隨著海上貿易的迅速發(fā)展,海洋安全的重要性日益深入人心。實現(xiàn)海上船舶目標的自動識別對民用船舶貿易以及軍事活動都有著深遠的影響。在現(xiàn)實生活中,傳統(tǒng)的船舶自動定位技術以及視頻監(jiān)控系統(tǒng)存在識別精確度不高等的缺陷,識別效果有待改進�，F(xiàn)有的智能識別算法在進行圖像識別時,往往因為待識別圖像的氣象條件較差,岸基背景復雜以及待識別船舶目標較小等原因,識別精度不高。本文在傳統(tǒng)影像特征研究的基礎上,對基于卷積神經網(wǎng)絡的YOLOv3識別算法進行改進,用以對復雜海況下的船舶進行識別。本文的主要研究內容如下:1.在分析深度學習以及目標檢測算法的基礎上搭建YOLOv3網(wǎng)絡,對常規(guī)海況以及復雜海況下的船舶進行分類實驗;發(fā)現(xiàn)原有的網(wǎng)絡架構對正常海況下的船舶識別效果較好,而復雜海況下的船舶識別準確率仍有很大的提升空間。2.提出基于YOLOv3的層級融合算法提升復雜海況下的船舶識別的準確率。YOLOv3網(wǎng)絡由樣本多尺度訓練、層級特征提取、感興趣區(qū)選擇與生成以及船舶分類這四部分組成。采用樣本的多尺度訓練,可以有效地增加小目標樣本數(shù)量并平衡不同種類的船舶樣本分布,進而使船舶識別網(wǎng)絡能夠充分提取小目標特征。通過卷積神經網(wǎng)絡的卷積... 

【文章來源】：大連海事大學遼寧省 211工程院校

【文章頁數(shù)】：65 頁

【學位級別】：碩士

【文章目錄】：
摘要
Abstract
1 緒論
    1.1 研究背景
    1.2 研究意義
    1.3 研究現(xiàn)狀
    1.4 研究內容及章節(jié)安排
2 相關理論介紹
    2.1 卷積神經網(wǎng)絡
        2.1.1 卷積
        2.1.2 目的
        2.1.3 池化
        2.1.4 基本卷積函數(shù)的變體
        2.1.5 結構化輸出
        2.1.6 高效的卷積算法
        2.1.7 隨機或無監(jiān)督的特征
    2.2 YOLO
        2.2.1 輸入和輸出的映射關系
        2.2.2 訓練樣本構成
        2.2.3 YOLO的損失函數(shù)
        2.2.4 訓練
        2.2.5 預測
        2.2.6 YOLO的優(yōu)缺點
    2.3 本章小結
3 基于YOLOv3的船舶識別
    3.1 概述
    3.2 船舶數(shù)據(jù)集的構建
        3.2.1 數(shù)據(jù)集標注工具
    3.3 Pytorch框架
    3.4 YOLOv3網(wǎng)絡結構
        3.4.1 Darknet
        3.4.2 多尺度特征的對象檢測
        3.4.3 多尺度的先驗框
        3.4.4 輸入映射到輸出
    3.5 實驗驗證
        3.5.1 數(shù)據(jù)樣本預處理
        3.5.2 實驗結果分析對比
    3.6 本章小結
4 基于YOLOv3層級特征融合的船舶識別
    4.1 基于YOLOv3的層級特征融合
        4.1.1 算法設計
        4.1.2 層級特征融合
        4.1.3 極大值抑制
    4.2 模型評價方法
    4.3 實驗對比及介紹
        4.3.1 識別網(wǎng)絡主要參數(shù)設置
        4.3.2 實驗結果分析對比
    4.4 本章小結
5 總結與展望
    5.1 總結
    5.2 展望
參考文獻
致謝
作者簡歷及攻讀碩士學位期間的科研成果



本文編號：3193168