导读:本文包含了舰船目标识别论文开题报告文献综述、选题提纲参考文献及外文文献翻译，主要关键词:神经网络,舰船,目标,卷积,深度,尺度,图像。
舰船目标识别论文文献综述
刘俊,姜涛,徐小康,田胜,李亚辉[1]（2019）在《基于轻量化深度网络的舰船目标识别技术研究》一文中研究指出针对海上多平台资源受限条件下的舰船目标识别任务,提出一种基于轻量化深度网络的舰船目标识别方法,通过深度可分离卷积及多尺度语义信息融合等进行改进。设计了嵌入式平台应用背景下的轻量化舰船目标识别方法,在自建目标数据集保证top5准确率达到93.5%情况下,实现了模型参数量与计算量的大幅度削减。证明了该网络在低功耗资源受限情况下能够有效完成舰船目标识别任务。(本文来源于《无线电工程》期刊2019年12期）
霍煜豪,徐志京[2]（2019）在《基于改进RA-CNN的舰船光电目标识别方法》一文中研究指出针对光电图像中舰船分类检测困难的问题,提出一种基于改进循环注意卷积神经网络(recurrent attention convolutional neural network,RA-CNN)的舰船目标识别方法。该方法中的VGG19采用多个卷积层提取图像特征,注意建议网络(attention proposal network,APN)通过全连接层的输出定位特征区域,然后采用尺度依赖池化(scale-dependent pooling,SDP)算法选择VGG19中合适的卷积层输出进行类别判定,最后引入多特征描述特征区域,交叉训练VGG19和APN来加速收敛和提高模型精度。利用自建舰船数据集对方法进行测试,识别准确率较VGG19和RA-CNN有较大提升,识别准确率最高可达86.7%。(本文来源于《上海海事大学学报》期刊2019年03期）
张晓,王莉莉[3]（2019）在《基于多分类器融合的卫星图像舰船目标识别》一文中研究指出针对遥感图像中舰艇目标识别性能低的问题,提出了加权投票分类器融合方法。首先分析了舰艇的颜色特征与轮廓特征,然后利用SVM、BP神经网络和AdaBoost算法训练叁种单分类器,最后采用加权投票方式对单分类器进行融合。采用融合分类器进行舰艇目标识别实验分析,实验结果表明:在google卫星图像舰艇目标识别中,所提方法能够有效提升舰艇目标识别准确率,F-measure可以达到73.54%,相较于SVM提升了2.72%,相较于AdaBoost提升了3.53%,相较于BP神经网络提升了4.28%。(本文来源于《通信技术》期刊2019年09期）
马啸,邵利民,金鑫,徐冠雷[4]（2019）在《改进的YOLO模型及其在舰船目标识别中的应用》一文中研究指出针对传统目标识别方法资源消耗大、精度和可靠性低、泛化能力不强的问题,提出了一种基于改进YOLO(You Only Look Once)模型的舰船目标识别方法。通过精简YOLO模型,设计了一个10层的卷积神经网络用于舰船目标的自动特征提取和分类识别,模型训练过程中引入迁移学习的概念防止模型过拟合并加速模型参数的训练。在自建舰船目标图像测试集上的实验分析结果表明,该方法能够正确识别出航母、除航母外的其余军舰及民船叁类舰船目标,识别精度达到93.7%且识别效率较高,验证了所提舰船目标识别方法的有效性。(本文来源于《电讯技术》期刊2019年08期）
张龙,张翔,孟新秀[5]（2019）在《基于图像的舰船目标识别技术研究》一文中研究指出舰船作为人类在探索海洋活动中的首要工具,它的自动识别检测技术显得尤为重要。本文在分析舰船识别技术国内外现状和发展趋势的基础上,针对目前大部分舰船目标检测与识别的研究中存在的图像训练样本规模较小、检测和识别是两个独立的过程、只利用单一数据源进行检测、性能较低的问题展开技术研究,提出了一种基于图像和人工智能的舰船目标识别方法,来提升目标检测与识别的整体性能。(本文来源于《2019年全国公共安全通信学术研讨会优秀论文集》期刊2019-08-15）
