小样本元学习网络在海上船舶识别中的应用

为提高多场景环境下的海上船舶目标识别的准确率,提出了一种基于小样本元学习网络的海上船舶识别算法。首先,利用一组共享权重的卷积神经网络VGG-16和Swin Transformer网络将海上船舶图片映射到深度全局和局部特征空间,构造多尺度特征;然后,借助船舶图片的真实mask分离目标船只的前景和背景,并利用一种粗细结合的语义学习策略获取前景和背景区域中目标的类特定语义表示;最后,利用一种无参数的度量学习计算所学类特定语义表示与查询图片中目标映射特征之间的相似度,根据相似度值预测目标特征图对应的目标区域。通过在构建的远洋船舶数据集和开源数据集HRSC2016上进行测试,所提模型分别可以实现81.64%和78.93%的平均交并比(Mean Intersection over Union, mIoU),相比主流的海上船舶识别模型具有更好的性能。

基于ResNet50和改进注意力机制的船舶识别模型

海洋船舶的自动识别对缓解海上交通压力起着重要作用。针对当前船舶自动识别率较低的问题,提出一种基于ResNet50(Residual Network50)和改进注意力机制的船舶识别模型。首先,自制船舶数据集并划分为训练集、验证集和测试集,采用模糊、增加噪声等方法得到增强数据集;其次,设计改进注意力模块——高效空间金字塔注意力模块(ESPAM)和船舶种类识别模型ResNet50_ESPAM;最后,将ResNet50_ESPAM与其他常用的神经网络模型对船舶数据集进行训练验证并对比。实验结果表明,ResNet50_ESPAM在验证集最高准确率为95.5%,验证集初始准确率为81.2%,与AlexNet(Alex Krizhevsky Network)、GoogleNet(Google Inception Net)、ResNet34(Residual Network34)、ResNet50和ResNet50_CBAM(ResNet50_Convlutional Block Attention Module)等模型相比,模型验证集最高准确率分别提升了5.1、4.9、2.6、1.6和1.4个百分点,验证集初始准确率分别提升了49.4、44.7、27.7、3.0和2.1个百分点。实验结果表明ResNet50_ESPAM在船舶种类识别方面具有较高的识别精度,验证了改进的注意力模块ESPAM的有效性。

基于深度学习的船舶识别算法研究

目标检测是深度学习最重要的任务之一,在各种应用场景都发挥着重要作用,比如:人脸检测、车辆自动驾驶检测、遥感检测等。本文以YOLOv8模型为基线,探讨深度学习算法在船舶识别领域的应用,以完成对图像中船舶目标的精准检测与识别任务,实现端到端的训练目标。基于PyQt5设计了用户操作界面,用于系统的展示和测试。实验测试结果表明,改进后的方法在计算量略微下降的同时提升平均精度到84%。

基于深度学习的船舶识别与轨迹预测

文章针对当前船舶识别与轨迹预测方法中存在的准确性和实时性不足的问题,提出了一种基于深度学习的解决方法。通过设计并优化卷积神经网络(CNN)的结构,提高船舶识别以及轨迹预测的准确率,并对文章所提出的方法进行了实验分析,最终,实验结果表明,该模型在处理复杂海洋环境下的船舶识别和轨迹预测任务中表现出色,能够有效提升船舶识别与轨迹预测现有技术的性能。

长江上海段异常船舶识别研究

针对长江上海段的船舶异常问题,提出了一种基于多元大数据技术的判断模型。现有异常船舶识别方法存在数据孤岛难题,难以发现有效关联关系,基于此,研究长江上海段异常船舶识别方法。首先,基于多元大数据技术整合船舶航迹信息、人船关联信息等多个数据源,并利用粒子群优化模糊神经网络实现异常船舶识别。实验结果表明,设计方法的识别精度最高达到了93%,具有一定的实用性。

全局注意力关系网络的小样本船舶识别

实际场景中采集的船舶目标类别样本数量不均衡,模型训练易导致过拟合。传统迁移学习的数据集划分存在类别交叉,造成未标注新类别识别精度低。为解决上述问题,提出了一种跨目标通用全局注意力机制与关系度量网络融合的小样本船舶识别算法。该方法通过在关系网络中引入全局注意力机制,利用关系网络提取到的原始特征,经过全局注意力机制平滑不均衡类别间的目标特征,并与关系网络提取的原始特征融合后进行特征距离度量。该方法增强了全局特征之间的一致性,有利于学习不变的目标特征,提升少样本少标签的船舶目标识别性能,解决了训练过程中类别不均衡导致的过拟合问题。利用自己采集制作的船舶数据集对本文方法进行测试实验,识别精度提高了5.6%(5-shot)、3.2%(1-shot),减小了不均衡类别对模型目标识别造成的影响,增强了模型的鲁棒性。

