检索结果-南通市图书馆

维普期刊数据库

在线全文

学校读者我要写书评

暂无评论

一种无锚旋转框遥感图像船只目标检测算法

北京航空航天大学学报 2024年

作者：李露陈科研刘辰阳史振威北京航空航天大学宇航学院图像中心

精准高效的船只目标检测在确保海洋利益和构建海洋强国中发挥着重要作用，其现实价值显著。然而，现有的基于可见光遥感图像的船只检测算法大多依赖于锚框，计算量大、超参数且算法的泛化能力有限。尽管自然图像目标检测算法通过采用无... 详细信息

精准高效的船只目标检测在确保海洋利益和构建海洋强国中发挥着重要作用，其现实价值显著。然而，现有的基于可见光遥感图像的船只检测算法大多依赖于锚框，计算量大、超参数且算法的泛化能力有限。尽管自然图像目标检测算法通过采用无锚的方法改进了这些问题，但它们仅能实现水平框检测，无法应对船只目标形状狭长、角度分布不同和排列紧密等特点。针对这些问题，本文设计了一种无锚旋转框遥感图像船只目标检测算法。具体来说，本文在CenterNet的基础上，针对遥感图像船只检测任务，提出了一种基于分布先验的置信度系数预测分支来产生更高质量的正样本；一种基于双曲激活的角度预测分支来限制角度的输出空间，得到更准确度旋转角度表示;同时，该方法采用柔性正负样本标签分配策略，以提供动态的精细化的监督信息，加速网络的收敛。在HRSC2016数据集上的实验验证了本文方法相比与其他先进对比方法的优越性，并证实了各模块的有效性。

关键词：遥感图像光学遥感图像船只目标检测无锚检测器旋转框目标检测

基于深度学习的卫星图像船只目标检测算法研究

在线全文

同方期刊数据库

学校读者我要写书评

暂无评论

基于深度学习的卫星图像船只目标检测算法研究

作者：王颖北京邮电大学

学位级别：硕士

船只不仅在军事领域上是参与作战的重要目标,在民用领域上也是不可或缺的运输工具,因此,根据卫星图像获取到船只的精准定位具有战略性的意义。由于卫星成像的特性,决定了卫星图像中的目标分辨率低,特征不明显,因此对卫星图像上的小尺寸... 详细信息

船只不仅在军事领域上是参与作战的重要目标,在民用领域上也是不可或缺的运输工具,因此,根据卫星图像获取到船只的精准定位具有战略性的意义。由于卫星成像的特性,决定了卫星图像中的目标分辨率低,特征不明显,因此对卫星图像上的小尺寸船只目标进行精确检测十分具有挑战。目前常见的船只检测技术大多基于传统检测算法,主要使用的还是手工设置的浅层特征,但在特征不明显,场景复杂的情况下对目标的检测性能不佳。随着以卷积神经网络技术为代表的深度学习技术的发展,算法可以自主从数据中学习目标的特征,使得目标检测算法的检测性能大大提高,因此使用深度学习实现卫星图像船只目标的智能检测算法具有十分重要的意义。首先,针对卫星图中船只的标注样本非常有限的情况,本文提出一种新型的对抗性生成网络TBGAN,对原有样本进行样本扩充。该方法不同于普通的对抗性生成网络,不仅可以在任意指定位置生成目标,并且可以使得目标所在位置背景与原图内容高度融合,从而实现可以生成多种不同场景下的目标数据集。其次,针对传统的卫星图船只检测算法复杂度高、实时性差的问题,本文以Faster R-CNN算法为基础,从锚框设计、候选区域生成网络提速、损失函数公式、基础网络性能四个方面对原算法进行了针对性改进,并提出一种全连接式的特征金字塔网络结构,通过在各层特征图之间加入密集连接,对网络不同等级的特征图进行特征融合,实现了基于Faster R-CNN的卫星图像船只目标检测算法。相对于原始算法,改进后的检测算法对卫星图中小目标的检测精确率提高了36.2%。最后,本文实现卫星图像中船只目标的端到端检测。该流程首先加入了一个基于图像分类的辅助决策网络,用于减少检测算法中的误检;然后基于深度可分离卷积的模型加速方案,在保证检测准确性的前提下提升检测速度;最后将上述两个模块与Faster R-CNN模型进行了端到端的整合,进一步简化整个算法过程中的计算量和参数量,并使得最终算法相对原始算法检测精度提高了42.4%,运行耗时降低了72.4%。