吴建宝,肖诗斌,王焕鹏[6]（2019）在《改进的神经网络算法在舰船目标识别上的应用》一文中研究指出将神经网络算法应用于舰船目标识别,提出了一种基于神经网络的特征增强算法——AugNet。该算法在网络学习过程中自动分配通道特征权重,提高模型的特征抽取能力。使用AugNet改进GoogleNet模型,得到改进的神经网络算法。实验结果表明,改进算法对军舰、民船、非船叁种舰船目标的识别准确率达到99. 0%,对集装箱船、潜艇、货船等43种舰船目标的识别准确率达到90. 21%,大幅提高舰船目标识别种类数,对特殊情况下拍摄的模糊图像,也能较好识别,能够很好地完成舰船目标识别任务。(本文来源于《北京信息科技大学学报(自然科学版)》期刊2019年03期）
郭晨,简涛,徐从安,何友,孙顺[7]（2019）在《基于深度多尺度一维卷积神经网络的雷达舰船目标识别》一文中研究指出为满足雷达舰船目标识别的高实时性和高泛化性的需求,该文提出了一种基于深度多尺度1维卷积神经网络的目标高分辨1维距离像(HRRP)识别方法。针对高分辨1维距离像特征提取难的问题,所提方法通过共享卷积核的权值,使用多尺度的卷积核提取不同精细度的特征,并构造中心损失函数来提高特征的分辨能力。实验结果表明,该模型可以显着提高目标在非理想条件下的识别正确率,克服目标姿态角敏感性问题,具有良好的鲁棒性和泛化性。(本文来源于《电子与信息学报》期刊2019年06期）
孙昭[8]（2019）在《光学图像辅助的舰船ISAR像目标识别方法》一文中研究指出舰船ISAR图像目标识别现在已经得到广泛应用,但由于舰船目标的散射特性受到多种要素影响,使得采用ISAR目标识别的识别率相对较低。因此,改善舰船ISAR像的识别率是现在的研究热点。光学图像由于其分辨率高,图像信息丰富,识别率高,并且更加有利于人工干预的特性,使得其在人工交互方面占据优势,从而更加有利于有人/无人智能系统。在实际情况中,我们往往不能够同时获得舰船目标的ISAR和光学这两类异质图像。由于光学图像受到天气、气候(雾、霾、雨、云等)的影响,使其工作的时间有限;即便是处于天气条件良好的时候,光学图像进行成像的距离有限,并且受到光源影响,在光线不充足的情况下难以获得目标的图像。而ISAR是主动探测的,作用距离远,且其分辨特性不受距离的影响,光线的强度对成像结果也无影响,在各种气候以及各个时间都能够工作。因此在大部分情况下,舰船目标的ISAR像是我们能够得到的仅有图像。本文围绕舰船ISAR像的目标识别这一问题展开研究,期望利用已有部分信息(舰船ISAR像)来生成缺失信息(光学图像),进而达到改善舰船目标ISAR像识别效果的目的。主要内容包括:首先,在本文中阐述了逆孔径合成雷达是如何进行成像的,详细的对距离-多普勒的成像机制进行了分析,并基于此对叁种不同舰船模型进行了成像仿真,并且对舰船叁种转动形式逐一分析了对应的成像的特性。为了后续研究更加方便对图像进行了预处理,构建了舰船ISAR像的图像库。其次,针对图像目标识别这一问题,本文中采用卷积神经网络的网络来完成。在文中对这一网络构成进行了说明,详细阐述了卷积神经网络各个层的用途以及各自的误差敏感项,本文紧接着基于图像库,利用卷积神经网络进行了对舰船ISAR像的分类识别,并得到了识别准确率,对结果进行了合理的说明以及分析。最后,关于使用已有信息生成缺失信息这一问题,本文采用了对抗生成网络来达到这一目的。具体而言采用了两类网络,第一类是Pix2pix网络,在该网络的生成器输入端放入舰船ISAR像,鉴别器输入端放入对应的光学图像,训练此网络直到达到纳什平衡,此时生成器输出的就是接近于光学图像的生成图像,后续将生成的图像与ISAR像合并得到新的图像,同样利用卷积神经网络对新的图像进行特征提取与分类识别,最终获得舰船目标的识别率;第二类是部分模式对抗生成网络,它的生成器输入是ISAR像的特征,鉴别网络包含了鉴别器和预测器两部分,鉴别网络中鉴别器的输入是光学图像特征,输出是生成特征。预测器的输入则是ISAR像特征和生成特征融合之后的新特征,预测器对新的特征进行分类,进而输出舰船的识别准确率。仿真实验的结果表明,利用这两类网络均能够改善仅凭借舰船ISAR像的识别效果。(本文来源于《哈尔滨工业大学》期刊2019-06-01）
