【摘 要】
：
目前,深度学习算法已经广泛应用于SAR（Synthetic Aperture Radar）图像的舰船目标检测领域。不过,由于舰船目标在SAR图像中呈现分布稀疏、尺寸差异大、长宽比悬殊等特点,这导致传统Faster R-CNN算法检测这种类型的舰船目标时存在准确率低、漏检率高等问题。针对上述问题,本文开展的主要工作如下:首先,针对传统Faster R-CNN算法在检测舰船目标存在的局限性,提出了一种
论文部分内容阅读
目前,深度学习算法已经广泛应用于SAR（Synthetic Aperture Radar）图像的舰船目标检测领域。不过,由于舰船目标在SAR图像中呈现分布稀疏、尺寸差异大、长宽比悬殊等特点,这导致传统Faster R-CNN算法检测这种类型的舰船目标时存在准确率低、漏检率高等问题。针对上述问题,本文开展的主要工作如下:首先,针对传统Faster R-CNN算法在检测舰船目标存在的局限性,提出了一种基于改进Faster R-CNN的目标检测网络。采用Guided Anchoring-RPN处理长宽比悬殊的舰船目标,结合卷积层和全连接层对舰船目标进行识别和位置回归,这样降低了舰船目标的误检率,也提高了预测锚框对舰船目标的包裹性。针对小型舰船漏检的问题,利用特征金字塔结构生成多尺度融合特征用于分类和回归,并通过RoIAlign减少训练过程中的量化误差,从而提高检测网络对小目标的检测性能。其次,针对开源数据集SAR-Ship-Dataset,从检测精度、预测锚框PR曲线、鲁棒性和泛化性能等方面对提出的检测网络、传统Faster R-CNN网络和SSD网络进行了对比实验和分析。在检测精度方面,提出的检测网络相比传统Faster R-CNN网络和SSD网络分别有6.6%和10.9%的性能提升;从预测锚框PR曲线上来看,提出的检测网络具有更高的检测准确率和更低的漏警率;在鲁棒性方面,提出的检测网络在四种不同类型噪声情况下的检测性能都优于其它两种网络;在泛化性能方面,提出的检测网络在SSDD数据集上的准确率最高,泛化性能更好。综合来看,针对小型尺寸和长宽比悬殊的舰船目标,提出的检测网络比其它两种网络具有更优的检测性能、更低的漏检概率、更强的鲁棒性和更好的泛化性能。
其他文献
命名实体识别是自然语言处理技术中的基础任务。作为转化非结构化文本数据的关键步骤和重要手段,命名实体识别在信息提取、问答系统、文本分类等任务中都有着重要作用。尽管命名实体识别技术发展逐渐完善,但是在进行中文命名实体识别任务时仍存在以下问题:（1）数据集获取困难,没有统一规范的处理模板;（2）预处理阶段考虑字词特征不充分,忽略上下文的语义信息;（3）无法有效识别嵌套实体。因此,如何进一步提高中文命名实
在一些图像存储和传输资源有限的情况下,图像一般需要经过比特深度重量化来满足资源要求,随后再经过比特深度重建来生成原始比特深度的图像。其中图像比特深度重建技术旨在解决比特深度重量化给图像带来的伪轮廓和颜色失真问题,但对于重量化导致的图像结构信息丢失却没有办法重建。而现阶段的比特深度重建技术又只单一地针对低位截断这一简单的比特深度重量化方式进行图像重建,这严重地限制了最终的重建图像质量。本文主要围绕图
随着移动互联网的高速发展,人们对基于定位追踪的位置服务需求也日益增长。现有的卫星定位技术只在没有障碍物遮挡的室外环境中适用,而难以在复杂的室内环境中提供准确的位置信息。为此许多学者提出了大量基于不同传感器的室内定位方法。但现有的室内定位方法普遍存在一个问题,即观测到的传感器数量和种类会随着时间变化而不断改变,使得定位样本和指纹库中样本维度异构,从而造成定位误差的增加。迁移学习能够从一个域中学习知识
