导读:本文包含了船只检测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:船只,遥感,卷积,孔径,图像,神经网络,光学。
船只检测论文文献综述
冀彦杰,贺杰,丁庆,李学仕,阎冬[1](2019)在《基于SAR图像快速双参数CFAR船只检测框架》一文中研究指出传统双参数CFAR算法通过设置目标窗口、保护窗口、背景窗口遍历SAR图像实现船只检测。随着SAR图像宽幅化,遍历大幅SAR图像需要消耗大量运算资源,难以做到实时检测。本文针对上述不足,提出一种快速双参数CFAR算法框架,算法通过两级全局滤波生成待检测目标二值图,再对每个待检测像素点进行局部双参数CFAR算法检测。第一级全局滤波对杂波进行统计,第二级全局滤波对目标进行统计,从而减少需遍历像素点的数量,进而提升运算效率。相对于传统双参数CFAR算法,本文提出的算法可在保证检测精度前提下,有效提高检测效率。最后,通过真实SAR图像对比了传统双参数CFAR算法与本文提出算法精度与效率,实验结果验证本算法有效性。(本文来源于《第六届高分辨率对地观测学术年会论文集(上)》期刊2019-09-20)
马骏[2](2019)在《基于遥感数据的内河船只目标检测与航迹形成》一文中研究指出航运安全一直是我国内河航运中有待完善的重要问题。目前,在内河航运中,大部分监管船只的是传统的图像监测系统,而如何在恶劣气象环境下持续有效的监测船只是现有图像监测系统的技术局限。岸基雷达系统可以运用雷达遥感来获取河流遥感数据,通过相关信号处理算法的研究改善此种技术局限。本文以内河航道航行的船只为研究对象,基于超高频雷达获取的河流遥感数据,利用相关信号与数据处理理论算法,对遥感河段内的河流船只进行目标识别与检测研究;同时基于研究结果,尝试进行船只航迹关联与复原研究。研究结果为河道船只的雷达遥感检测技术提供了理论依据与技术支持。本文研究的主要创新点如下:1依据超高频岸基雷达获取的河流遥感数据及河流回波的多普勒频谱原理,获取目标船只的距离、速度信息。并采取两种阵列信号处理的相关算法,对船只方位进行获取,接着根据整合好的船只定位信息进行船只的航迹形成,同时将由两种船只方位确定方法形成的航迹图进行对比分析。2针对所形成的不规则航迹,提出了叁种航迹矫正方法,并根据内河航运特征及相关误差数据对矫正后的航迹进行分析论证。(本文来源于《广西师范大学》期刊2019-06-30)
董珊,杨占昕,龙腾,庄胤,陈禾[3](2019)在《基于结构化稀疏表达的高分辨率光学遥感图像的船只检测》一文中研究指出为克服近岸船只检测中复杂港内背景干扰和基于深度学习算法的大视场光学遥感图像标注工作量大的困难,本文提出了基于小样本集的结构化稀疏表达方法来实现近岸船只检测的算法。构建由近岸船只目标,背景干扰信息和误差矩阵等叁部分子字典组成的结构化稀疏表达字典,经小样本集的字典训练过程生成判别性稀疏编码。首先将多方向近岸船只目标样本与港内复杂背景信息样本经过HOG特征提取和PCA分析对原子进行初始化,然后使用K-SVD和LASSO算法对字典进行训练。在字典中引入误差矩阵对样本的类内差异进行表示,增强了稀疏编码的判别能力和系统鲁棒性。最后提出船只目标区域提取的置信度计算方法,对生成的结构化稀疏编码进行判别,提取船只目标区域,实现船只检测。通过对不同尺寸字典模型、引入误差矩阵前后的结构化稀疏表达模型进行实验,实验结果表明提出的引入误差矩阵的结构化稀疏表达方法的有效性,以及在小样本集下比现有技术方法具有更好的检测性能。(本文来源于《信号处理》期刊2019年06期)
张忠星,李鸿龙,张广乾,朱文平,刘力源[4](2019)在《CCNet:面向多光谱图像的高速船只检测级联卷积神经网络(英文)》一文中研究指出针对实现遥感图像中船只目标的快速检测,提出了一个采用多光谱图像、基于级联的卷积神经网络(CNN)船只检测方法 CCNet.该方法所采用两级级联的CNN依次实现感兴趣区域(ROI)的快速搜索、基于感兴趣区域的船只目标定位和分割.同时,采用含有更多细节信息的多光谱图像作为CCNet的输入,能够提升网络提取特征鲁棒性,从而使得检测更加精确.基于SPOT 6卫星多光谱图像的实验表明,与当前主流的深度学习船只检测方法相比,该方法能够在实现高检测精准度的基础上将检测速度提高5倍以上.(本文来源于《红外与毫米波学报》期刊2019年03期)
王颖[5](2019)在《基于深度学习的卫星图像船只目标检测算法研究》一文中研究指出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%。(本文来源于《北京邮电大学》期刊2019-05-09)