关键词：卷积神经网络 Faster R-CNN 对抗生成网络船只目标检测

在线全文

同方学位论文库

学校读者我要写书评

暂无评论

带约束的卷积神经网络监控视频船只目标检测

带约束的卷积神经网络监控视频船只目标检测

作者：吴文静武汉大学

学位级别：硕士

船只目标检测是利用算法自动识别出图像中船只的位置以及类别的过程,无论在民用领域还是在军用领域都有十分广泛的应用。以往的研究大多基于高分辨率遥感影像(雷达或者近红外),随着成像技术的发展,基于可见光成像的海上船只检测逐渐引... 详细信息

船只目标检测是利用算法自动识别出图像中船只的位置以及类别的过程,无论在民用领域还是在军用领域都有十分广泛的应用。以往的研究大多基于高分辨率遥感影像(雷达或者近红外),随着成像技术的发展,基于可见光成像的海上船只检测逐渐引起了学者以及工程师的关注,并且成为视频监控领域的研究热点。此外,卷积神经网络的崛起大大加快了数字图像处理技术的发展,基于深度学习的检测算法已经被广泛应用于计算机视觉的各类问题中。本论文首先构建了一个大规模、高质量的船只目标样本库SeaShips,用于检测模型的训练以及测试。样本库图像来源于安置在珠海横琴环岛的监控视频,通过提取帧数据、去除冗余图像、设计样本多样性、人工标注等步骤,论文得到6类船只(ore carrier、bulk cargo carrier、general cargo ship、container ship、fishing boat、passenger ship)充分考虑到背景、光照、视角、可见船体占比、尺度,以及遮挡情况的总共31455张图像数据。并且与目前学界公开的包含船只目标的其他样本库PASCAL VOC2007、CIFAR-10、Caltech-256进行对比,结果表明SeaShips在图像数量、目标个数、样本丰富性方面,都优于其他三个数据集。其次,本论文基于构建的SeaShips样本库,完成了三个基础实验:(1)实现三种基于深度学习的经典检测算法(Faster R-CNN、YOLO、SSD),全面总结该数据集用于船只检测的难点和挑战,对比不同检测算法的优缺点,为使用SeaShips数据集的研究者提供基础的研究结果;(2)结合实际应用,将训练得到的YOLO v2模型应用于现实的横琴环岛实时视频监控系统中,评估实时检测的效果,实现与无人机影像和GIS地图的联动;(3)实现基于卫星影像(顶视视角)的船只检测算法,并与自然图像的检测效果进行对比,总结其相同点和不同点。第三,本论文研究了深度学习算法与传统算法结合的新问题:深度学习算法的特征抽象,可解释性差;传统设计的特征速度较慢,但易于理解。针对此问题,本论文设计了一种用于提取船只目标独特特征的描述子S-TG,并提出了一种融合专家知识特征和卷积神经网络特征的网络模型SFFN,用S-TG特征描述算子约束卷积神经网络的反向传播过程。在SeaShips船只图像样本库中,SFFN模型表现良好,可以改善船只遮挡情况下的检测结果。本论文的前两项成果已经发表论文两篇,第一篇SCI发表于IEEE Transactions on Multimedia,题目为“SeaShips:A Large-Scale Precisely Annotated Dataset for Ship Detection”,本人为第二作者和通讯作者;第二篇中文核心发表于《地理空间信息》,题目为“基于YOLOv2的船只检测算法及其在横琴环岛监控系统中的应用”,本人为第一作者。第三项成果正在不断改进中。