李亚辉[9]（2019）在《面向舰船目标识别应用的关键技术研究》一文中研究指出新时代条件下“建设海洋强国”、“一带一路之21世纪海上丝绸之路”等国家战略的实施,全球化发展已成为必然选择。与此同时,围绕海洋资源、通道安全等争端进一步加剧,海洋权益面临错综复杂的国际形势。舰船作为各种海洋活动的主体,如何实时、准确地识别海洋环境中的舰船目标,是实现建设海洋强国国家战略的关键环节。然而,由于海洋环境的特殊性,传统基于深度学习的目标识别方法难以满足计算资源、通讯带宽、能源供应等受限条件下的应用要求。因此,本文针对自动舰船目标识别问题,面向海洋环境条件下资源受限平台的应用,开展了基于深度学习的轻量化舰船识别相关关键技术研究,主要完成工作如下:(1)针对传统基于深度学习的舰船目标识别方法中存在的模型参数过大、参数利用率低问题,综合利用优化卷积操作、模型参数压缩和增强特征表达等技术,提出了一种面向资源受限平台应用的轻量化特征提取结构DResNet,在模型参数量和计算量大幅削减的情况下,实现了目标特征的高质量提取。在ImageNet-67数据集上,从识别速度、准确率、模型参数量、浮点计算量、显存占用等方面,分别与已有MobileNet、ShuffleNet、MobileNetv2等轻量化方法进行了对比实验。实验结果表明,该方法综合性能优于已有方法,实现了当模型大小为7.8MB时,单帧耗时16.3ms、分类准确率为93.5%的技术指标。(2)针对传统基于深度学习的舰船目标识别方法中存在的特征利用效率低下问题,综合利用基于先验知识的舰船目标尺寸聚类、基于信息融合的高低层特征融合以及基于注意力机制的交叉熵损失函数等技术,提出了一种特征数据的高效利用方法。在VOC 2007和自建舰船目标数据集上,从准确率、显存占用、实时性、模型大小方面,分别与已有SSD、DSSD、DSOD检测方法进行了对比实验。试验表明,本文方法综合性能优于已有方法,较传统SSD算法在存储空间占用仅为4.02%的条件下,实现了 88.8%的舰船目标识别准确率。(3)针对应用平台中的能耗节约问题,考虑到船舶目标运行速度较低,帧间船舶目标变化不明显的特点,利用基于直方图的视频关键帧提取方法,仅对视频中关键帧图像进行舰船目标识别,从而提升应用平台的有效能源利用率。(4)面向资源受限平台应用,基于嵌入式平台综合利用Flask、Hadoop、Caffe等工具,设计并实现了具有实时视频舰船目标识别与统计等功能的轻量化目标检测原型系统,并对其进行了实例化测试。(本文来源于《杭州电子科技大学》期刊2019-03-15）
孙乔[10]（2019）在《基于深度卷积神经网络的舰船目标识别技术研究》一文中研究指出我国领海面积辽阔、海洋矿产丰富,沿海边境情况复杂。舰船作为海洋的主体,实现舰船目标自动识别是保卫国家领海安全和加强建设海洋强国的重要保障。近年来,已有大量船载、无人机载、星载、岸基等视频监控设备完成部署,采集了大量的视频图像数据,但大多仍然采用人工方式来进行识别,智能化程度极低,无法满足舰船目标自动识别要求。在利用传统方法进行舰船目标识别过程中,受光照、海浪、暴雨、盐雾等环境变化影响,识别性能较差。因此,如何实现鲁棒的自动舰船目标识别是当下亟待解决的一个热点和难点问题。得益于人工智能研究的不断深入,尤其是深度学习在图像目标识别领域取得的突破性进展和成功应用,本文开展了深度学习在自动舰船目标识别中的应用研究,主要完成工作如下:(1)首先对舰船目标识别的国内外研究现状进行综述,并对当前综合性能较优的RFCN深度网络进行了介绍;(2)针对海洋环境采集可见光视频图像中的自动舰船目标识别难题,提出了一种基于改进RFCN网络的舰船目标识别方法,具体开展了叁个模块的改进优化:首先,在特征提取模块,设计了一种聚合变换和多尺度特征融合相结合的方法,通过加入同拓扑结构的改进分支、融合低层大尺度位置信息和高层小尺度语义信息,有效提升特征提取能力;其次,在目标检测模块,设计了一种双线性内插、级联位置敏感检测、柔性非极大值抑制相结合的方法,通过精细池化、提升高质量正样本数量、柔性衰减置信度等机制,有效提升对小尺寸和重迭舰船目标的检测能力;最后,在候选区域生成模块,面向舰船目标识别应用,对舰船目标锚框的宽高比例进行聚类,有效提升舰船目标的检测能力;(3)开展本文方法与多种已有方法的对比实验。