罗巍,陈曙东,龚立晨,李伟炜[6](2019)在《基于深度学习的无人机遥感影像船只检测方法》一文中研究指出传统的目标检测方法针对海量无人机遥感影像检测精度不高,解译时效性差。本文提出一种基于深度学习的无人机遥感影像船只检测方法。首先,通过数据扩增、TTA多图检测和数据标注等手段对原始无人机影像数据进行预处理;然后,结合海量的卫星影像船舶数据对网络进行预训练;最后,依托PyTorch深度学习框架,综合运用U-Net+MASK R-CNN模型融合策略及TTA多模型融合策略对模型进行训练。结果为了验证本文方法的先进性,将未融合U-Net语义分割结果生成的训练模型检测结果及面向对象方法通过构建规则集匹配模板得到的检测结果与本文方法一道进行精度评价。本文方法的检出率、漏检率和误检率分别为88.39%、11.61%和10.53%,优于其他算法。(本文来源于《船舶物资与市场》期刊2019年04期)
陶云红,郎海涛,石洪基[7](2019)在《基于散射相似性参数的全极化合成孔径雷达船只检测》一文中研究指出全极化合成孔径雷达(SAR)数据提供了丰富的散射信息,目前被广泛应用于海上船只目标的检测。本文首先利用一种方便有效的极化散射信息分析法-散射相似性参数统计分析了船只目标与海面的散射特性,重点分析了两者散射机制间的差异,并基于该差异提出了一个新的全极化SAR船只目标检测量(SSM),该检测量同时考虑了极化SAR数据的空间信息,有效提高了船海对比度。然后基于核密度估计提出了对检测量SSM的模型估计方法,结合恒虚警率(CFAR)检测方法实现了对船只目标的检测。利用RADARSAT-2全极化数据对本文的方法进行验证,并与典型的极化SAR船只目标检测方法比较,实验结果表明了本文方法对船只目标检测的有效性。(本文来源于《中国海洋大学学报(自然科学版)》期刊2019年06期)
冯冬青[8](2019)在《基于深度学习的船只光学遥感图像检测和分割》一文中研究指出遥感船只图像检测不仅是海洋信息研究的重要应用方向,也在民用工业领域发挥着重要作用。主要任务有:在广大海域、湖面视场的图像中对目标船只快速检测、定位,并进一步根据目的进行分类、分割。这方面的研究无论对军事还是民用都意义非凡。由于船只图像在尺度,外观上与日常图像的差异使得船只检测任务相对困难。另一方面,近年来由于深度卷积神经网络的发展,使得目标检测任务指标显着提高。但是,在船只检测方面却甚少。因此,本文提出了将深度卷积网络的目标检测应用于船只检测。现在,基于深度卷积神经网络提出的目标检测方法主要有两阶段的Region based on Convolutional Neural Network(RCNN)系列以及单阶段的You Only Look Once(YOLO),Single Shot Multi Box Detector(SSD)。本文围绕遥感船只图像复杂场景和图像中目标船只尺寸较小以及船只狭长的特征,基于Faster-RCNN和Mask-RCNN算法框架分别从检测和分割两个方向介绍船只图像的解译过程。Faster-RCNN包括骨架网络(Backbone)、区域建议网络(RPN)、Fast-RCNN叁部分。Mask-RCNN包含Res Net01+特征金字塔网络(Feature Pyramid Network,FPN)、Faster-RCNN、mask分支叁部分。本文主要内容如下:(1)首先分别介绍基于传统方法和基于深度学习的船只检测的发展现状。(2)简述深度学习领域基础概念和常用的深度卷积网络架构。(3)数据预处理:对数据集中样本统计,去除负样本,将清洗过的数据集分别制作成COCO格式和Poscal_VOC格式数据集,将数据集分为训练集,验证集,测试集,对训练集做数据增强预处理。(4)基于Faster-RCNN的检测方案,提出优化的锚框设计方案:将锚框长宽比和锚框尺度分别设计为[16,32,64],[0.2,1/3.0,1,3,5];并在RPN和Fast-RCNN部分将非极大值抑制(Non-Maximum Suppression,NMS)改为soft-NMS。(5)基于Mask-RCNN的分割方案,提出优化锚框设计方法,将锚框长宽比和锚框尺度分别设计为[1/3.0,1,3],[16,32,64,128,256],在RPN和Fast-RCNN部分将NMS改为sof-NMS。(6)本文工作总结和展望。(本文来源于《电子科技大学》期刊2019-03-20)