关键词：数据集船只目标检测卷积神经网络专家知识监控视频

在线全文

同方学位论文库

学校读者我要写书评

暂无评论

基于紧缩极化SAR的船只目标检测方法研究

基于紧缩极化SAR的船只目标检测方法研究

作者：曹成会青岛理工大学

学位级别：硕士

紧缩极化是一种新的合成孔径雷达(SAR)工作模式。由于紧缩极化SAR幅宽远大于全极化SAR,且极化信息远比单极化SAR和双极化SAR丰富,在海上交通运输,渔业管理等领域应用潜力巨大,近年来逐渐成为研究的热点。本文研究了紧缩极化SAR特征的船... 详细信息

紧缩极化是一种新的合成孔径雷达(SAR)工作模式。由于紧缩极化SAR幅宽远大于全极化SAR,且极化信息远比单极化SAR和双极化SAR丰富,在海上交通运输,渔业管理等领域应用潜力巨大,近年来逐渐成为研究的热点。本文研究了紧缩极化SAR特征的船只目标检测性能及船海散射特性差异,构建了紧缩极化SAR船只目标散射模型,提出了新的紧缩极化SAR特征参数,发展了一种紧缩极化SAR的船只目标检测方法。主要工作有:(1)基于紧缩极化分解理论和重构的紧缩极化SAR数据,本文全面分析了得到的36个紧缩极化特征的船海散射特性差异,并利用船海距离评价了其船只目标检测性能,得到了6个最优的紧缩极化SAR船只目标检测特征,分别为圆度,相对相位,圆极化比,散射角,紧缩极化散射角和椭圆方位角。(2)针对上述圆度等6个紧缩极化特征,本文统计分析了其船海对比度,入射角,窗口大小和船只长度对船只目标检测性能的影响,为后续紧缩极化SAR船只目标检测相关研究提供参考。(3)基于紧缩极化散射矢量和X-Bragg散射模型,建立了紧缩极化SAR船只目标检测模型。基于上述模型,本文以圆极化比,相对相位,圆度为例分析了紧缩极化SAR特征的船只目标和海面散射特性差异。在此基础上,提出了新的紧缩极化特征参数,称为相位因子。与其他6个紧缩极化SAR特征相比,综合分析了相位因子的优势,首先利用紧缩极化SAR船只目标散射模型推导了相位因子的旋转不变特性,相位因子的特征值与海面粗糙度无关,证明了相位因子的稳定性,其次,与其他6个紧缩极化SAR特征相比,5景影像中,相位因子特征的船海距离为其他特征船海距离的1-3倍不等,证明了基于相位因子的船只目标检测性能最优。(4)发展了基于相位因子的紧缩极化SAR船只目标检测算法,介绍了其船只目标检测算法流程,采用重构的紧缩极化SAR数据进行实验,选取了5个检测区域,实验结果表明,与传统的K-CFAR和G0-CFAR相比,基于相位因子的紧缩极化SAR船只目标检测算法的品质因数(FOM)最高,为0.99,而K-CFAR和G0-CFAR的FOM分别为0.90,0.59,所以基于相位因子的船只目标检测方法性能更优,并且有效克服了传统CFAR方法因虚警率设置产生的算法自动性差的缺点。

关键词： SAR 紧缩极化船只目标检测极化特征

船载HFSWR船只目标多维样本库构建方案设计

在线全文

同方学位论文库

学校读者我要写书评

暂无评论

实验技术与管理 2025年

作者：纪永刚任继红李发瑞李桃利王佳伟中国石油大学(华东)海洋与空间信息学院自然资源部海上丝路海洋资源环境组网观测技术创新中心

深度学习方法在船载高频地波雷达（HF surface wave radar，HFSWR）船只目标检测中得到应用，然而其成功的关键在于构建精准全面的目标样本库。当前基于距离-多普勒（range-Doppler，RD）谱检测结果的单一维度样本库不完备，限制了模型... 详细信息

