原文传递
基于CNN的卫星图像下舰船目标检测与识别
| 论文题名： | 基于CNN的卫星图像下舰船目标检测与识别 |
| 关键词： | 舰船;目标检测;目标识别;卫星图像 |
| 摘要： | 近年来，高精度传感器和卫星发射技术得到了长足发展和进步，使得在短时间内获取全球任意位置高精度遥感图像成为可能。同时，基于卷积神经网络的图像检测与识别技术自2012年AlexNet问世后，也实现了理论的快速发展和工程的大量落地。目前，针对海上搜救、军事监控和渔业管理等应用场景，仍然大量采用人工搜索、雷达声呐等传统方案，存在搜救效率低、人工成本高、对抗隐身和恶劣地形能力差等缺陷。相较于传统方法而言，基于卷积神经网络的相关技术具有高精度、快速性、全天候性、低误检率、低成本等优势。基于上述研究背景，本文探索了基于卷积神经网络的图像检测与识别技术向舰船卫星遥感领域的迁移应用，同时拓展研究了基于卷积神经网络的实例分割技术，用以实现更高精度的目标检测与识别。具体地，本文主要进行了以下几个方面的研究。 （1）明确了图像分类任务和目标检测任务之间的区别和联系，介绍了卷积神经网络的相关概念，包括其定义、特点、应用，并详细介绍了其主要组件。此外，按照是否存在regionproposal提取模块的标准，从单阶段目标检测和两阶段目标检测两个方面介绍了当前主流的目标检测网络，并着重介绍了单阶段目标检测网络中的YOLO和SSD网络，以及两阶段目标检测网络中的RCNN系列网络。 （2）介绍了实验使用的卫星遥感数据集、深度学习框架、虚拟环境、硬件配置以及评价指标，详细研究了SSD、YOLO、FasterRCNN等主流目标检测网络在DIOR数据集上的检测性能，探索了几个通用性改进措施在DIOR数据集上的效果。 （3）指出了水平目标检测算法在应对卫星遥感图像中的旋转目标检测时存在的局限性，总结了水平检测向旋转检测改进的主要思路，探索了基于现有数据生成旋转标签的有效方法，并基于单阶段目标检测算法的代表YOLOv5和两阶段目标检测算法的代表FasterRCNN分别实现了针对旋转目标检测的改进。 （4）研究了基于卷积神经网络的实例分割技术向舰船卫星遥感检测领域的迁移应用。在修正HRSC2016数据集错误标签的基础上，横向连接了旋转目标检测的研究成果，纵向探索了基于旋转目标检测框修正实例分割结果的有效性。 |
| 作者： | 胡凯旋 |
| 专业： | 船舶与海洋工程 |
| 导师： | 杨飏 |
| 授予学位： | 硕士 |
| 授予学位单位： | 大连理工大学 |
| 学位年度： | 2022 |
检索历史
应用推荐
