在這科學(xué)技術(shù)不斷發(fā)展的時代,人們的生活范圍不斷的擴大,從陸地上不斷的向海中開拓和發(fā)展。然而水下的環(huán)境相對比較復(fù)雜,因此有效的進行目標檢測成為一項重要的研究內(nèi)容。在以往的技術(shù)中對目標檢測主要依靠人們的經(jīng)驗,得到的結(jié)果具有主觀性,同時這對人們的專業(yè)知識的要求也比較高。對此,需要研究的主要內(nèi)容是如何對目標進行自動的檢測�；�于這樣的背景,本文進行了研究分析。在本文中主要分兩部分進行介紹,第一部分是對線譜的提取,第二部分是對提取到的線譜進行檢測。線譜的屬性能很好的代表目標的類型,因此,在線譜的提取中主要目的是提取到線譜更加完整。在本文中對線譜提取的方法進行改進,生成LOFAR圖時加入對數(shù)函數(shù),可以將強弱線譜在有限的動態(tài)范圍內(nèi)顯示出來。線譜提取時,使用了積分函數(shù)來對閾值進行量化。減少人為干預(yù)。提取到線譜之后,如何進行檢測也是非常重要的一個步驟,在本文的研究中,使用的是卷積神經(jīng)網(wǎng)絡(luò)來進行檢測的,傳統(tǒng)的卷積網(wǎng)絡(luò)存在著一些不足之處,訓(xùn)練是需要大量的時間和參數(shù),對硬件的依賴性比較大。針對這種情形,提出了一種基于CNN的快速和壓縮的方法的網(wǎng)絡(luò)模型,在這個模型中,使用的是低階擴張的方式將卷積核進行分解。將一層網(wǎng)...

【文章頁數(shù)】：70 頁

【學(xué)位級別】：碩士

【部分圖文】：

圖2.1卷積示意圖

核心部分是卷積層，權(quán)值共享和局部連接是其最少相應(yīng)的參數(shù)[23]。卷積層中的每一個特征圖中的局部特征。下一層的卷積可以對上一層得到的特，使用的是一個5×5的卷積核卷積操作輸入的特經(jīng)元對輸入的特征圖中的神經(jīng)元信息共享。從而下的圖中的右圖是左邊的特征圖通過卷積之后得的稱為該神經(jīng)元在....

圖2.2采樣層示意圖

圖2.2采樣層示意圖特征圖的大小為m×m，用一個采用尺度為w×大小將會是(mw)×(mh)。圖片的特征主要是通過卷積層和下采樣層。然后會有一層或幾層的全連接的網(wǎng)絡(luò)，常用的分類器的softmax分類器。主要是對在卷積神經(jīng)網(wǎng)絡(luò)中使用比較廣泛的soax分類....

圖2.4稀疏連接方式示意圖

第2章相關(guān)技術(shù)理論基礎(chǔ)的連接是卷積網(wǎng)絡(luò)的一個主要特性。對于傳統(tǒng)的BP神經(jīng)網(wǎng)絡(luò)而言，構(gòu)是每一層中的神經(jīng)元節(jié)點特點，并且各層之間使用的是全連接的形經(jīng)網(wǎng)絡(luò)中相鄰兩層之間采用的是局部連接的形式，所謂的局部連接就局部空間的相關(guān)性，通過與相鄰的每一層的神經(jīng)元節(jié)點相連接而且只[34]....

圖2.5權(quán)重共享示意圖

圖2.4稀疏連接方式示意圖的圖就是局部連接的一種表現(xiàn)形式，相鄰層之間使用是局假設(shè)m1層作為卷積層的輸入層，它的下一層m層中的神個節(jié)點。通過使用這種方式就能降低神經(jīng)網(wǎng)絡(luò)的參數(shù)。而且有多層這樣的結(jié)構(gòu)，視野的區(qū)域?qū)�會被大量的覆蓋，從而使是卷積神經(jīng)網(wǎng)絡(luò)中的另一個非常重要的特征....

本文編號：4044965