發(fā)布時間：2022-07-14 20:33

　　船舶目標識別技術(shù)在水上交通運輸管理、海洋環(huán)境資源勘探、災害救援、打擊走私等方面具有廣泛應(yīng)用前景。相較于合成孔徑雷達圖像、紅外圖像與光學遙感圖像,可見光圖像包含豐富的顏色紋理等細節(jié)特征,在實時船舶檢測與船舶細分類任務(wù)方面更具優(yōu)勢。目前傳統(tǒng)船舶目標檢測算法在光線多變、云霧遮擋、海岸背景復雜、船舶目標多尺度等情況下檢測精度低、魯棒性差,而且針對船舶目標的細粒度分類研究相對較少。針對上述不足之處,本文基于深度學習方法對船舶目標識別展開以下幾點研究:（1）為了提升模型在小規(guī)模船舶數(shù)據(jù)集上的泛化能力,本文基于改進的深度卷積生成對抗網(wǎng)絡(luò)（Deep Convolutional Generative Adversarial Networks,DCGAN）進行船舶數(shù)據(jù)增強。針對DCGAN生成的船舶圖像分辨率低、細節(jié)模糊這一問題,本文提出優(yōu)化生成器與判別器的網(wǎng)絡(luò)結(jié)構(gòu)、利用Non-local模塊捕獲全局信息、添加特征匹配損失三個改進策略,生成更加清晰真實的船舶圖像。實驗證明基于本文改進的DCGAN算法進行船舶數(shù)據(jù)增強可有效提升船舶識別準確率。（2）為了提高船舶檢測精度,本文首先基于改進的暗通道先驗算法對船舶圖... 

【文章頁數(shù)】：95 頁

【學位級別】：碩士

【文章目錄】：
摘要
ABSTRACT
第一章 緒論
    1.1 課題背景與研究意義
    1.2 船舶目標檢測與識別國內(nèi)外研究現(xiàn)狀
    1.3 基于深度學習的目標檢測與識別關(guān)鍵技術(shù)綜述
        1.3.1 目標檢測關(guān)鍵技術(shù)
        1.3.2 目標分類關(guān)鍵技術(shù)
    1.4 本文研究內(nèi)容與組織結(jié)構(gòu)
        1.4.1 本文主要研究內(nèi)容
        1.4.2 本文組織結(jié)構(gòu)
第二章 基于改進DCGAN的船舶數(shù)據(jù)增強
    2.1 引言
    2.2 船舶數(shù)據(jù)增強算法概述
    2.3 基于幾何變換的船舶數(shù)據(jù)增強
    2.4 基于改進DCGAN的船舶數(shù)據(jù)增強
        2.4.1 基于DCGAN的船舶數(shù)據(jù)增強
        2.4.2 生成器與判別器網(wǎng)絡(luò)結(jié)構(gòu)優(yōu)化
        2.4.3 基于Non-local模塊的全局信息提取
        2.4.4 基于特征匹配的損失函數(shù)改進
    2.5 實驗結(jié)果與分析
        2.5.1 實驗設(shè)置與評價指標
        2.5.2 實驗結(jié)果與分析
    2.6 本章小結(jié)
第三章 基于改進YOLOv2的船舶目標檢測
    3.1 引言
    3.2 基于改進YOLOv2的船舶目標檢測算法概述
    3.3 基于改進暗通道先驗算法的船舶圖像去霧預處理
        3.3.1 暗通道先驗算法
        3.3.2 改進的暗通道先驗去霧算法
        3.3.3 船舶圖像去霧實驗結(jié)果與分析
    3.4 基于YOLOv2算法的船舶目標檢測
        3.4.1 船舶檢測模型結(jié)構(gòu)
        3.4.2 損失函數(shù)
    3.5 基于改進YOLOv2算法的船舶目標檢測
        3.5.1 基于多尺度特征融合的模型結(jié)構(gòu)改進
        3.5.2 基于聚類的anchor設(shè)計
        3.5.3 基于困難樣本挖掘的損失函數(shù)改進
    3.6 船舶檢測實驗結(jié)果與分析
        3.6.1 數(shù)據(jù)集與評價方法
        3.6.2 實驗結(jié)果與分析
    3.7 本章小結(jié)
第四章 基于注意力機制與級聯(lián)網(wǎng)絡(luò)的船舶細分類算法
    4.1 引言
    4.2 基于注意力機制與級聯(lián)網(wǎng)絡(luò)的船舶細分類算法概述
    4.3 基于注意力機制的船舶細分類
        4.3.1 注意力機制
        4.3.2 基于PAM-CAM注意力模塊的船舶細分類
    4.4 基于級聯(lián)卷積神經(jīng)網(wǎng)絡(luò)的船舶細分類
        4.4.1 用于船舶細分類的級聯(lián)網(wǎng)絡(luò)設(shè)計
        4.4.2 用于船舶細分類的級聯(lián)子網(wǎng)絡(luò)設(shè)計
        4.4.3 基于Grad-CAM算法的船舶顯著性局部區(qū)域提取
    4.5 實驗結(jié)果與分析
        4.5.1 數(shù)據(jù)集與實驗設(shè)置
        4.5.2 基于船舶分類數(shù)據(jù)集的實驗結(jié)果與分析
        4.5.3 基于CUB200-2011數(shù)據(jù)集的實驗結(jié)果與分析
    4.6 本章小結(jié)
總結(jié)與展望
    全文工作總結(jié)
    后續(xù)工作展望
參考文獻
攻讀碩士學位期間取得的研究成果
致謝
附件