基于深度卷积神经网络的船舶识别方法研究

为解决目前船舶识别率较低的问题,基于深度卷积神经网络算法,提出一种在深度卷积神经网络基础上的改进算法。利用卷积神经网络对船舶图片进行深度特征提取,结合HOG算法得到准确的边缘特征,结合HSV算法得到颜色特征,通过SVM分类器对船舶进行分类。算法主要包括2个阶段:训练阶段实现卷积神经网络的预训练,将得到特征归一化,PCA降维,通过HOG算法得到边缘特征,最后训练SVM分类器;测试阶段则对算法的准确性进行核实。实验结果表明,该方法平均识别正确率达到93.6%,可以很好地实现船舶识别。

基于无线传感器网络的船舶识别方法

本文总结了基于无线传感器网络的船舶识别方法,并进行可行性分析,提出基于Zig Bee的无线传感网络身份自动识别技术。理论分析表明,基于WSN的船舶识别技术具有良好的兼容性、抗干扰性和安全性,对船舶产业的发展具有很好的促进作用。

基于有源RFID技术的船舶识别与控制终端系统研究

RFID技术是一项较为成熟的自动识别技术,本文将其应用于船舶识别和终端控制系统中。在RFID技术中最为核心的问题是防止碰撞算法。在研究过程中,本文首先构建系统的架构,然后通过改进的动态帧时隙算法进行电子标签避碰,最后通过实例来说明,通过吞吐量的判决可以保证帧长度不变,从而有效对标签的帧长度进行估计,从而实现船舶的有效识别。

基于大数据分析的港口停泊船舶识别方法

针对港口图像背景复杂、数据量大,影响船舶识别效率的问题,提出基于大数据分析的港口停泊船舶识别方法。选取Hadoop云计算框架,利用分布式处理方法,并行处理海量港口数据。Hadoop利用数据分析平台,运行Top-hat分水岭分割方法,该方法利用港口图像的局部极小值确定分水岭位置,计算分水岭位置的梯度函数,依据设置的阈值分割港口图像。将分割后的图像作为卷积神经网络的输入,卷积神经网络通过对图像实施卷积和池化操作,输出港口停泊船舶识别结果。实验结果表明,该方法可以精准识别晴天、雨天等不同背景下的港口停泊船舶,船舶识别时间低于40 ms。

基于更快区域卷积神经网络的多视角船舶识别

针对在复杂海洋环境下采集船舶多视角图像难度大、不同视角下船舶外观差异显著的问题,本文以自制的不同类型的多艘船舶的多视角图像为数据集训练更快区域卷积神经网络模型,利用平均F1分数、平均精度和平均误检率作为评价指标评估更快区域卷积神经网络模型对不同视角船舶的识别性能,并通过识别不同船舶的F1分数和误检率分析更快区域卷积神经网络对不同质量、背景图像的识别能力。实验结果表明,更快区域卷积神经网络识别多角度船舶的平均F1分数为0.6969,平均精度为92.88%,平均误检率为8.34%,即更快区域卷积神经网络对多视角船舶有较高的识别能力,但对于有雾或昏暗环境下的低像素图像识别能力明显下降。

改进CNN及其在船舶识别中的应用

卷积神经网络在图像识别方面具有独特的优越性,但在实际场景中,其识别结果会受到图像背景的干扰。船舶识别中图像的背景因素极其复杂,因此,结合显著性检测算法,从图像中分离出待识别的船舶,通过卷积神经网络进行船舶识别。鉴于显著性检测很难在复杂图像中完整的分离背景和前景,提出两种改进卷积神经网络的方法,即"中心-扩散池化"卷积神经网络和"前景-扩散池化"卷积神经网络。实验结果表明,改进的卷积神经网络表现出更稳定的表征能力和更好的泛化能力,结合显著性检测算法改进的卷积神经网络在船舶识别中取得了很好的成效。

基于多分类器融合的SAR图像船舶识别

本文提出了一种新的基于多分类器融合的SAR图像船舶识别算法。综合考虑各种算法的复杂度、准确性和相互之间的差异性,本文选择KNN分类器、贝叶斯分类器和神经网络分类器作为典型分类器,并用支持矢量机(SVM)来融合上述三个典型分类器的分类结果。该算法首先计算三个典型分类器的度量值,然后将它们的融合结果与船舶特征一起作为SVM分类器的输入;SVM分类器融合各分类器的结果并输出最终识别结果。采用TerraSAR-X数据集进行大量实验,并与典型分类器及其他融合算法相比,本文提出的多分类器融合算法的有效性得到了验证。

