本文關鍵詞：基于深度學習的SAR圖像艦船檢測，，由筆耕文化傳播整理發(fā)布。

【摘要】：針對SAR圖像數(shù)據(jù)下的艦船檢測問題,以及深度學習模型的優(yōu)點,提出了基于深度學習的SAR圖像艦船目標檢測。深度學習被看作是一種特征學習工具,自動從圖像數(shù)據(jù)中學習最能表達目標的特征。它通過構建具有多個隱層的學習模型,從中學到多層的非線性關系,這是其他非深度學習算法所不能及的,如此便可以從艦船訓練數(shù)據(jù)中學習更有用的特征,從而提升艦船目標分類的準確性。本文分析了深度學習的基本模型和方法,并在相關圖像數(shù)據(jù)集上做了實驗論證。首先研究了深度學習中限制玻爾茲曼機(RBM)在SAR圖像艦船目標檢測中的應用。介紹了RBM網(wǎng)絡結構理論知識,然后結合艦船檢測問題給出來具體的算法實現(xiàn)。針對RBM訓練參數(shù)過多,訓練時間長等問題,提出了基于卷積神經(jīng)網(wǎng)絡CNN的SAR圖像艦船檢測。CNN網(wǎng)絡結構是由卷積層和下采樣層交替構成的,通過局部感受野和權值共享特性,不但解決了前面的問題,還很大程度上改善了檢測性能。與傳統(tǒng)淺層學習相比,深度學習的不同在于:(1)強調(diào)了模型結構的深度,表現(xiàn)為包含多個隱層節(jié)點;(2)突出了所學特征的優(yōu)越性,通過逐層特征變換,將樣本在原空間的特征變換到一個新空間,從而使分類檢測更加容易。與手動提取特征相比,利用大數(shù)據(jù)來學習特征,更能刻畫數(shù)據(jù)的本質信息。深度學習優(yōu)點在于對艦船模型的表達能力較強,能夠突顯艦船目標在周圍非目標中的特性,同時這種方法也有一定的生物學基礎。通過對現(xiàn)有數(shù)據(jù)集的測試,證明了該方法的有效性。
【關鍵詞】：深度學習 艦船檢測 限制玻爾茲曼機 卷積神經(jīng)網(wǎng)絡 特征學習
【學位授予單位】：西安電子科技大學
【學位級別】：碩士
【學位授予年份】：2015
【分類號】：TN957.52
【目錄】：

• 摘要5-6
• ABSTRACT6-9
• 符號對照表9-10
• 縮略語對照表10-13
• 第一章 緒論13-19
• 1.1 研究背景與意義13-14
• 1.2 國內(nèi)外研究現(xiàn)狀14-16
• 1.2.1 基于統(tǒng)計特征的艦船檢測14-15
• 1.2.2 基于多尺度分析的艦船檢測15
• 1.2.3 基于模板的艦船檢測15-16
• 1.2.4 基于多/全極化SAR圖像的艦船檢測16
• 1.3 論文內(nèi)容與安排16-19
• 第二章 深度學習及目標檢測理論基礎19-33
• 2.1 deep learning網(wǎng)絡介紹19-28
• 2.1.1 自動編碼器（Auto Encoder）19-21
• 2.1.2 限制玻爾茲曼機RBM21-24
• 2.1.3 卷積神經(jīng)網(wǎng)絡CNN24-26
• 2.1.4 深度置信網(wǎng)絡DBN26-28
• 2.2 目標檢測28-31
• 2.2.1 目標檢測框架28-29
• 2.2.2 有監(jiān)督、無監(jiān)督和半監(jiān)督學習29-31
• 2.2.3 特征、分類器31
• 2.3 本章小結31-33
• 第三章 基于限制玻爾茲曼機的SAR圖像艦船檢測33-47
• 3.1 引言33
• 3.2 限制玻爾茲曼機（RBM）33-38
• 3.2.1 網(wǎng)絡訓練算法33-35
• 3.2.2 Gibbs采樣35-36
• 3.2.3 基于對比散度的訓練算法36-37
• 3.2.4 Softmax分類器37-38
• 3.3 本章算法實現(xiàn)38-40
• 3.3.1 圖像預處理38-39
• 3.3.2 限制玻爾茲曼機網(wǎng)絡構造39-40
• 3.4 實驗結果及其分析40-45
• 3.5 本章小結45-47
• 第四章 基于卷積神經(jīng)網(wǎng)絡CNN的SAR圖像艦船檢測47-61
• 4.1 引言47
• 4.2 卷積神經(jīng)網(wǎng)絡結構47-50
• 4.2.1 卷積層與下采樣層過程48-49
• 4.2.2 局部感受野和權值共享49-50
• 4.3 本章算法實現(xiàn)50-53
• 4.3.1 圖像預處理51-52
• 4.3.2 卷積神經(jīng)網(wǎng)絡構造52
• 4.3.3 卷積神經(jīng)網(wǎng)絡的反向傳播52-53
• 4.4 實驗結果及其分析53-58
• 4.5 結果對比分析58-60
• 4.6 本章小結60-61
• 第五章 總結和展望61-63
• 5.1 本文研究成果61
• 5.2 進一步研究方向61-63
• 參考文獻63-69
• 致謝69-71
• 作者簡介71-72

