論文針對(duì)日益復(fù)雜的海面戰(zhàn)場環(huán)境對(duì)艦船目標(biāo)識(shí)別更高識(shí)別率、實(shí)時(shí)性、智能化的需求,進(jìn)行了基于深度卷積神經(jīng)網(wǎng)絡(luò)的可見光艦船目標(biāo)識(shí)別系統(tǒng)的方案設(shè)計(jì)。可見光艦船目標(biāo)識(shí)別系統(tǒng)由艦船圖像采集預(yù)處理平臺(tái)、艦船圖像離線訓(xùn)練平臺(tái)和艦船目標(biāo)在線識(shí)別平臺(tái)組成,可進(jìn)行海面艦船、民船的可見光/紅外圖像采集、處理和存儲(chǔ),可進(jìn)行基于深度卷積神經(jīng)網(wǎng)絡(luò)的艦船目標(biāo)特征訓(xùn)練和識(shí)別,具有較高的目標(biāo)識(shí)別準(zhǔn)確率和實(shí)時(shí)性。 

【文章來源】：艦船電子工程. 2020,40(08)

【文章頁數(shù)】：6 頁

【部分圖文】：

基于深度卷積神經(jīng)網(wǎng)絡(luò)的艦船目標(biāo)特征訓(xùn)練架構(gòu)共享特征CNN層可以是現(xiàn)存的深度卷積神經(jīng)

總第314期于集成學(xué)習(xí)，從而達(dá)到對(duì)新來圖像數(shù)據(jù)集的增量學(xué)習(xí)。圖6基于選擇性負(fù)相關(guān)學(xué)習(xí)的深度ResNet集成學(xué)習(xí)框架，主要包括四個(gè)模塊：初始ResNet深度神經(jīng)網(wǎng)絡(luò)集成、當(dāng)前ResNet深度神經(jīng)網(wǎng)絡(luò)集成、復(fù)制ResNet深度神經(jīng)網(wǎng)絡(luò)集成以及新ResNet深度神經(jīng)網(wǎng)絡(luò)集成。它們之間的交互關(guān)系為：首先利用第一個(gè)軍艦和民船圖像數(shù)據(jù)集對(duì)初始ResNet深度神經(jīng)網(wǎng)絡(luò)集成進(jìn)行訓(xùn)練得到當(dāng)前ResNet深度神經(jīng)網(wǎng)絡(luò)集成；然后，將當(dāng)前ResNet深度神經(jīng)網(wǎng)絡(luò)集成進(jìn)行復(fù)制得到復(fù)制ResNet深度神經(jīng)網(wǎng)絡(luò)集成；接下來，當(dāng)?shù)诙䝼�(gè)軍艦和民船圖像數(shù)據(jù)集到來時(shí)，利用該數(shù)據(jù)集對(duì)復(fù)制ResNet深度神經(jīng)網(wǎng)絡(luò)集成進(jìn)行訓(xùn)練，得到新ResNet深度神經(jīng)網(wǎng)絡(luò)集成；最后，為了使ResNet深度神經(jīng)網(wǎng)絡(luò)集成能夠在學(xué)習(xí)新圖像數(shù)據(jù)知識(shí)的同時(shí)能夠較大程度保留已經(jīng)學(xué)習(xí)過的知識(shí)，同時(shí)保持深度集成模型的大小不變，因此需要應(yīng)用選擇性負(fù)相關(guān)學(xué)習(xí)方法進(jìn)行選擇。圖6基于選擇性負(fù)相關(guān)的深度ResNet集成學(xué)習(xí)框架3結(jié)語本文基于深度卷積神經(jīng)網(wǎng)絡(luò)進(jìn)行了艦船目標(biāo)識(shí)別系統(tǒng)的方案設(shè)計(jì)，該系統(tǒng)基于可見光/紅外圖像進(jìn)行艦船目標(biāo)識(shí)別，實(shí)時(shí)性高；該系統(tǒng)可離線地對(duì)目標(biāo)識(shí)別模型進(jìn)行訓(xùn)練，相比于傳統(tǒng)基于恒虛警率算法、小波變換等算法，基于深度卷積神經(jīng)網(wǎng)絡(luò)的方案具有更高的識(shí)別準(zhǔn)確率；該系統(tǒng)可進(jìn)行在線增量學(xué)習(xí)，在使用過程中可不斷進(jìn)行模型參數(shù)的優(yōu)化，不斷提高識(shí)別準(zhǔn)確率。參考文獻(xiàn)［1］LengX，JiK，YangK，etal.AbilateralCFARalgorithmforshipdetectioninSARimages［J］.IEEEGeoscienceandRemoteSensingLetters，2015，12（7）：1536-1540.［2］DaiH，DuL，WangY，eta

