基于深度学习的自适应船舰目标检测
文献类型：学位论文
| 作者 | 郝淑玲 |
| 答辩日期 | 2017-05-22 |
| 文献子类 | 硕士 |
| 授予单位 | 中国科学院研究生院 |
| 授予地点 | 北京 |
| 导师 | 郑天垚 |
| 关键词 | 船舰检测 深度学习 自适应搜索船舰目标定位 级联船舰目标分类 |
| 学位专业 | 其它专业 |
| 英文摘要 | 世界90％以上的贸易货物和70％以上的原油是通过海上运输，所以海上安全至关重要。船舰作为海上的主要交通工具之一，实现海上船舰目标检测对海事自动监测具有巨大的意义。军用方面可以加强海域监督管理，维护海洋权益，减少海事纠纷，自动侦察感兴趣目标；民用方面可以进行海洋环境监测，海洋专属经济区保护，事故船只救援报警，港口海湾等的高效海上交通管制，并对非法捕鱼、污染物倾倒、非法走私偷渡等起到强有力的监管作用。 海上船舰目标的自动检测面临很多干扰及挑战，主要包括：光照变化、波浪级别大、鱼鳞光等复杂海况导致的背景和目标不易区分；目标遮挡、局部目标和小目标带来的目标难以识别；海上船舰目标与背景区域在外观上的相似性导致的误分类等。本文针对以上问题，对海上船舰目标检测算法进行了深入研究，完成的研究工作如下： (1) 提出了一种基于深度学习的船舰目标自动检测算法，该算法将船舰目标检测任务分解为两个简单的子任务：目标定位和目标分类。由数据驱动通过深度学习自动学习到表达能力强、鲁棒性好的特征。实验结果表明，基于深度学习的船舰目标自动检测算法能够很好的解决海况复杂、目标遮挡和局部目标的问题。 (2) 提出了自适应搜索船舰目标定位算法，该算法可以将计算资源有效的引导到目标区域，并通过宽度优先搜索算法对原始图像进行多层分割，有利于小目标的检测。实验结果表明，自适应搜索船舰目标定位算法显著提高了小船舰目标的召回率。 (3) 提出了级联船舰目标分类算法，该算法在Fast R-CNN分类算法的基础上，对船舰目标进行二次分类，有效地改善了Fast R-CNN学习的特征对类间差异表征能力弱的带来的误分类问题。实验结果表明，级联船舰目标分类算法可以有效地降低船舰目标检测的误分类。 |
| 学科主题 | 计算机图形学 |
| 语种 | 中文 |
| 公开日期 | 2017-07-07 |
| 源URL | [http://ictir.ict.ac.cn/handle/311040/2757]  |
| 专题 | 中国科学院计算技术研究所学位论文_2017硕士 |
| 推荐引用方式 GB/T 7714 | 郝淑玲. 基于深度学习的自适应船舰目标检测[D]. 北京. 中国科学院研究生院. 2017. |
入库方式： OAI收割
来源：计算技术研究所
浏览0
下载0
收藏0
其他版本
除非特别说明，本系统中所有内容都受版权保护，并保留所有权利。