楼立志,张涛,张绍明[9](2019)在《基于DPM和R-CNN的高分二号遥感影像船只检测方法》一文中研究指出提出了基于可变形部件模型(deformable part model,DPM)的高分二号(GaoFen-2,GF2)遥感影像船只检测方法,并与区域卷积网络(regional convolutional neural network,R-CNN)进行比较。先将遥感影像分段以获得船只的粗略感兴趣区域(regions of interest,ROI),然后在ROI内计算方向梯度直方图(histogram of oriented gradients,HOG)和卷积特征,再分别由DPM和R-CNN采用HOG和卷积特征。为测试R-CNN的最佳性能,将具有5个卷积层(ZF网)和具有13个卷积层(VGG网)的网络应用于船只检测。使用8张GF2遥感影像的3 523艘船只的实验结果表明,DPM和R-CNN都能以高召回率和正确率检测水中的船只,但对于聚集船只而言,DPM的效果优于R-CNN。基于HOG+DPM,ZF网和VGG网的方法平均精度分别为95.031%,93.282%和93.683%。(本文来源于《系统工程与电子技术》期刊2019年03期)
邢相薇,赵俊保,朱莉珏,崔友群[10](2018)在《SAR图像运动船只目标检测技术探讨》一文中研究指出目标的运动为SAR成像多普勒信息估计带来困难,从而在图像上表现为与静止目标不同的特性,为利用SAR图像实现海上运动船只目标检测带来挑战。本文梳理总结了SAR图像运动船只目标检测技术现状,分析了运动船只目标SAR图像基本特性,面向Sentinel卫星多通道扫描宽幅SAR图像运动船只目标检测方法提出了建议。(本文来源于《第五届高分辨率对地观测学术年会论文集》期刊2018-10-17)
船只检测论文开题报告
(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:
航运安全一直是我国内河航运中有待完善的重要问题。目前,在内河航运中,大部分监管船只的是传统的图像监测系统,而如何在恶劣气象环境下持续有效的监测船只是现有图像监测系统的技术局限。岸基雷达系统可以运用雷达遥感来获取河流遥感数据,通过相关信号处理算法的研究改善此种技术局限。本文以内河航道航行的船只为研究对象,基于超高频雷达获取的河流遥感数据,利用相关信号与数据处理理论算法,对遥感河段内的河流船只进行目标识别与检测研究;同时基于研究结果,尝试进行船只航迹关联与复原研究。研究结果为河道船只的雷达遥感检测技术提供了理论依据与技术支持。本文研究的主要创新点如下:1依据超高频岸基雷达获取的河流遥感数据及河流回波的多普勒频谱原理,获取目标船只的距离、速度信息。并采取两种阵列信号处理的相关算法,对船只方位进行获取,接着根据整合好的船只定位信息进行船只的航迹形成,同时将由两种船只方位确定方法形成的航迹图进行对比分析。2针对所形成的不规则航迹,提出了叁种航迹矫正方法,并根据内河航运特征及相关误差数据对矫正后的航迹进行分析论证。
(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。
船只检测论文参考文献
[1].冀彦杰,贺杰,丁庆,李学仕,阎冬.基于SAR图像快速双参数CFAR船只检测框架[C].第六届高分辨率对地观测学术年会论文集(上).2019
[2].马骏.基于遥感数据的内河船只目标检测与航迹形成[D].广西师范大学.2019
[3].董珊,杨占昕,龙腾,庄胤,陈禾.基于结构化稀疏表达的高分辨率光学遥感图像的船只检测[J].信号处理.2019
[4].张忠星,李鸿龙,张广乾,朱文平,刘力源.CCNet:面向多光谱图像的高速船只检测级联卷积神经网络(英文)[J].红外与毫米波学报.2019
[5].王颖.基于深度学习的卫星图像船只目标检测算法研究[D].北京邮电大学.2019
[6].罗巍,陈曙东,龚立晨,李伟炜.基于深度学习的无人机遥感影像船只检测方法[J].船舶物资与市场.2019
[7].陶云红,郎海涛,石洪基.基于散射相似性参数的全极化合成孔径雷达船只检测[J].中国海洋大学学报(自然科学版).2019
[8].冯冬青.基于深度学习的船只光学遥感图像检测和分割[D].电子科技大学.2019
[9].楼立志,张涛,张绍明.基于DPM和R-CNN的高分二号遥感影像船只检测方法[J].系统工程与电子技术.2019
[10].邢相薇,赵俊保,朱莉珏,崔友群.SAR图像运动船只目标检测技术探讨[C].第五届高分辨率对地观测学术年会论文集.2018