深度学习方法在船载高频地波雷达（HF surface wave radar，HFSWR）船只目标检测中得到应用，然而其成功的关键在于构建精准全面的目标样本库。当前基于距离-多普勒（range-Doppler，RD）谱检测结果的单一维度样本库不完备，限制了模型的学习效果。为解决该问题，该文设计了一种船载HFSWR目标样本库构建方案，包含3个维度：①基于RD谱的检测结果结合自动识别系统（Automatic Identification System，AIS）验证RD维度；②基于多帧航迹段识别RT（range–time）/DT（Doppler-time）维度；③基于时频分析检测TF（time-frequency）维度。通过对3个维度的匹配和重合目标筛除以构建样本集。最后，利用实测数据构建的目标样本库对基于U-Net的目标检测网络进行训练和测试，结果表明该样本库可满足基于深度学习的目标检测模型训练需求。

关键词：船载HFSWR 船只目标检测多维度信息融合目标样本库构建深度学习

基于改进区域卷积神经网络的SAR图像船只检测方法

在线全文

同方期刊数据库

学校读者我要写书评

暂无评论

中国海洋大学学报（自然科学版） 2019年第S02期49卷 185-191页

作者：石洪基郎海涛宋棋聂晓风郭展宏刘梦茜北京化工大学数理学院物理与电子科学系北京100029

准确地掌握船只目标的位置和分布对海上交通管理、海洋事故救援及海洋环境保护等非常重要。近年来,合成孔径雷达(SAR)广泛应用到海上船只目标探测中。本文提出一种基于深度学习框架的船只检测方法,该方法根据SAR图像中船只目标的特点,... 详细信息

准确地掌握船只目标的位置和分布对海上交通管理、海洋事故救援及海洋环境保护等非常重要。近年来,合成孔径雷达(SAR)广泛应用到海上船只目标探测中。本文提出一种基于深度学习框架的船只检测方法,该方法根据SAR图像中船只目标的特点,对区域卷积神经网络的输入部分及目标候选框提取部分做出了适应性改进,并对训练方法进行了优化。实验表明,本文提出的方法能够在不同分辨率的SAR图像中检测出密集分布、沿岸分布等不同场景下不同大小的船只目标,且检测结果不受旁瓣等噪声的干扰,能够完整地保留船只目标的细节信息,实现整体检测。

关键词：船只目标检测快速区域卷积神经网络深度学习合成孔径雷达

维普期刊数据库

在线全文

学校读者我要写书评

暂无评论

显著性感知的卷积神经网络监控视频船只检测

显著性感知的卷积神经网络监控视频船只检测

作者：王岭钢武汉大学

学位级别：硕士

为了能够获悉海洋资源状况,确保海洋安全,人类迫切需要对海洋状态进行准确监测。如何及时、高效、低成本、自动化的对船只的类别和位置进行检测,对于海洋安防工作具有很大的应用价值和研究意义。随着计算机视觉技术的不断发展,基于监控... 详细信息

