基于深度神经网络的船舶图像识别检索研究

对船舶图像进行快速准确识别在军民领域都有广泛应用,随着船舶种类的增多、图像质量的提高,传统的卷积神经网络进行船舶图像识别需耗费大量时间。本文对深度神经网络的原理进行分析,并在此基础上研究基于深度神经网络的船舶图像识别流程,对船舶图像预处理技术进行研究,建立船舶图像训练集和测试集,对YOLOV2、卷积神经网络和本文算法的平均识别时间和识别准确率进行分析,最后研究3种算法的训练次数对识别准确率的影响。本文研究的深度神经网络船舶图像识别算法,在平均识别时间以及识别准确率上具有一定优势。     

基于分组卷积的密集连接网络研究

随着深度学习的发展,不断出现具有良好性能表现的复杂网络模型.由于复杂的卷积神经网络存在计算资源消耗大和存储空间大的问题,使其不能很好地部署在各硬件平台之上.文中通过对用于视觉识别领域的密集连接的卷积网络(dense convolutional network, DenseNet)进行研究,发现网络中的参数存在大量冗余,其计算效率仍有提升的空间.因此,在其基础上引入分组卷积,对其密集块与增长率进行改进,提出一种基于分组卷积的密集连接网络(grouped dense convolutional network, GDenseNet).在两个数据集(CIFAR-10和CIFAR-100)上的实验表明:当错误率基本相同时,GDenseNet的模型复杂度和计算复杂度比DenseNet分别低12%和36%.     

基于卷积神经网络的AUV水下识别算法设计与实现

自主式水下机器人(AUV)是应用于复杂海洋环境中的高智能化无人装备,其需要具备良好的环境感知能力进行自主导航,包括水下目标识别能力。随着人工智能的高速发展,卷积神经网络作为图像处理领域的深度学习架构,在图像特征提取和图像识别上有着强大的性能和卓越的优势。本文利用卷积神经网络,实现了自主式水下机器人水下目标的自主识别。同时,通过采用三段式全连接方式和增加卷积层深度的方式对卷积神经网络进行进一步改进,提高了卷积神经网络的训练速度、准确率和泛化能力。     

深度学习算法在舰船电子海图识别中的应用

海上运输业务的不断增多,使得航运领域的发展速度随之大幅度加快,图像识别技术在该领域中的应用范围大幅度拓宽。为在现有的基础上进一步提升图像识别的精度和效率,业内的专家学者进行大量的研究探索。与此同时,电子海图结构发生了一定程度的变化,传统的图像识别算法现已无法满足电子海图识别的需要。基于此,选取深度学习算法中的卷积神经网络,搭建识别模型,提出量化方法,增强识别的精度。通过量化处理之后,网络模型的性能得到显著提升,满足了舰船电子海图识别的要求。     

基于卷积神经网络的AUV水下识别算法设计与实现

自主式水下机器人(AUV)是应用于复杂海洋环境中的高智能化无人装备,其需要具备良好的环境感知能力进行自主导航,包括水下目标识别能力。随着人工智能的高速发展,卷积神经网络作为图像处理领域的深度学习架构,在图像特征提取和图像识别上有着强大的性能和卓越的优势。本文利用卷积神经网络,实现了自主式水下机器人水下目标的自主识别。同时,通过采用三段式全连接方式和增加卷积层深度的方式对卷积神经网络进行进一步改进,提高了卷积神经网络的训练速度、准确率和泛化能力。     

基于AP聚类和深度卷积网络的船舶焊缝缺陷检测

针对船舶焊缝缺陷检测中存在定位困难和识别效率低问题,提出基于AP聚类和深度卷积神经网络的检测方法.采用基于距离最值的M-SMOTE算法进行焊缝样本不平衡数据集处理,实现少数类新样本的精细化生成,并提出基于AP聚类的深度卷积神经网络模型.模型先基于几何特征、强度特征和背景对比反差进行11个焊缝缺陷特征提取和AP聚类,并将聚类结果作为神经网络输入;采用自适应PCA法对网络进行降维,在保证识别准确率的基础上,通过参数化方法简化降维步骤.试验表明,在通用焊缝数据集上,文中模型的识别率高达98.87％,与准确率较高的VGG模型相比,训练时间缩短12.10％,模型存储减小11.94％;在船舶焊缝数据集上,文中模型的总体识别率达到98.00％,对比准确率较高的DNN模型,其准确率提高了 3.33％.     

基于卷积神经网络与时频分析的水声通信前导信号检测方法

前导检测是水声通信中的关键步骤。传统信号检测算法无法有效克服多径和干扰的影响,在复杂水声信道环境下,检测性能会明显下降。卷积神经网络具有强大的表征学习能力,能够通过大量数据自动提取图像特征,在图像识别应用中具有突出优势。以双曲调频信号为研究对象,采用时频分析技术同时获取信号时域和频域信息,得到时频谱图,并通过均值滤波处理提高信噪比。将时频谱图作为卷积神经网络的输入,训练并测试网络,最终得到HFM信号的检测结果。千岛湖试验结果表明,该方法能够大幅提升远距离、强多径条件下前导信号的检测概率,与传统检测算法相比性能优越。     

卷积神经网络船舶遥感图像目标检测

本文提出卷积神经网络的船舶遥感图像目标检测方法。采用拉普拉斯算子增强处理船舶遥感图像,使得船舶目标特征信息更加清晰;基于Snake模型分割出遥感图像中的船舶目标,通过Gabor滤波器提取船舶遥感图像目标特征向量;基于卷积神经网络搭建船舶遥感图像目标检测架构,统一化处理分支网络置信度,对卷积神经网络进行训练,获取最优权重系数;将遥感图像输入至训练好的卷积神经网络中,即可实现船舶目标的检测。实验数据显示：应用本文方法获得的F1 Score参量与IoU参量数值全部大于给定标准数值,充分证实本文方法具有较好的船舶遥感图像目标检测效果。     

基于深度神经网络的学生课堂行为识别研究

在学生课堂行为识别场景下,存在干扰因素较多且缺少公开的数据集,识别效果较差问题,提出一种融合行为姿态和注意力机制的高校学生课堂行为识别模型,利用注意力机制的残差卷积神经网络,提取教学视频中学生课堂行为的空间和通道特征,利用与视觉描述互补的行为姿态信息获取深度特征蕴含的高层行为信息.为验证模型的有效性,构建了学生课堂行为数据集进行实验,实验结果表明,所提模型在高校学生课堂行为识别中展现了较好的性能.     

基于卷积神经网络的波浪砰击载荷识别方法

为准确识别波浪砰击载荷，保障海洋平台作业的安全性，基于卷积神经网络（CNN）模型，建立立柱-甲板简化模型的砰击载荷识别方法，根据结构测点应变响应数据对砰击载荷进行识别。通过分析半潜式平台立柱-甲板处砰击载荷分布的特点，进行有限元数值计算，生成训练数据集和测试数据集，同时考虑数据噪声的影响。结果表明：CNN砰击载荷识别模型具有很高的识别精度和良好的抗噪声能力，在无噪声和有噪声情况下，整体精度分别为99.6%和91.9%；相比传统的反向传播神经网络（BPNN）模型，CNN模型的识别精度更高。