由于海上環(huán)境的復(fù)雜性,無人船進(jìn)行目標(biāo)檢測與分割任務(wù)時(shí),必須具有快速準(zhǔn)確的檢測識(shí)別能力以及對多種場景的適應(yīng)能力。在現(xiàn)有的無人船水面目標(biāo)檢測算法中,背景建模法等運(yùn)動(dòng)目標(biāo)檢測方法容易被海上環(huán)境中的干擾影響,從而出現(xiàn)誤檢的情況,降低了目標(biāo)識(shí)別準(zhǔn)確率。而基于手工特征的目標(biāo)檢測算法容易產(chǎn)生窗口冗余,計(jì)算量大,難以適用于對實(shí)時(shí)性要求嚴(yán)格的場景。針對上述問題,本文提出了基于深度學(xué)習(xí)的目標(biāo)檢測與分割算法,利用深度卷積神經(jīng)網(wǎng)絡(luò)強(qiáng)大的特征提取能力和抗干擾能力,對基于視頻圖像的海上目標(biāo)進(jìn)行端到端的檢測,快速識(shí)別并捕捉更多的圖像細(xì)節(jié)特征,為后續(xù)無人船進(jìn)行避碰操作或任務(wù)轉(zhuǎn)換提供準(zhǔn)確且實(shí)時(shí)的目標(biāo)信息。主要完成工作如下:1)本文提出了基于YOLO v3網(wǎng)絡(luò)的目標(biāo)檢測算法,充分利用多尺度特征和快速回歸計(jì)算的設(shè)計(jì)思想,對輸入圖像的各個(gè)位置進(jìn)行不同分辨率的特征提取,減少波浪、光照和霧氣等干擾的影響,提高對圖像中各類目標(biāo)物體的識(shí)別率和快速性。并從網(wǎng)絡(luò)通用性和場景復(fù)雜度的角度出發(fā),采用更加簡易實(shí)用的ResNet-50網(wǎng)絡(luò)結(jié)構(gòu)替換了原有的主干網(wǎng)絡(luò)DarkNet-53,便于后續(xù)聯(lián)合算法的實(shí)現(xiàn)。并依據(jù)海上環(huán)境中常見的目標(biāo)物體制作了訓(xùn)... 

【文章來源】：武漢理工大學(xué)湖北省 211工程院校 教育部直屬院校

【文章頁數(shù)】：76 頁

【學(xué)位級(jí)別】：碩士

【部分圖文】：

Sigmoid型激活函數(shù)及函數(shù)梯度經(jīng)過該函數(shù)作用后，響應(yīng)輸出的值域?yàn)閇0,1]，且單調(diào)連續(xù)，優(yōu)化穩(wěn)定，但該

武漢理工大學(xué)碩士學(xué)位論文122)Tanh型激活函數(shù)為了解決Sigmoid型激活函數(shù)的均值不為0的問題，tanh型激活函數(shù)（又稱雙曲正切激活函數(shù)）在其基礎(chǔ)上應(yīng)運(yùn)而生。tanh型激活函數(shù)數(shù)學(xué)表達(dá)式如式(2-4)所示：tanh(x)=2σ(2x)1(2-4)tanh型激活函數(shù)值域范圍為[-1,1]，從圖2-4中可以明顯看出，其輸出響應(yīng)的均值為0，實(shí)際訓(xùn)練效果較Sigmoid型激活函數(shù)要更優(yōu)，但是其仍然會(huì)出現(xiàn)梯度飽和現(xiàn)象，不利于網(wǎng)絡(luò)中的權(quán)重更新。圖2-4tanh型激活函數(shù)及函數(shù)梯度3)ReLU型激活函數(shù)針對上述產(chǎn)生梯度飽和的問題，Hinton等人于2010年提出了ReLU型函數(shù)[47]，其數(shù)學(xué)表達(dá)式如式(2-5)所示：ReLU(x)=max{0,x}(2-5)ReLU型激活函數(shù)是當(dāng)今卷積神經(jīng)網(wǎng)絡(luò)中使用最多也最為流行的激活函數(shù)之一，與上述兩種激活函數(shù)相比，其對數(shù)據(jù)輸入神經(jīng)元為正的部分不存在梯度飽和的問題，且ReLU型激活函數(shù)只有線性關(guān)系，計(jì)算復(fù)雜度相對簡單，前后向傳播也更快。同時(shí)，ReLU型激活函數(shù)利于隨機(jī)梯度下降法快速收斂[46]。但是ReLU型激活函數(shù)也存在部分缺陷，從圖2-5中明顯看出，當(dāng)卷積結(jié)果響應(yīng)小于0時(shí)，其梯度為0，將無法影響網(wǎng)絡(luò)訓(xùn)練，形成“死區(qū)”。