自动驾驶汽车控制系统是一种自主决策系统,它主要处理来自车载雷达和视觉检测传感器的观测流。目前基于车载雷达的目标检测技术已经相对成熟,为了完善整套自动驾驶系统,对于卷积神经网络的视觉检测性能要求也在不断提高。在视觉检测领域,已经出现了众多高精度的目标检测网络,例如YOLO等网络,但这类网络结构复杂度高,无法有效地嵌入到小型处理器中进行实时使用。在自动驾驶的视觉系统中,车载雷达摄像头的处理器属于小型处
近年来,随着诱饵技术的蓬勃发展,传统的针对目标外形特征和红外特征的弹道目标识别已经应用较少。此时,利用目标的微动特征进行目标识别的方法受到了国内外学者的重点关注。弹道目标的微动特征体现了目标的微动形式以及部分构件的特征,可以反映弹道目标中弹头和诱饵的差异。因此,本文主要研究了中段弹道目标的平动补偿算法以及从平动补偿后的微多普勒中提取特征进行弹道目标识别的算法。主要研究内容如下:1.研究了进动、摆动
空间谱估计是阵列信号处理的一个重要分支,广泛应用于雷达、通信等各个领域。传统的空间谱估计算法是模型驱动的,即根据预先建立的函数模型与接收信号之间的匹配情况对空域参数进行估计。然而当阵列流形存在误差时,模型与数据的匹配失效,使得该类算法的性能明显降低。为了解决这个问题,本文运用机器学习方法构建网络模型直接学习接收信号与空域参数之间的非线性关系,实现误差条件下的波达方向估计。本文围绕空间谱估计问题,结
临床医学中眼底图像能反映各种疾病的早期症状,眼科医生可通过视网膜血管实现早期诊断。现实世界中视网膜血管结构复杂且医师在诊断时具备主观性,因此设计一种视网膜血管自动分割方法对于减轻医师负担和早期诊断至关重要。当前医学图像领域中深度学习已成为主流方法,它相较于传统分割方法避免了人工提取特征的过程,使得最终分割结果更为客观。本文基于上述背景,采用深度学习从以下三个方面进行视网膜血管分割研究:1.基于编码
分类是机器学习领域经典而核心的问题,也是人脸识别、图像分割、目标重识别、目标检测等复杂任务的基础,分类结果的质量好坏直接关系着上层复杂任务的性能。随着社会和科学的不断发展,日益增长的人工智能和深度学习的工程应用对分类这一基础任务的性能（泛化性及鲁棒性）也提出了更高的要求。本文以基于深度学习的大间隔分类方法为研究课题,着眼于广泛使用的Softmax交叉熵损失函数的分类方法,重点研究在当下大间隔分类方
随着物联网技术的蓬勃发展,基于室内位置服务的市场需求与日俱增。室内定位中的指纹式定位方法因其在复杂的室内环境中抗干扰能力强得到广泛应用。传统的指纹式室内定位算法假设离线建库阶段的信号强度分布与在线定位阶段的信号强度分布是一致的。然而,信号强度分布经常因环境变化、设备异构等因素发生变化,此外无线接入点的缺失或新增会导致特征维度异构。迁移学习通过将源域的知识迁移到目标域中可以减轻环境变化和设备异构引起
分布式阵列是当下研究热点。分布式阵列的协作波束成形技术用于通信网络中信号的定向发送和接收,通过多天线发送相同的信息,将多路信号进行合成,得到所需的理想数据信号。每个传输节点作为单独的发送端同时发送。由于传输节点的不同在频率、时间、相位上存在偏差,导致接收端信号强度损失。此外,在现实的阵列系统中,受到阵列几何不确定性以及电磁耦合等多方面因素影响,阵列误差广泛地存在且不可避免。各类算法基于理想化所建立