海上目標一直以來都是目標識別的重要方向,而船只作為海上重要的運輸載體以及軍事目標,實現對其自動識別具有現實意義。但在實際中,遙感衛(wèi)星進行圖像采集時往往會受到復雜海情,如云霧遮擋、陸地岸基背景干擾,同時由于衛(wèi)星影像分辨率高,造成船只目標體積小,這些因素都會增加船只識別的復雜度。本文在研究遙感衛(wèi)星影像特性的基礎上,依托深度學習中的Faster R-CNN目標識別方法,研究了基于深度學習的復雜海情條件下的船只識別方法,主要研究內容如下:本文首先敘述了目前國內外遙感衛(wèi)星圖像目標識別以及深度學習的研究現狀,在此基礎之上分析了基于深度學習的復雜海情條件下的船只識別所存在的問題,如云霧遮擋、岸基干擾以及船只目標體積小,這些因素都會導致船只的識別準確率低的問題。然后基于Faster R-CNN搭建了一個船只識別網絡,但此方法只能夠識別常規(guī)海情下的船只,無法解決復雜海情的干擾。針對上述問題,本文采用了一種多層次級聯(lián)的在線難樣本挖掘船只識別網絡模型,該網絡可分為多尺度訓練、特征提取、生成目標建議區(qū)域、船只分類這四個部分。首先,針對小目標漏檢率高的問題,采用多尺度的訓練策略,將多尺度的船只樣本送入網絡中進行... 

【文章來源】：西安工業(yè)大學陜西省

【文章頁數】：65 頁

【學位級別】：碩士

【部分圖文】：

遙感影像船只檢測任務示意圖

只識別[2-3]主要分為船只檢測與船只識別兩個階段，船只檢測任務示意圖如即找到遙感衛(wèi)星影像中的船只，如圖 1.1 中的黃框和紅框。圖 1.1 遙感影像船只檢測任務示意圖只識別任務示意圖如圖 1.2 所示，即在實現遙感衛(wèi)星影像中的船只檢測基礎別船只具體的類別，如圖 1.2 中的黃框和紅框上標記船只的類型。

通過神經網絡對數據進行特征提取，將這些數據從低征，得到數據的抽象表達，抽象出數據的特征，這些方法的基礎基本神經網絡的結構由三層組成：輸入層(input layer)、隱含層(htput layer)。輸入層負責導入輸入的數據；隱含層負責對輸入數出對輸入數據的處理結果。神經網絡的基本結構為神經元，一個如圖 1.3 所示。國內外對神經網絡的研究已有數十年的時間了，是神經網絡的雛形，即只有兩層結構構成的神經網絡，沒有隱含。但這樣的單層感知器網絡僅能計算簡單的線性分類任務，無法一些異或(XOR)問題也無法解決。Hinton 等人在 1986 年首次提ropagation, BP)[8,9]，BP 算法就是在單層感知器網絡的基礎上增絡能夠處理復雜的線性分類問題，同時也解決了單層感知器網程冗余的問題。Hinton 等人的研究工作從根本上推動了神經網發(fā)展提供了理論支持。

【參考文獻】：
期刊論文
[1]多尺度顯著性區(qū)域提取的模板匹配[J]. 逯睿琦,馬惠敏.  光學精密工程. 2018(11)
[2]軸承滾子凸度輪廓的最小二乘擬合與誤差評定[J]. 雷賢卿,張亞東,馬文鎖,戶璐卿,左孝林.  光學精密工程. 2018(08)
[3]基于改進卷積神經網絡的船舶目標檢測[J]. 王新立,江福才,寧方鑫,馬全黨,張帆,鄒紅兵.  中國航海. 2018(02)
[4]深度學習原理及應用綜述[J]. 付文博,孫濤,梁藉,閆寶偉,范福新.  計算機科學. 2018(S1)
[5]先驗知識增強的三維CT腰椎骨圖像分割[J]. 顏杰,楊海燕,周萍.  計算機工程與設計. 2018(05)
[6]面向軟件模糊自適應的語音式任務目標識別與結構化轉換[J]. 張曉冰,楊啟亮,邢建春,韓德帥.  計算機工程. 2018(04)
[7]基于深度學習的推薦系統(tǒng)研究綜述[J]. 黃立威,江碧濤,呂守業(yè),劉艷博,李德毅.  計算機學報. 2018(07)
[8]基于圖像灰度頻率與人工神經網絡的病蟲害防治[J]. 葉聰,沈金龍.  電子器件. 2018(01)
[9]融合凹點檢測與仿射變換的活動輪廓模型[J]. 劉國奇,鄧銘,竇智.  中國圖象圖形學報. 2018 (02)
[10]SURF和RANSAC的特征圖像匹配[J]. 王衛(wèi)兵,白小玲,徐倩.  哈爾濱理工大學學報. 2018(01)

碩士論文
[1]基于HOG特征的船舶識別跟蹤算法[D]. 吳南.大連海事大學 2017



本文編號：2899216