【相似文獻】

中國期刊全文數(shù)據(jù)庫 前10條

1 李坤;邵蕓;張風麗;;基于多極化機載合成孔徑雷達(SAR)數(shù)據(jù)的水稻識別[J];浙江大學學報(農(nóng)業(yè)與生命科學版);2011年02期

2 劉開剛;許梅生;李維;;一種基于雙閾值區(qū)域分割的SAR圖像目標提取方法[J];國外電子測量技術;2008年03期

3 ;西部測圖工程機載干涉SAR測圖系統(tǒng)項目啟動會在北京召開[J];遙感信息;2008年04期

4 蔡紅;;基于稀疏表示的SAR圖像壓縮方法研究[J];計算機工程與應用;2012年24期

5 李杏朝，董文敏;SAR圖像的水文應用研究[J];遙感信息;1996年04期

6 孫盡堯,孫洪;自然場景SAR圖像的仿真[J];雷達科學與技術;2003年04期

7 李金;程超;許浩;;無人機機載合成孔徑雷達(SAR)定位方法綜述[J];影像技術;2008年03期

8 陳原;張榮;尹東;;基于Tetrolet Packet變換的SAR圖像稀疏表示[J];電子與信息學報;2012年02期

9 何毅;范偉杰;;手機批量SAR測試方案[J];安徽電子信息職業(yè)技術學院學報;2013年05期

10 紀建;田錚;徐海霞;;SAR圖像壓縮的多尺度自回歸滑動平均模型方法[J];電子學報;2005年12期

中國重要會議論文全文數(shù)據(jù)庫 前10條

1 沈晶;楊學志;;基于邊緣保持分水嶺算法的SAR海冰圖像分割[A];計算機技術與應用進展·2007——全國第18屆計算機技術與應用（CACIS）學術會議論文集[C];2007年

