隨著社會的發(fā)展,海洋的價值越來越被人類所重視,人們開始從不同角度開發(fā)和利用海洋。然而在海洋捕撈的過程中往往伴隨著漁網(wǎng)破損,散落在海中,進(jìn)而導(dǎo)致漁網(wǎng)纏繞螺旋槳事件越來越多的發(fā)生,給航運業(yè)以及海洋環(huán)境帶來了很大的直接或者間接的損失。目前對于漁網(wǎng)探測仍缺乏有效的探測手段,也未見漁網(wǎng)檢測相關(guān)的報道。本文針對當(dāng)下的深海探測技術(shù)對漁網(wǎng)探測距離近、檢測精度低、實時性不好以及缺少空間信息等問題,提出生成網(wǎng)絡(luò)、深度學(xué)習(xí)目標(biāo)檢測和雙目定位方法相結(jié)合的漁網(wǎng)目標(biāo)檢測方法,其具體研究內(nèi)容如下:1)對當(dāng)下水下目標(biāo)探測以及深度學(xué)習(xí)國內(nèi)外發(fā)展現(xiàn)狀進(jìn)行深入分析,并結(jié)合漁網(wǎng)自身的特點,構(gòu)建水下激光掃描系統(tǒng)進(jìn)行水下漁網(wǎng)數(shù)據(jù)高精度、遠(yuǎn)距離的采集,得到具有清晰漁網(wǎng)特點的水下光學(xué)數(shù)據(jù)。2)簡要介紹傳統(tǒng)卷積神經(jīng)網(wǎng)絡(luò)的結(jié)構(gòu)單元,針對實驗采集漁網(wǎng)數(shù)據(jù)形態(tài)單一、數(shù)據(jù)量小的問題,改進(jìn)網(wǎng)絡(luò)結(jié)構(gòu)和優(yōu)化算法的深度生成對抗網(wǎng)絡(luò),生成具有訓(xùn)練評價指標(biāo)的高質(zhì)量偽漁網(wǎng)圖像,實現(xiàn)對原始數(shù)據(jù)擴(kuò)增,為后續(xù)深度學(xué)習(xí)目標(biāo)檢測奠定大數(shù)據(jù)基礎(chǔ)。3)分析經(jīng)典深度學(xué)習(xí)特征提取網(wǎng)絡(luò)結(jié)構(gòu)以及主流的深度目標(biāo)檢測算法的優(yōu)缺點,改進(jìn)特征提取網(wǎng)絡(luò)、擴(kuò)大感受野范圍的多尺度特征融合的深... 

【文章來源】：哈爾濱工程大學(xué)黑龍江省 211工程院校

【文章頁數(shù)】：89 頁

【學(xué)位級別】：碩士

【部分圖文】：

目標(biāo)檢測在大量專家、學(xué)者的努力下，目標(biāo)檢測技術(shù)實現(xiàn)跨越式進(jìn)步，智能化的算法性能接

圖 1.2 DPM 目標(biāo)檢測計算流程今的生產(chǎn)、生活應(yīng)用中，深度學(xué)習(xí)的目標(biāo)檢測方法逐漸替代傳深度學(xué)習(xí)模型是卷積神經(jīng)網(wǎng)絡(luò)(Convolution Neural Network，C授團(tuán)隊利用卷積神經(jīng)網(wǎng)絡(luò)設(shè)計了 AlexNet[8]，使之在 ImageNet 法團(tuán)隊，使得 CNN 成為計算機(jī)視覺領(lǐng)域中最為重要的工具之了一個新的階段。目前，現(xiàn)有的深度學(xué)習(xí)的目標(biāo)檢測算法大致 的區(qū)域目標(biāo)檢測算法，典型代表性的 R-CNN 系列[9-13]；基于型代表 YOLO 系列[14-16]和 SSD 系列[17]；基于目標(biāo)搜索的檢測算 Attention-Net[18]算法。