武漢理工大學(xué)碩士學(xué)位論文13圖2-5ReLU型激活函數(shù)及函數(shù)梯度綜上所述，各類激活函數(shù)憑借各自的函數(shù)特性，體現(xiàn)出不同的優(yōu)缺點(diǎn)。激活函數(shù)的選取需要與實(shí)際情況相結(jié)合，進(jìn)行綜合使用。四、全連接層全連接層由眾多簡單的神經(jīng)元組成，且后一層的每個(gè)結(jié)點(diǎn)都和前一層的所有結(jié)點(diǎn)相連，如圖2-6所示：X2a4X3X4a2a3X1Xna1an……圖2-6全連接層結(jié)構(gòu)圖在卷積神經(jīng)網(wǎng)絡(luò)中，全連接層主要作用是充當(dāng)分類器。經(jīng)過網(wǎng)絡(luò)訓(xùn)練，將提取的特征表示與樣本的標(biāo)記空間相映射。全連接層位于卷積神經(jīng)網(wǎng)絡(luò)的末端，跟輸出層相連，用來計(jì)算整個(gè)模型的輸出。卷積神經(jīng)網(wǎng)絡(luò)模型通過在全連接層使用一個(gè)關(guān)于權(quán)值可微的分類器，讓模型能夠采取基于梯度的學(xué)習(xí)方法來進(jìn)行訓(xùn)練。2.2典型網(wǎng)絡(luò)模型一、AlexNetAlexNet網(wǎng)絡(luò)模型對卷積神經(jīng)網(wǎng)絡(luò)的廣泛應(yīng)用起到了不可磨滅的作用，樹立

【參考文獻(xiàn)】：
期刊論文
[1]基于深度學(xué)習(xí)方法的海上艦船目標(biāo)檢測[J]. 袁明新,張麗民,朱友帥,姜烽,申?duì)D.  艦船科學(xué)技術(shù). 2019(01)
[2]無人船目標(biāo)探測與跟蹤系統(tǒng)[J]. 張磊,許勁松,秦操.  船舶工程. 2018(08)
[3]基于改進(jìn)卷積神經(jīng)網(wǎng)絡(luò)的船舶目標(biāo)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)
[4]基于深度學(xué)習(xí)的水面無人船前方船只圖像識(shí)別方法[J]. 王貴槐,謝朔,初秀民,洛天驕.  船舶工程. 2018(04)
[5]水面航行體對艦船目標(biāo)的圖像檢測方法[J]. 方晶,馮順山,馮源.  北京理工大學(xué)學(xué)報(bào). 2017(12)
[6]基于內(nèi)容的圖像分割方法綜述[J]. 姜楓,顧慶,郝慧珍,李娜,郭延文,陳道蓄.  軟件學(xué)報(bào). 2017(01)
[7]USV發(fā)展現(xiàn)狀及展望[J]. 柳晨光,初秀民,吳青,王桂沖.  中國造船. 2014(04)
[8]無人水面艇目標(biāo)圖像自適應(yīng)分割算法[J]. 馬忠麗,梁秀梅,文杰.  哈爾濱工業(yè)大學(xué)學(xué)報(bào). 2014(07)
[9]無人艇視覺系統(tǒng)多類水面目標(biāo)特征提取與識(shí)別[J]. 馬忠麗,文杰,梁秀梅,陳虹麗,趙新華.  西安交通大學(xué)學(xué)報(bào). 2014(08)
[10]多USV協(xié)同系統(tǒng)研究現(xiàn)狀與發(fā)展概述[J]. 馬天宇,楊松林,王濤濤,辛磊,陳燚.  艦船科學(xué)技術(shù). 2014(06)

博士論文
[1]海上目標(biāo)被動(dòng)識(shí)別方法研究[D]. 孟慶昕.哈爾濱工程大學(xué) 2016
[2]基于光視覺的無人艇水面目標(biāo)檢測與跟蹤研究[D]. 曾文靜.哈爾濱工程大學(xué) 2013

碩士論文
[1]基于深度學(xué)習(xí)的快速目標(biāo)檢測算法研究[D]. 王海龍.哈爾濱工業(yè)大學(xué) 2018
[2]基于深度學(xué)習(xí)的圖像語義分割方法研究與實(shí)現(xiàn)[D]. 張學(xué)鵬.電子科技大學(xué) 2018
[3]水面無人艇視覺目標(biāo)圖像識(shí)別技術(shù)研究[D]. 張伊輝.哈爾濱工程大學(xué) 2015
[4]內(nèi)河航道目標(biāo)的特征識(shí)別與分類算法研究與實(shí)現(xiàn)[D]. 焦昌勇.武漢理工大學(xué) 2013
[5]無人艇視覺系統(tǒng)目標(biāo)圖像特征提取與識(shí)別技術(shù)研究[D]. 梁秀梅.哈爾濱工程大學(xué) 2013
[6]基于光流法的運(yùn)動(dòng)目標(biāo)檢測與跟蹤技術(shù)[D]. 裴巧娜.北方工業(yè)大學(xué) 2009
[7]基于人工神經(jīng)網(wǎng)絡(luò)的水面運(yùn)動(dòng)目標(biāo)識(shí)別技術(shù)研究[D]. 李薇.哈爾濱工程大學(xué) 2007



本文編號(hào)：3527778