近年來智能船舶技術(shù)不斷發(fā)展,海洋戰(zhàn)略地位也日益提高,為了提高對于海洋的監(jiān)管與控制能力,各國逐漸加大了對于水面無人艇的研究。無人艇在海面復(fù)雜環(huán)境航行時,為了能夠?qū)崿F(xiàn)其自主避障功能,需要實時地對海面上的艦船目標(biāo)進行感知、識別和標(biāo)定。本文以此為切入點,運用深度學(xué)習(xí)算法,研究艦艇目標(biāo)檢測問題,針對無人艦艇航行過程中艦船檢測任務(wù)的需要,重點從提高檢測算法的精度和速度等方面開展研究。本文主要研究內(nèi)容如下。針對海面艦船數(shù)據(jù)集缺乏的問題,本文自建了艦船圖像數(shù)據(jù)集。通過網(wǎng)絡(luò)爬蟲爬取大量的艦船圖片,將艦船圖片進行手工標(biāo)注,數(shù)據(jù)集一共有6000多張圖片,包含貨船、客輪、帆船、軍艦以及普通船只五種艦船,為后續(xù)的深度學(xué)習(xí)網(wǎng)絡(luò)的訓(xùn)練與評估打下良好基礎(chǔ)。同時,所建立的數(shù)據(jù)集彌補了現(xiàn)有艦船數(shù)據(jù)集的空缺,為以后艦船檢測任務(wù)提供有效資源。本文建立了一種改進的Faster R-CNN艦船目標(biāo)檢測深度學(xué)習(xí)算法。使用Faster R-CNN算法在自建的訓(xùn)練集上進行訓(xùn)練,完成艦船檢測任務(wù),同時為了進一步提高網(wǎng)絡(luò)的檢測精度,對于基礎(chǔ)特征提取網(wǎng)絡(luò)進行改進,選用更深層的殘差網(wǎng)絡(luò)替代原始的VGG-16網(wǎng)絡(luò),并利用聚類算法對網(wǎng)絡(luò)中錨盒進行...

【文章頁數(shù)】：65 頁

【學(xué)位級別】：碩士

【文章目錄】：
摘要
Abstract
第1章 緒論
    1.1 研究背景及意義
    1.2 國內(nèi)外研究現(xiàn)狀
        1.2.1 傳統(tǒng)目標(biāo)檢測方法
        1.2.2 深度學(xué)習(xí)目標(biāo)檢測方法
    1.3 艦船目標(biāo)檢測關(guān)鍵問題分析
    1.4 論文研究內(nèi)容和章節(jié)安排
第2章 相關(guān)理論和工作基礎(chǔ)
    2.1 卷積網(wǎng)絡(luò)結(jié)構(gòu)
        2.1.1 卷積方式
        2.1.2 池化層
        2.1.3 激活層
    2.2 常用卷積網(wǎng)絡(luò)的結(jié)構(gòu)
        2.2.1 Alex Net網(wǎng)絡(luò)
        2.2.2 VGG Net網(wǎng)絡(luò)
    2.3 本章小結(jié)
第3章 基于Faster R-CNN的艦船檢測算法研究
    3.1 R-CNN算法機理分析
    3.2 Fast R-CNN算法
    3.3 Faster R-CNN艦船檢測算法網(wǎng)絡(luò)結(jié)構(gòu)設(shè)計
        3.3.1 基礎(chǔ)網(wǎng)絡(luò)
        3.3.2 RPN網(wǎng)絡(luò)
        3.3.3 邊框回歸
        3.3.4 RoI pooling
    3.4 Faster R-CNN艦船檢測網(wǎng)絡(luò)的訓(xùn)練
        3.4.1 RPN損失函數(shù)
        3.4.2 Fast RCNN損失函數(shù)
        3.4.3 正負樣本選取規(guī)則
    3.5 Faster R-CNN算法優(yōu)化
        3.5.1 基礎(chǔ)提取網(wǎng)絡(luò)的優(yōu)化
        3.5.2 錨盒篩選方法的優(yōu)化
        3.5.3 錨盒尺寸的優(yōu)化
    3.6 數(shù)據(jù)集
        3.6.1 艦船數(shù)據(jù)集的創(chuàng)建
        3.6.2 數(shù)據(jù)集標(biāo)注
        3.6.3 數(shù)據(jù)集的劃分
    3.7 優(yōu)化前后均平均精度(mAP)對比
        3.7.1 基礎(chǔ)網(wǎng)絡(luò)的改進對算法性能的影響
        3.7.2 Soft-NMS對網(wǎng)絡(luò)性能的影響分析
        3.7.3 改進錨盒對網(wǎng)絡(luò)性能的影響
        3.7.4 改進Faster R-CNN最終檢測結(jié)果
    3.8 本章小結(jié)
第4章 改進的R-FCN艦船檢測算法
    4.1 R-FCN艦船檢測算法的網(wǎng)絡(luò)結(jié)構(gòu)
        4.1.1 Position-Sensitive Score Map
        4.1.2 Position-Sensitive Rol Pooling
        4.1.3 Position-Sensitive Regression
    4.2 R-FCN網(wǎng)絡(luò)訓(xùn)練
        4.2.1 R-FCN損失函數(shù)
        4.2.2 正負樣本的生成策略
    4.3 R-FCN算法的改進和優(yōu)化
        4.3.1 在線難例挖掘
        4.3.2 focal loss
    4.4 實驗結(jié)果及分析
        4.4.1 算法性能測試
        4.4.2 改進檢測算法的性能比較與分析
    4.5 本章小結(jié)
第5章 總結(jié)
    5.1 總結(jié)
    5.2 展望
參考文獻
致謝



本文編號：3762297