基于改进SSD的无人船海上船舶识别算法

针对无人船海上航行时视觉系统获取的图片中船舶识别不准确,以及识别精度偏低的问题,提出了基于改进单镜头多盒探测器(SSD)的无人船海上船舶识别方法。在传统SSD网络的第七层增加L2正则化对其进行改进,使得SSD每个卷积层的参数比较均衡,降低模型对局部特征的敏感性,从而提高船舶识别的置信度。实验结果表明:所提方法具有较好的海上船舶识别效果,并且基于改进SSD训练出的模型具有更好的泛化能力。

模板匹配和BP神经网络在船舶识别中的应用

首先分析模板匹配技术,指出本文采用了序贯相似性检测法进行特征提取;然后设计BP神经网络3层结构,将模板匹配的特征作为输入层的输入向量,经过多次训练学习,得到船舶识别结果;最后利用Matlab和Opencv进行实验仿真,实验结果说明采用模板匹配和BP神经网络相结合的方法比仅用模板匹配的算法能提高识别率。

基于深度学习的复杂气象条件下海上船舶识别

为提高复杂气象条件下海上船舶的识别效果,通过暗通道先验去雾算法减少云雾遮挡对目标识别的影响,使用基于深度学习的YOLO(you only look once)改进算法提高目标识别效果。结果表明:采用的算法在中国航天科工四院指挥自动化中心的模拟海事数据集上,4类船舶目标识别的m AP (mean average precision)达到89. 98%,超过了对比的其他目标识别算法;针对数据集中的云雾遮挡图像,暗通道去雾处理后,目标识别的m AP从53. 25%提升到69. 35%。可见提出的算法可以满足复杂气象条件下的海上船舶识别的需求。

基于深度学习的监控视频中船舶识别方法

针对当前监控视频中船舶识别成功率低、无法进行在线识别的难题,为了对监控视频中船舶进行准确识别,提出基于深度学习的监控视频中船舶识别方法。首先对监控视频中船舶识别原理进行分析,采集船舶识别的监控视频,将船舶识别从背景中分割,然后提取船舶识别的不变矩特征,将不变矩特征输入深度学习算法中进行训练,建立监控视频中船舶识别模型,最后进行了多个监控视频中船舶识别验证性实验。实验结果表明深度学习算法可以准确对监控视频中的船舶进行识别,提高了监控视频中船舶识别成功率,误识率急剧下降,远低于当前其它监控视频中船舶识别方法,实时性要也要高于其它识别方法,是一种速度快、结果可信的监控视频中船舶识别方法。

复合翼无人机平台的下视红外船舶识别算法

由于复合翼飞行器在飞行过程中速度快,对红外目标识别算法的实时性有着更高的要求。针对快速目标识别的迫切需求,本文提出了一种基于改进YOLOv4的红外船舶识别算法YOLOv4-Gd。该算法首先将空间注意力机制与通道注意力机制相结合作用在主干网络CSPDarknet提取出有效特征层上,使得船舶目标的特征占据更大的权重,以此增强神经网络对特征的学习能力。其次,使用深度可分离卷积替换主干网络CSPDarknet的传统卷积,在确保不丢失大量信息的同时极大降低网络的模型参数,提高网络的实时性。引入可学习权重的双向特征融合BiFPN模块,增加网络对不同输入特征层的学习能力及多尺度特征融合能力,最后对主干网络层数进行优化。实验结果表明,优化后的算法在复杂背景、小尺度目标及多目标等应用场景的平均准确率提升了2.22%,同时FPS达到48.9,为在移动边缘计算平台上实现红外舰船目标识别提供了飞行试验基础。

基于改进YOLOv5深度学习的海上船舶识别算法

为提高多目标和雾天环境下的海上船舶识别准确率,提出一种基于改进YOLOv5深度学习的海上船舶识别模型(SE-NMS-YOLOv5),该模型结合暗通道去雾算法(Dark channel),并融合了SE(squeeze-and-excitation)注意力机制模块和改进非极大值抑制模型,对船舶数据集进行训练和测试。结果表明:在船舶识别任务上,SE-NMS-YOLOv5模型的准确率、召回率和F1值分别为90.6%、89.9%、90.5%,检测效果比YOLOv5模型分别提升了6.3%、4.8%、5.8%,比YOLOv4模型分别提升了19.1%、19.0%、19.3%;在雾天船舶识别任务上,SE-NMS-YOLOv5-Dark channel模型的准确率、召回率和F1值分别为88.1%、87.2%、87.6%,比SE-NMS-YOLOv5模型的检测结果分别提升了13.8%、13.3%、13.5%。研究表明,SE-NMS-YOLOv5海上船舶识别模型有效地解决了多目标和雾天条件下,海上船舶检测准确率低的问题,提升了船舶检测和识别的整体效果。