基于卷积神经网络的船舶分类模型

近年来智能交通发展迅速,但目前的研究大多是关于陆上交通的研究,分类任务也大多数是关于日常物体的分类,现在基本上很少有关于船舶分类的研究。但船舶分类对于航道安全,航道监管具有重要意义。卷积神经网络是近年来学术界和工业界广泛关注的一种图像处理方法。本文将近年来十分热门且高效的卷积神经网络应用到船舶分类任务当中,将船舶分成五类,构建了基于卷积神经网络的适应实际情况的船舶分类模型。一方面填补了这个领域研究上的空白,另一方面为船舶管理提供了一个新的方法。

有所“轻”,有所“重”

百丽展现了一条充分利用既有优势的渐进"轻"化之路,对那些完全外包的轻公司而言,它又证明实质的轻比形式上的轻更为重要。而尽管十分机敏地发掘了中国服装业产能和次级商业地产过剩、消费者对品牌需求增加的机会,"轻"化了除渠道以外的其他环节,但ITAT在最关键的渠道销售能力上却举步维艰。

基于深度学习的船舶流量统计系统设计与实现

使用深度学习SSD算法对采集到的船舶目标数据集进行学习训练,再利用训练得到的模型进行船舶目标检测。通过检测目标进行匹配得到相应的轨迹,根据设定的检测线进行目标流量统计,最后对算法进行模块集成并设计相应的软件界面。将深度学习SSD算法引入船舶目标检测领域后,与传统检测方法相比,其精准率得到大大提高,能够准确实现多目标船舶检测,并在此基础上进行可靠的流量统计。结果表明,集成的应用系统具有良好的性能,能满足实时性要求,流量统计的准确率可达90%以上。