué)報(bào). 2012(09)



本文編號(hào)：3247413