论文部分内容阅读
在日趋错综复杂的国家海洋权益保护行动中,自动海面态势感知能力显得愈发重要。其中一项关键技术是实时海面船只类型自动检测与识别。由于传统形态学图像操作算子的特征提取方法在海面复杂背景、拍摄角度各异、成像条件多变的情形下被证明效果十分不理想,为此,本论文提出了基于深度学习的舰船检测与识别方法,来克服上述诸多因素带来的困难,以期实现实时且准确率较高的船只自动检测与类型识别系统。 为克服在使用深度学习方法中遇到的训练数据匮乏的问题,本文半监督学习、迁移学习、模型抗噪以及抗过拟合四个层面,由表及里,层层递进地对本文所提出的舰船识别模型进行了增强。 为了利用大量无标记舰船图像样本来增强舰船识别模型,本文提出了一种新的基于半监督学习的神经网络模型:混合学习神经网络(Hybrid Learning Network,简称HLN)。该网络允许模型同时进行无监督学习和有监督学习,能利用少量标记样本结合大量无标记样本进行混合学习。实验验证了本文提出的HLN模型在舰船识别任务中,以及一些公开的图像分类识别任务中,都呈现出一定优势。 为了利用大量非舰船图像样本来增强舰船识别模型,本文提出了一种精确迁移学习(Accurate Transfer Learning,简称ATL)算法,该算法能在仅存在少量的标记样本的条件下,自动构建最佳的迁移学习的深度神经网络模型,并训练和验证。另外,该算法能保证模型的推理效率达到给定的指标。 研究表明目标在图像中的背景噪声复杂度很大程度上影响了模型识别结果的好坏,为了增强模型的抗噪能力,本文提出了一种噪声感知(Noise Perception,简称NP)算法。该算法能利用舰船的背景图像样本增强舰船识别模型的抗噪能力。 本文研究了深度学习模型中损失函数对模型收敛和最终识别正确率的影响。并在此基础上提出了一种称为规范化松弛损失(Normalized Soft Loss,简称NSL)的、全新的、适用于分类识别任务的损失函数,该损失函数的基本原理启发自增强学习,并在舰船类别识别任务上进行了多方面的对比实验,结果表明该损失函数在该应用环境中是十分有效的。 最后,为实现端到端的舰船自动检测与识别能力,本文基于Tensorflow开发了一套集舰船图像载入、图像预处理、舰船定位与检测以及舰船识别的功能于一体的系统,该系统的舰船检测与识别效率可以满足海面态势感知的实时性要求。