有限空间下船舶遥感图像低分辨率特征识别分析

传统的遥感图像低分辨率特征识别方法在有限空间下很难清晰准确地完成识别工作,尤其是在区分靠岸船舶和离岸船舶问题上显现出很大的局限性。为了解决此问题,研究了一种新的有限空间下船舶遥感图像低分辨率特征识别方法,首先构建了识别框架,阐述了当船舶位于水体中央和停靠在海岸边时采用的不同识别方法;然后介绍了识别过程,识别过程由水体提取、矢量分解、起点终点划分、模拟检测4步构成;最后通过与传统方法进行对比验证了该方法的识别效果,由实验结果可知,研究的识别方法可以快速精准地完成特征识别,具有很大的市场发展空间。

多元线性拟合船舶遥感图像条带噪声分离技术

本文介绍多元线性拟合方法,分析多元线性拟合模型以及参数估计、多元线性模型拟合优度和显著性检验,重点阐述船舶遥感图像信号特征以及船舶遥感图像噪声,提出船舶条带噪声模型及分布规律。最后,结合傅里叶变换以及小波函数研究船舶遥感图像条带噪声分离技术。

人工智能在遥感船舶目标精确检测中的应用

人工智能技术的应用日益宽泛,为了快速实现海上遥感船舶目标检测,要引入人工智能技术和方法进行海上船舶精确检测,转变传统的检测方法,构建大型船舶数据集,采用基于人工智能网络的目标检测网络(FasterR-CNN神经网络),使其准确率和召回率更具有鲁棒性,达到精准检测被测目标的效果。

基于GAN的船舶遥感图像数据增广方法

为了解决光学遥感探测中民用商用船舶和军舰样本不足的问题,提出面向船舶遥感图像的Wasserstein距离生成对抗网络(ship-WGAN)。在ship-WGAN中,生成器网络以U-Net结构为主,并利用重建损失和感知风格损失提高生成器生成图像的能力;在判别器中引入残差模块,减少网络参数的计算量。在Google Earth获取5类船舶遥感图像建立训练集,以此验证ship-WGAN的性能;在生成图像质量方面,峰值信噪比、结构相似性度量、起始距离分别可以达到24.91 dB、0.92、0.99;扩充样本后训练图像识别模型,识别准确率能够提升6%。提出的ship-WGAN可以生成高质量的船舶遥感图像虚拟样本,提高船舶识别的准确率,达到数据增广的效果。

基于脉冲神经网络微调方法的遥感图像目标检测

遥感影像目标检测问题是视觉图像识别任务的重要研究内容之一,但是在船舶遥感图像中,船舶目标小且分布稀疏,使用传统的人工神经网络(ANN)进行目标检测往往会浪费大量的计算资源。脉冲神经网络(SNN)的事件驱动与低功耗特性可以极大地节省能量消耗同时解放更多的计算资源。然而SNN神经元由于其复杂动态与不可微调的脉冲操作,难以正常进行训练。作为替代,将训练好的ANN转换为SNN可以有效规避这一问题。对于转换后的深层SNN,需要大量时间步长(time steps)来维持其性能。这一过程需要大量的计算资源并对产生较大的延迟,与低功耗的研究初衷相违背。本文研究了转换后SNN需要大量time steps维持模型性能的原因,并提出了新的转换方法,基于微调的逐层转换方法;考虑硬件部署的合理性,提出了泊松群编码,相比泊松编码,泊松群编码输出的脉冲序列噪声更小,对模型性能的影响更小。实验表明,微调转换方法在SAR舰船检测数据集(SSDD、AIR-SARShip)上取得与转换前模型(97.9%、79.6%)相近的性能(96.9%、70.3%),在PASCAL VOC数据集上也获得了较好的检测性能(49.2%),而且对于泊松群编码,time steps相同的条件下神经元数目越多,对模型性能的影响越小,时间步长较少的条件下即可获得与输入模拟频率近似的性能。本文的研究可以提升转换后SNN的性能,减少转换后SNN对time steps的需求,并为SNN的硬件部署提供了一个切实有效的输入编码方法。