隨著海上貿(mào)易的迅速發(fā)展,海洋安全的重要性日益深入人心。實(shí)現(xiàn)海上船舶目標(biāo)的自動(dòng)識(shí)別對(duì)民用船舶貿(mào)易以及軍事活動(dòng)都有著深遠(yuǎn)的影響。在現(xiàn)實(shí)生活中,傳統(tǒng)的船舶自動(dòng)定位技術(shù)以及視頻監(jiān)控系統(tǒng)存在識(shí)別精確度不高等的缺陷,識(shí)別效果有待改進(jìn)。現(xiàn)有的智能識(shí)別算法在進(jìn)行圖像識(shí)別時(shí),往往因?yàn)榇R(shí)別圖像的氣象條件較差,岸基背景復(fù)雜以及待識(shí)別船舶目標(biāo)較小等原因,識(shí)別精度不高。本文在傳統(tǒng)影像特征研究的基礎(chǔ)上,對(duì)基于卷積神經(jīng)網(wǎng)絡(luò)的YOLOv3識(shí)別算法進(jìn)行改進(jìn),用以對(duì)復(fù)雜海況下的船舶進(jìn)行識(shí)別。本文的主要研究?jī)?nèi)容如下:1.在分析深度學(xué)習(xí)以及目標(biāo)檢測(cè)算法的基礎(chǔ)上搭建YOLOv3網(wǎng)絡(luò),對(duì)常規(guī)海況以及復(fù)雜海況下的船舶進(jìn)行分類實(shí)驗(yàn);發(fā)現(xiàn)原有的網(wǎng)絡(luò)架構(gòu)對(duì)正常海況下的船舶識(shí)別效果較好,而復(fù)雜海況下的船舶識(shí)別準(zhǔn)確率仍有很大的提升空間。2.提出基于YOLOv3的層級(jí)融合算法提升復(fù)雜海況下的船舶識(shí)別的準(zhǔn)確率。YOLOv3網(wǎng)絡(luò)由樣本多尺度訓(xùn)練、層級(jí)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(xùn)練,可以有效地增加小目標(biāo)樣本數(shù)量并平衡不同種類的船舶樣本分布,進(jìn)而使船舶識(shí)別網(wǎng)絡(luò)能夠充分提取小目標(biāo)特征。通過(guò)卷積神經(jīng)網(wǎng)絡(luò)的卷積... 

【文章來(lái)源】：大連海事大學(xué)遼寧省 211工程院校

【文章頁(yè)數(shù)】：65 頁(yè)

【學(xué)位級(jí)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?jī)?nèi)容及章節(jié)安排
2 相關(guān)理論介紹
    2.1 卷積神經(jīng)網(wǎng)絡(luò)
        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(jié)構(gòu)化輸出
        2.1.6 高效的卷積算法
        2.1.7 隨機(jī)或無(wú)監(jiān)督的特征
    2.2 YOLO
        2.2.1 輸入和輸出的映射關(guān)系
        2.2.2 訓(xùn)練樣本構(gòu)成
        2.2.3 YOLO的損失函數(shù)
        2.2.4 訓(xùn)練
        2.2.5 預(yù)測(cè)
        2.2.6 YOLO的優(yōu)缺點(diǎn)
    2.3 本章小結(jié)
3 基于YOLOv3的船舶識(shí)別
    3.1 概述
    3.2 船舶數(shù)據(jù)集的構(gòu)建
        3.2.1 數(shù)據(jù)集標(biāo)注工具
    3.3 Pytorch框架
    3.4 YOLOv3網(wǎng)絡(luò)結(jié)構(gòu)
        3.4.1 Darknet
        3.4.2 多尺度特征的對(duì)象檢測(cè)
        3.4.3 多尺度的先驗(yàn)框
        3.4.4 輸入映射到輸出
    3.5 實(shí)驗(yàn)驗(yàn)證
        3.5.1 數(shù)據(jù)樣本預(yù)處理
        3.5.2 實(shí)驗(yàn)結(jié)果分析對(duì)比
    3.6 本章小結(jié)
4 基于YOLOv3層級(jí)特征融合的船舶識(shí)別
    4.1 基于YOLOv3的層級(jí)特征融合
        4.1.1 算法設(shè)計(jì)
        4.1.2 層級(jí)特征融合
        4.1.3 極大值抑制
    4.2 模型評(píng)價(jià)方法
    4.3 實(shí)驗(yàn)對(duì)比及介紹
        4.3.1 識(shí)別網(wǎng)絡(luò)主要參數(shù)設(shè)置
        4.3.2 實(shí)驗(yàn)結(jié)果分析對(duì)比
    4.4 本章小結(jié)
5 總結(jié)與展望
    5.1 總結(jié)
    5.2 展望
參考文獻(xiàn)
致謝
作者簡(jiǎn)歷及攻讀碩士學(xué)位期間的科研成果



本文編號(hào)：3193168