论文摘要
近年来,中国海洋权益争端日益频繁,对海上舰船目标进行识别和监视显得尤为重要。图像技术的发展为舰船目标识别提供了新的感知来源,随着获取图像数据量的增加,传统通过人工判读识别舰船目标的方法资源消耗大且难以保证目标识别的精度和可靠性,迫切需要引入新的技术和方法以节省人力资源,提高舰船目标识别的精度和可靠性。大数据背景下,深度学习技术在语音识别、图像识别等领域的发展为舰船目标识别技术的突破提供了新思路。文中阐述了具有代表性的深度学习模型,介绍了主流的基于深度卷积神经网络的目标识别方法,将其中较典型的两种目标识别方法Faster RCNN和YOLO应用于舰船目标识别领域,通过客观分析比较两种方法在舰船目标识别中的优劣性。舰船目标识别结果表明,Faster RCNN的准确率和召回率高于YOLO,但其运行效率远低于YOLO的运行效率。由此,提出下一步的工作方向。
论文目录
文章来源
类型: 期刊论文
作者: 马啸,邵利民,金鑫,徐冠雷
关键词: 深度学习,模型,卷积神经网络,目标识别,舰船
来源: 计算机技术与发展 2019年12期
年度: 2019
分类: 信息科技,工程科技Ⅱ辑
专业: 武器工业与军事技术,船舶工业,计算机软件及计算机应用,自动化技术
单位: 海军大连舰艇学院航海系
基金: 国家自然科学基金(61471412,61771020)
分类号: TP391.41;TP18;U675.79;E91
页码: 141-147
总页数: 7
文件大小: 2139K
下载量: 462