为了能够获悉海洋资源状况,确保海洋安全,人类迫切需要对海洋状态进行准确监测。如何及时、高效、低成本、自动化的对船只的类别和位置进行检测,对于海洋安防工作具有很大的应用价值和研究意义。随着计算机视觉技术的不断发展,基于监控视频的船只目标检测成为领域研究的热点,引起了国内外学者的广泛关注。而卷积神经网络(CNN)在自然图像分类和目标检测方面的巨大成就,让很多国内外学者放弃传统的基于人工预定义特征的方法,选择卷积神经网络来进行船只目标检测方面的研究。而显著目标检测可以帮助人们快速定位图像中感兴趣的目标区域。它被广泛应用于计算机视觉相关的任务当中。受这些工作的启发,许多研究人员开始在船只检测中利用显著性信息。论文首先介绍船只目标检测以及显著性检测的基础理论模型和方法。首先介绍传统的船只检测算法的检测流程,然后介绍了基于CNN常见的目标检测模型和算法,再介绍常见的显著性检测模型,并从局部对比度和全局对比度两个角度探讨了显著性检测算法,最后介绍了船只目标检测算法的实验效果评价指标。其次,论文结合了深度学习算法和显著性检测算法,提出了一种结合显著性特征和海岸线的卷积神经网络(Saliency-aware CNN)。针对卷积神经网络容易误分类的情况,通过提取可靠的海岸线特征来辅助卷积神经网络分类;针对卷积神经网络船只位置预测不够准确的情况,结合海岸线特征对卷积神经网络生成的区域框进行显著性检测,优化最终的船只位置,有效改善船只检测的结果。第三,本文基于组内创建的Seaships船只数据集来进行实验。实验从五个方面进行对比:(1)将本文提出的Saliency-aware CNN方法与主流目标检测方法对比,验证本算法在准确度和实时性上的改进效果,并总结实验结果;(2)将其他显著性检测方法与卷积神经网络结合后与本算法进行对比,验证本文选取的显著性检测方法的优势,并总结实验结果;(3)再将本文提出的算法与未添加海岸线特征的算法进行对比,来验证海岸线特征的作用;(4)然后将本论文提出的算法与传统的船只检测算法进行对比,来证明算法在复杂环境下具有更高的准确性和实时性;(5)为了对比监控视频船只检测与遥感船只检测的效果,实现了了卫星遥感影像的船只检测方法,证明本论文提出的算法在船只实时检测上的优势。本论文的主要创新是:基于YOLOv2算法提出一种结合显著性特征和海岸线特征的卷积神经网络(Saliency-aware CNN)。先用卷积神经网络预测出船只的类别和初始位置,通过提取可靠的海岸线特征辅助卷积神经网络分类;然后提取卷积神经网络生成的区域框的显著性特征,并将海岸线特征结合在显著性检测过程中,优化得到最终的船只位置,使最终的船只位置更为精确。

关键词：船只目标检测卷积神经网络显著性检测海岸线检测监控视频

基于多尺度静态小波分解的改进型CFAR船只检测算法

在线全文

同方学位论文库

学校读者我要写书评

暂无评论

遥感信息 2010年第2期32卷 73-78页

作者：郭经张红王超吴樊中国科学院对地观测与数字地球科学中心北京100086 中国科学院研究生院北京100049

SAR船只目标检测是实现海上安全监测的有效手段。由于在海杂波较为复杂的情况下,传统CFAR算法对于弱小船只检测效果不佳,本文提出了基于多尺度静态小波分解的改进型CFAR检测算法。首先通过实验选出最优小波基及最佳小波分解级数,再利用... 详细信息

SAR船只目标检测是实现海上安全监测的有效手段。由于在海杂波较为复杂的情况下,传统CFAR算法对于弱小船只检测效果不佳,本文提出了基于多尺度静态小波分解的改进型CFAR检测算法。首先通过实验选出最优小波基及最佳小波分解级数,再利用幂运算对经多尺度乘性增强的小波系数进行优化,以增强船只与海洋背景的对比度,从而运用简单的CFAR算法即可得到较好的检测效果。最后,以新型星载ALOS-PALSAR数据为例,通过与传统CFAR算法的对比实验,验证本文算法的有效性。实验表明,利用Sym2最优小波基的较强边缘检测能力以及小波多尺度乘性增强,双重强化了船只目标的边缘影像特征,并有效抑制了海杂波噪声,使得本文算法在提高检测率与降低虚警率两方面都优于传统CFAR算法,有利于高海杂波下弱小船只的检测。

关键词：船只目标检测 SAR CFAR 静态小波最优小波基

维普期刊数据库

在线全文

学校读者我要写书评

暂无评论

中低分辨率光学卫星星上船只处理系统

中低分辨率光学卫星星上船只处理系统