圖 1.2 DPM 目標(biāo)檢測計算流程如今的生產(chǎn)、生活應(yīng)用中，深度學(xué)習(xí)的目標(biāo)檢測方法逐漸替代傳統(tǒng)方的深度學(xué)習(xí)模型是卷積神經(jīng)網(wǎng)絡(luò)(Convolution Neural Network，CNN)n 教授團(tuán)隊利用卷積神經(jīng)網(wǎng)絡(luò)設(shè)計了 AlexNet[8]，使之在 ImageNet 問題方法團(tuán)隊，使得 CNN 成為計算機(jī)視覺領(lǐng)域中最為重要的工具之一。入了一個新的階段。目前，現(xiàn)有的深度學(xué)習(xí)的目標(biāo)檢測算法大致分為NN 的區(qū)域目標(biāo)檢測算法，典型代表性的 R-CNN 系列[9-13]；基于回歸典型代表 YOLO 系列[14-16]和 SSD 系列[17]；基于目標(biāo)搜索的檢測算法，的 Attention-Net[18]算法。

【參考文獻(xiàn)】：
期刊論文
[1]基于LK和FAST的時間序列圖像快速配準(zhǔn)算法[J]. 荊瀅,齊乃新,楊小岡,盧瑞濤.  紅外與激光工程. 2018(11)
[2]射電天文圖像的反卷積算法研究[J]. 張利,徐龍,米立功,馬家君.  天文學(xué)報. 2018(06)
[3]聲納技術(shù)的發(fā)展道路[J]. 佟宏偉.  科技創(chuàng)新與應(yīng)用. 2018(33)
[4]基于SqueezeNet的輕量化卷積神經(jīng)網(wǎng)絡(luò)SlimNet[J]. 董藝威,于津.  計算機(jī)應(yīng)用與軟件. 2018(11)
[5]顆粒物分界層Mie散射激光雷達(dá)識別的sigmoid算法[J]. 朱育雷,倪長健,鄧佩云.  中國環(huán)境科學(xué). 2018(10)
[6]基于改進(jìn)特征加權(quán)的樸素貝葉斯分類算法[J]. 丁月,汪學(xué)明.  計算機(jī)應(yīng)用研究. 2019(12)
[7]S-Harris:一種改進(jìn)的角點檢測算法[J]. 孫萬春,張建勛,朱佳寶,陳虹伶,鄭集元.  重慶理工大學(xué)學(xué)報(自然科學(xué)). 2018(10)
[8]Harris和Sift算法在不同尺度下提取特征點分析[J]. 羅通.  信息系統(tǒng)工程. 2018(08)
[9]基于單光子的星載激光水下目標(biāo)探測深度研究[J]. 彭志興,周保琢,陳華,張志,譚平.  激光與紅外. 2018(07)
[10]基于CNN雙目特征點匹配目標(biāo)識別與定位研究[J]. 蔣強(qiáng)衛(wèi),甘興利,李雅寧.  無線電工程. 2018(08)

博士論文
[1]半監(jiān)督學(xué)習(xí)和數(shù)值模擬的煤層底板突水預(yù)警系統(tǒng)研究[D]. 劉雪艷.太原理工大學(xué) 2016

碩士論文
[1]基于非冗余互補信息的圖像超分辨率算法研究[D]. 史長宏.蘭州理工大學(xué) 2018
[2]基于深度視感知學(xué)習(xí)的食物識別移動端系統(tǒng)研究與開發(fā)[D]. 藍(lán)天.蘭州理工大學(xué) 2018
[3]人臉檢測與匹配識別算法研究[D]. 王藝蒙.哈爾濱工業(yè)大學(xué) 2018
[4]基于深度學(xué)習(xí)的隱寫分析研究[D]. 吳艷紅.北京交通大學(xué) 2018
[5]AGV視覺定位系統(tǒng)的設(shè)計與實現(xiàn)[D]. 于亦奇.浙江大學(xué) 2018
[6]基于深度卷積神經(jīng)網(wǎng)絡(luò)的人臉檢測算法研究[D]. 王啟航.浙江理工大學(xué) 2018
[7]面向目標(biāo)識別的多特征融合研究與實現(xiàn)[D]. 張建虎.北京交通大學(xué) 2018
[8]基于生成對抗網(wǎng)絡(luò)的圖像超分辨率算法研究與改進(jìn)[D]. 付凌志.哈爾濱工業(yè)大學(xué) 2018
[9]基于深度輪廓波卷積神經(jīng)網(wǎng)絡(luò)的遙感圖像地物分類[D]. 馬麗媛.西安電子科技大學(xué) 2017
[10]基于SIFT的局部不變特征研究[D]. 滕日.中國科學(xué)院研究生院(光電技術(shù)研究所) 2016



本文編號：3595469