隨著聲成像技術(shù)的成熟和高分辨率成像聲吶的發(fā)展,利用聲吶圖像對(duì)水下目標(biāo)進(jìn)行識(shí)別和檢測(cè)逐漸成為近海國(guó)防與海洋資源探測(cè)的重要手段。針對(duì)傳統(tǒng)的聲吶圖像目標(biāo)識(shí)別和檢測(cè)方法中存在的步驟繁瑣、效率低下以及依賴人工經(jīng)驗(yàn)等諸多缺點(diǎn),本文研究了基于卷積神經(jīng)網(wǎng)絡(luò)的聲吶圖像目標(biāo)識(shí)別與檢測(cè)方法,主要內(nèi)容和成果包括:(1)詳細(xì)介紹了卷積神經(jīng)網(wǎng)絡(luò)(CNN)的基本概念和原理,對(duì)基于CNN的目標(biāo)識(shí)別和目標(biāo)檢測(cè)方法進(jìn)行了闡述。(2)為了研究何種CNN網(wǎng)絡(luò)結(jié)構(gòu)對(duì)聲吶圖像目標(biāo)識(shí)別效果更好,本文設(shè)計(jì)了5種不同的CNN模型,研究了不同的網(wǎng)絡(luò)層數(shù)、卷積核大小以及激活函數(shù)對(duì)聲吶圖像目標(biāo)識(shí)別結(jié)果的影響。(3)為了將CNN方法和傳統(tǒng)的目標(biāo)識(shí)別方法進(jìn)行對(duì)比,本文對(duì)基于人工特征的傳統(tǒng)目標(biāo)識(shí)別方法原理進(jìn)行了簡(jiǎn)單介紹,分析了HOG算子和LBP算子的基本原理,介紹了支持向量機(jī)(SVM)分類器的分類流程,研究了不同SVM核函數(shù)對(duì)聲吶圖像目標(biāo)識(shí)別結(jié)果的影響。(4)將基于CNN的YOLOv3目標(biāo)檢測(cè)算法應(yīng)用至聲吶圖像目標(biāo)檢測(cè)任務(wù)中,并使用k-means聚類算法提高了YOLOv3算法的性能。(5)針對(duì)YOLOv3在聲吶圖像目標(biāo)檢測(cè)過(guò)程中存在的計(jì)算冗余和特征...

【文章頁(yè)數(shù)】：58 頁(yè)

【學(xué)位級(jí)別】：碩士

【文章目錄】：
摘要
Abstract
1 緒論
    1.1 研究背景和意義
    1.2 國(guó)內(nèi)外研究現(xiàn)狀
        1.2.1 卷積神經(jīng)網(wǎng)絡(luò)研究現(xiàn)狀
        1.2.2 聲吶圖像目標(biāo)識(shí)別研究現(xiàn)狀
        1.2.3 聲吶圖像目標(biāo)檢測(cè)研究現(xiàn)狀
    1.3 本文主要研究工作和內(nèi)容安排
2 基于CNN的目標(biāo)識(shí)別與檢測(cè)方法理論基礎(chǔ)
    2.1 基于人工特征的目標(biāo)識(shí)別方法
        2.1.1 HOG特征
        2.1.2 LBP特征
        2.1.3 支持向量機(jī)分類器
    2.2 基于CNN的目標(biāo)識(shí)別方法原理
        2.2.1 卷積層
        2.2.2 池化層
        2.2.3 全連接層
        2.2.4 激活函數(shù)
    2.3 基于CNN的目標(biāo)檢測(cè)方法原理
        2.3.1 YOLOv3目標(biāo)檢測(cè)算法的基本思想
        2.3.2 YOLOv3目標(biāo)檢測(cè)算法的網(wǎng)絡(luò)結(jié)構(gòu)
        2.3.3 YOLOv3目標(biāo)檢測(cè)算法檢測(cè)步驟
        2.3.4 YOLOv3先驗(yàn)框設(shè)置
        2.3.5 YOLOv3輸出結(jié)果解碼
    2.4 本章小結(jié)
3 基于CNN的聲吶圖像目標(biāo)識(shí)別研究
    3.1 基于CNN的聲吶圖像目標(biāo)識(shí)別算法設(shè)計(jì)
        3.1.1 網(wǎng)絡(luò)設(shè)計(jì)
        3.1.2 損失函數(shù)
        3.1.3 訓(xùn)練參數(shù)
    3.2 實(shí)驗(yàn)設(shè)計(jì)
        3.2.1 聲吶圖像目標(biāo)識(shí)別實(shí)驗(yàn)數(shù)據(jù)
        3.2.2 實(shí)驗(yàn)環(huán)境
    3.3 實(shí)驗(yàn)與結(jié)果分析
        3.3.1 基于人工特征方法的聲吶圖像目標(biāo)識(shí)別實(shí)驗(yàn)研究
        3.3.2 基于CNN的聲吶圖像目標(biāo)識(shí)別實(shí)驗(yàn)研究
        3.3.3 實(shí)驗(yàn)結(jié)果對(duì)比分析
    3.4 本章小結(jié)
4 基于CNN的聲吶圖像目標(biāo)檢測(cè)研究
    4.1 實(shí)驗(yàn)數(shù)據(jù)與評(píng)價(jià)體系
        4.1.1 聲吶圖像目標(biāo)檢測(cè)實(shí)驗(yàn)數(shù)據(jù)
        4.1.2 基于CNN的聲吶圖像目標(biāo)檢測(cè)評(píng)價(jià)體系
    4.2 YOLOv3聲吶圖像目標(biāo)檢測(cè)實(shí)驗(yàn)研究
        4.2.1 先驗(yàn)框設(shè)置
        4.2.2 實(shí)驗(yàn)與結(jié)果分析
    4.3 改進(jìn)的FW-YOLOv3 聲吶圖像目標(biāo)檢測(cè)算法設(shè)計(jì)
        4.3.1 基本思想
        4.3.2 單尺度預(yù)測(cè)網(wǎng)絡(luò)
        4.3.3 加權(quán)特征融合
    4.4 改進(jìn)的FW-YOLOv3 聲吶圖像目標(biāo)檢測(cè)實(shí)驗(yàn)研究
        4.4.1 先驗(yàn)框設(shè)置
        4.4.2 實(shí)驗(yàn)與結(jié)果分析
    4.5 本章小結(jié)
5 總結(jié)與展望
    5.1 總結(jié)
    5.2 展望
參考文獻(xiàn)
攻讀碩士學(xué)位期間發(fā)表學(xué)術(shù)論文情況
致謝



本文編號(hào)：4046360