鷦謔?葜行?的艦船圖像離線訓(xùn)練平臺(tái)，主要進(jìn)行PB級(jí)艦船圖像、視頻數(shù)據(jù)樣本的存儲(chǔ)，以及離線艦船目標(biāo)識(shí)別模型的訓(xùn)練；另一部分是在艦船、無人機(jī)、指揮所等武器裝備終端上運(yùn)行的艦船圖像采集預(yù)處理平臺(tái)和艦船目標(biāo)在線識(shí)別平臺(tái)，負(fù)責(zé)艦船目標(biāo)圖像采集、檢測、分類和識(shí)別，具體如圖1所示。可見光艦船目標(biāo)識(shí)別系統(tǒng)各模塊的具體功能如下。1）艦船圖像數(shù)據(jù)庫采用已有的圖像、參數(shù)和模型數(shù)據(jù)構(gòu)建，并在使用過程中，通過檢測目標(biāo)數(shù)據(jù)采集不斷的進(jìn)行豐富；圖1基于深度卷積神經(jīng)網(wǎng)絡(luò)的可見光艦船目標(biāo)識(shí)別系統(tǒng)框圖2）艦船目標(biāo)特征訓(xùn)練是在卷積神經(jīng)網(wǎng)絡(luò)的框架下，通過對(duì)艦船樣本庫的識(shí)別訓(xùn)練，形成可見光/紅外和二維/三維融合的艦船特征知識(shí)庫，用于進(jìn)行艦船目標(biāo)分類識(shí)別；3）艦船目標(biāo)數(shù)據(jù)采集用于對(duì)海上艦船目標(biāo)的可見光或紅外視頻數(shù)據(jù)進(jìn)行實(shí)時(shí)高分辨率的采集；4）艦船目標(biāo)檢測是對(duì)海上艦船目標(biāo)進(jìn)行檢測，在檢測到存在艦船目標(biāo)后，開展后續(xù)的圖像預(yù)處理和分類識(shí)別工作；5）艦船目標(biāo)圖像預(yù)處理包括海陸背景圖像分離、艦船目標(biāo)分割等圖像預(yù)處理工作，為艦船目標(biāo)的分類識(shí)別做好準(zhǔn)備；6）艦船目標(biāo)圖像粗分類在本地進(jìn)行，針對(duì)艦船的大類進(jìn)行簡單的分類，降低后續(xù)艦船目標(biāo)細(xì)分類識(shí)別的工作量；7）最后，在艦船目標(biāo)在線識(shí)別平臺(tái)開展艦船目標(biāo)的識(shí)別工作，準(zhǔn)確地識(shí)別出艦船的類型。2.1艦船圖像采集預(yù)處理平臺(tái)本方案基于可見光/紅外圖像進(jìn)行艦船目標(biāo)識(shí)別，艦船圖像采集預(yù)處理平臺(tái)部署在艦船上。2.1.1艦船目標(biāo)圖像采集艦船目標(biāo)圖像采集硬件架構(gòu)如圖2所示，包括艦船目標(biāo)圖像采集傳感模塊、艦船目標(biāo)圖像采集預(yù)處理模塊、多碼流圖像編碼模塊和圖像傳輸模塊。其中，艦船目標(biāo)圖像采集傳感模塊通過

【參考文獻(xiàn)】：
期刊論文
[1]深度神經(jīng)網(wǎng)絡(luò)下的SAR艦船目標(biāo)檢測與區(qū)分模型[J]. 魏松杰,蔣鵬飛,袁秋壯,劉梅林.  西北工業(yè)大學(xué)學(xué)報(bào). 2019(03)
[2]中低分辨率遙感影像艦船目標(biāo)識(shí)別方法[J]. 劉星璇,饒世鈞,洪俊.  艦船電子工程. 2018(06)
[3]艦船圖像顯著性區(qū)域檢測技術(shù)研究與仿真[J]. 張亞倫,楊露菁,陳煜康,劉樹衎.  艦船電子工程. 2017(07)
[4]基于深度卷積神經(jīng)網(wǎng)絡(luò)的船舶識(shí)別方法研究[J]. 趙亮,王曉峰,袁逸濤.  艦船科學(xué)技術(shù). 2016(15)
[5]信號(hào)處理在艦船目標(biāo)識(shí)別中研究發(fā)展綜述[J]. 盛會(huì)平,林王鵬,周勇.  艦船電子工程. 2013(12)



本文編號(hào)：3605792