2 郝衛(wèi)東;熊鄴;曲蘭英;周志麗;;一種降低手機SAR的設計[A];2009年全國天線年會論文集（下）[C];2009年

3 方勇;;綜合多視角SAR圖像改正遮蔽區(qū)試驗[A];第十三屆全國遙感技術學術交流會論文摘要集[C];2001年

4 于明成;許稼;彭應寧;;SAR多普勒中心快速解模糊的新方法[A];第十二屆全國信號處理學術年會（CCSP-2005）論文集[C];2005年

5 戴爾燕;金亞秋;;多軌道飛行全極化SAR圖像對目標的立體重構[A];第二屆微波遙感技術研討會摘要全集[C];2006年

6 常本義;高力;;SAR單圖像定位原理[A];中國科協(xié)2001年學術年會分會場特邀報告匯編[C];2001年

7 錢方明;鞏丹超;劉薇;;SAR圖像邊緣特征提取方法研究[A];第二屆“測繪科學前沿技術論壇”論文精選[C];2010年

8 陳林輝;葉偉;賈鑫;;分布式衛(wèi)星SAR圖像方位向分辨率分析[A];中國航空學會信號與信息處理專業(yè)全國第八屆學術會議論文集[C];2004年

9 孫偉順;計科峰;朱俊;粟毅;;典型軍用目標SAR圖像預估[A];第六屆全國信息獲取與處理學術會議論文集（2）[C];2008年

10 黃勇;王建國;黃順吉;;基于分段的非監(jiān)督SAR圖像變化檢測[A];第十一屆全國信號處理學術年會（CCSP-2003）論文集[C];2003年

中國重要報紙全文數(shù)據(jù)庫 前2條

1 張顯峰;機載干涉SAR：掀起測繪革命[N];科技日報;2004年

2 鐘勇;國內(nèi)首套SAR測圖系統(tǒng)通過評審[N];中國測繪報;2010年

中國博士學位論文全文數(shù)據(jù)庫 前10條

1 賀廣均;聯(lián)合SAR與光學遙感數(shù)據(jù)的山區(qū)積雪識別研究[D];南京大學;2015年

2 張雙喜;高分辨寬測繪帶多通道SAR和動目標成像理論與方法[D];西安電子科技大學;2014年

3 劉小寧;星上SAR實時成像處理關鍵技術研究[D];北京理工大學;2016年

4 李蘭;森林垂直信息P-波段SAR層析提取方法[D];中國林業(yè)科學研究院;2016年

5 張澤兵;知識輔助的SAR目標索引及特征提取技術研究[D];國防科學技術大學;2014年

6 張鵬;基于統(tǒng)計模型的SAR圖像降斑和分割方法研究[D];西安電子科技大學;2012年

7 王勃;星載全極化SAR海面散射特性及其船目標檢測方法[D];中國海洋大學;2013年

8 倪心強;SAR圖像分類與自動目標識別技術研究[D];中國科學院研究生院（電子學研究所）;2007年

9 周鵬;彈載SAR多種工作模式的成像算法研究[D];西安電子科技大學;2011年

10 趙凌君;高分辨率SAR圖像建筑物提取方法研究[D];國防科學技術大學;2009年

中國碩士學位論文全文數(shù)據(jù)庫 前10條

1 董立亞;SAR圖像去噪的小波和偏微分方程的數(shù)學建模[D];河北聯(lián)合大學;2014年

2 陳海文;基于波數(shù)域的圓周SAR三維成像算法研究[D];哈爾濱工業(yè)大學;2015年

3 眭明;星機雙基地SAR同步技術研究[D];電子科技大學;2014年

4 羅煜川;基于壓縮感知的陣列SAR三維成像方法研究[D];電子科技大學;2015年

5 張強;基于視覺注意的SAR目標快速檢測算法研究[D];電子科技大學;2015年

6 于利娟;手機天線輻射特性優(yōu)化與SAR研究[D];西安電子科技大學;2013年

7 吳子斌;機載三維SAR高分辨成像[D];國防科學技術大學;2013年

8 李志華;基于FPGA的微型SAR實時成像處理研究[D];西安電子科技大學;2014年

9 劉東洋;基于Z7的SAR實時成像處理設計[D];西安電子科技大學;2014年

10 張曉梨;基于實測SAR圖像的雜波特性研究和圖像重構[D];西安電子科技大學;2014年

  本文關鍵詞：基于深度學習的SAR圖像艦船檢測，由筆耕文化傳播整理發(fā)布。

本文編號：509800