首先,对本文方法中的超参数取值进行了实验、分析和讨论;然后,在VOC2007检测数据集上,本文方法相较RFCN方法,实现综合mAP指标提升2.42%;最后,在自建的舰船目标数据集上,本文方法相较RFCN方法,实现综合mAP指标提升3.51%。但是,本文方法相较RFCN方法,在算法的实时性方面降低了 1FPS。因此,本文方法适用于计算资源不受限的应用场合;(4)综合利用 Java、JavaScript、Python、Caffe、Redis、RocketMQ 等开发语言和中间件工具,设计并实现了一套基于深度卷积神经网络的舰船目标识别的可视化原型平台。(本文来源于《杭州电子科技大学》期刊2019-03-01）
舰船目标识别论文开题报告
（1）论文研究背景及目的
此处内容要求：
首先简单简介论文所研究问题的基本概念和背景，再而简单明了地指出论文所要研究解决的具体问题，并提出你的论文准备的观点或解决方法。
写法范例：
针对光电图像中舰船分类检测困难的问题,提出一种基于改进循环注意卷积神经网络(recurrent attention convolutional neural network,RA-CNN)的舰船目标识别方法。该方法中的VGG19采用多个卷积层提取图像特征,注意建议网络(attention proposal network,APN)通过全连接层的输出定位特征区域,然后采用尺度依赖池化(scale-dependent pooling,SDP)算法选择VGG19中合适的卷积层输出进行类别判定,最后引入多特征描述特征区域,交叉训练VGG19和APN来加速收敛和提高模型精度。利用自建舰船数据集对方法进行测试,识别准确率较VGG19和RA-CNN有较大提升,识别准确率最高可达86.7%。
（2）本文研究方法
调查法：该方法是有目的、有系统的搜集有关研究对象的具体信息。
观察法：用自己的感官和辅助工具直接观察研究对象从而得到有关信息。
实验法：通过主支变革、控制研究对象来发现与确认事物间的因果关系。
文献研究法：通过调查文献来获得资料，从而全面的、正确的了解掌握研究方法。
实证研究法：依据现有的科学理论和实践的需要提出设计。
定性分析法：对研究对象进行“质”的方面的研究，这个方法需要计算的数据较少。
定量分析法：通过具体的数字，使人们对研究对象的认识进一步精确化。
跨学科研究法：运用多学科的理论、方法和成果从整体上对某一课题进行研究。
功能分析法：这是社会科学用来分析社会现象的一种方法，从某一功能出发研究多个方面的影响。
模拟法：通过创设一个与原型相似的模型来间接研究原型某种特性的一种形容方法。
舰船目标识别论文参考文献
[1].刘俊,姜涛,徐小康,田胜,李亚辉.基于轻量化深度网络的舰船目标识别技术研究[J].无线电工程.2019
[2].霍煜豪,徐志京.基于改进RA-CNN的舰船光电目标识别方法[J].上海海事大学学报.2019
[3].张晓,王莉莉.基于多分类器融合的卫星图像舰船目标识别[J].通信技术.2019
[4].马啸,邵利民,金鑫,徐冠雷.改进的YOLO模型及其在舰船目标识别中的应用[J].电讯技术.2019
[5].张龙,张翔,孟新秀.基于图像的舰船目标识别技术研究[C].2019年全国公共安全通信学术研讨会优秀论文集.2019
[6].吴建宝,肖诗斌,王焕鹏.改进的神经网络算法在舰船目标识别上的应用[J].北京信息科技大学学报(自然科学版).2019
[7].郭晨,简涛,徐从安,何友,孙顺.基于深度多尺度一维卷积神经网络的雷达舰船目标识别[J].电子与信息学报.2019
[8].孙昭.光学图像辅助的舰船ISAR像目标识别方法[D].哈尔滨工业大学.2019
[9].李亚辉.面向舰船目标识别应用的关键技术研究[D].杭州电子科技大学.2019
[10].孙乔.基于深度卷积神经网络的舰船目标识别技术研究[D].杭州电子科技大学.2019
论文知识图