【參考文獻】：
期刊論文
[1]A-FPN算法及其在遙感圖像船舶檢測中的應(yīng)用[J]. 于野,艾華,賀小軍,于樹海,鐘興,朱瑞飛.  遙感學報. 2020(02)
[2]梯度紋理直方圖與多層感知器船舶快速檢測[J]. 董超,馮俊健,田聯(lián)房,鄭兵.  紅外與激光工程. 2019(10)
[3]基于改進VGG網(wǎng)絡(luò)的單階段船舶檢測算法[J]. 趙蓬輝,孟春寧,常勝江.  光電子·激光. 2019(07)
[4]改進CNN及其在船舶識別中的應(yīng)用[J]. 楊亞東,王曉峰,潘靜靜.  計算機工程與設(shè)計. 2018(10)
[5]基于改進卷積神經(jīng)網(wǎng)絡(luò)的船舶目標檢測[J]. 王新立,江福才,寧方鑫,馬全黨,張帆,鄒紅兵.  中國航海. 2018(02)
[6]船舶紅外成像目標跟蹤研究進展[J]. 方玲玲,趙婉彤,王相海.  計算機輔助設(shè)計與圖形學學報. 2017(10)
[7]基于視覺顯著性的無監(jiān)督海面艦船檢測與識別[J]. 徐芳,劉晶紅,曾冬冬,王宣.  光學精密工程. 2017(05)
[8]復雜碼頭環(huán)境下的船舶檢測與跟蹤算法[J]. 王培玉,李峰,周書仁,廖卓凡.  計算機工程與科學. 2017(05)
[9]海洋背景下的海面艦船快速檢測算法[J]. 王方超,張旻,宮麗美,陳衛(wèi).  激光與紅外. 2016(05)
[10]基于顯著性分析的HOG快速船舶檢測方法[J]. 元海文,肖長詩,文元橋,周春輝,張康賀,鄒雄.  中國航海. 2016(01)

碩士論文
[1]海上船舶檢測跟蹤系統(tǒng)及其關(guān)鍵算法研究[D]. 張樹懷.華南理工大學 2018
[2]船舶檢測跟蹤與分類算法研究及其系統(tǒng)實現(xiàn)[D]. 陳澤創(chuàng).華南理工大學 2018
[3]基于星載SAR與AIS綜合的艦船目標監(jiān)視關(guān)鍵技術(shù)研究[D]. 趙志.國防科學技術(shù)大學 2013



本文編號：3661828