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.     

基于生成对抗网络的船舶航迹预测模型

为提高复杂交通局面下的船舶航迹预测精度,提岀一种基于生成对抗网络的船舶航行轨迹预测模型(Gen-erative Adversarial Networks with Attention and Interaction,GAN-AI)对多艘船舶轨迹同时进行预测.通过编码器对船舶轨迹时空序列进行编码,设计交互模块对多艘会遇船...     

基于深度学习方法的海上舰船目标检测

为了提高海上无人艇的舰船目标检测精度和速率,本文基于深度学习方法,利用卷积神经网络、区域建议网络及Fast R-CNN检测框架构建了舰船检测系统。该系统通过共享的卷积神经网络提取特征;通过区域建议网络生成候选区域;通过Fast R-CNN框架实现目标检测识别,从而实现端到端的舰船目标检测。实验结果表明,相比于传统机器学习目标检测算法,该舰船检测系统在检测精度及检测速率上均有大幅提高,达到83.79%的准确率及0.05 s/帧的检测速率。本文的舰船检测系统在检测精度及速率上均表现优异,满足了水面无人艇的工作要求。     

基于双注意力机制的肺叶分割方法研究

随着肺癌发病率与日俱增,辅助医生提高诊断准确率的辅助算法成为了医学分割任务的首要研究目标.针对肺叶辅助分割问题中肺叶间类别间隙分割不光滑的问题,提出了基于双注意力机制的三维肺叶分割算法3D DA-ResUnet.将2D ResUnet网络拓展到三维形成3D ResUnet网络,运用三维卷积从三维角度进行编码,以良好的分割某些在二维没有明显表征的特征.同时为了充分挖掘三维图像的空间与通道信息,在3D ResUnet模型中加入双注意力(Dual Attention, DA)模块,该模块可自适应地集成空间和通道维度的全局信息.实验结果表明：对5个肺叶的分割精度分别达到0.961、0.92、0.966、0.965、0.962,综合精度达到0.959.因此基于双注意力机制的三维肺叶分割算法3D DA-ResUnet可以帮助提升细分决策,减少误分类的发生,更好地改善分割不连续,不光滑的问题,与其他网络相比,分割效果更好.     

基于注意力机制的TCS-YOLO船舶检测系统

针对当前海上环境复杂、噪声干扰严重及船舶检测存在漏检和误检等问题,提出一种基于注意力机制的TCS-YOLO船舶检测系统。该算法使用K-Means++聚类算法确定目标样本的锚框以提高先验框与船舶目标的尺寸匹配度;在YOLOv7的Neck部分引入Transformer Block以捕获全局信息和丰富的上下文信息;在YOLOv7的Head部分添加CA注意力机制,有助于模型更准确地定位和识别感兴趣的对象。并在自制的船舶数据集上进行试验,结果表明,该算法的平均精度均值达到70.5%,相比原始的YOLOv7算法值提高了5.1%,能更准确地检测船舶,满足在复杂海上环境中进行船舶检测的需求。     

基于编解码卷积神经网络的船舶航速预测

为提升船舶航速预测精度,为量化分析船舶碳排放提供精确的基础数据,构建一种基于编解码卷积网络的船舶航速预测方法。利用历史的船舶自动识别系统(Automatic Identification System, AIS)数据训练编解码卷积网络,在不同编码器之间通过蒸馏操作抑制船舶航速数据信息冗余;在此基础上,以向量的形式将编码后的航速数据输入解码器中,获得最终的航速预测数据。试验结果表明,提出的船舶航速预测方法能准确地预测船舶航速变化,对推动航运碳排放分析和船舶节能航行研究等具有一定的指导意义。     

基于YOLOv3的船舶目标检测算法

为提高船舶目标智能检测的精度和实时性,提出一种基于YOLOv3算法的船舶目标检测方法,可用于视频图像的监测与跟踪。参照PASCAL VOC数据集格式,构建船舶目标检测数据集,采用k-means聚类先验框、mixup、标签平滑化等方法对算法进行改进和优化,在GPU(Graphic Processing Unit)云服务器中完成算法模型的训练和检测,并与FasterR-CNN、SSD(Single Shot MultiBox Detector)、原始YOLOv3等算法进行模型性能的试验对比。试验结果表明:改进的算法明显优于其他算法,其在测试集上的平均精度均值(mean Average Precision,mAP)和检测速度分别达到89.90%和30每秒检测帧数(Frames Per Second,FPS)。     

结合空洞编码器和特征金字塔的中心点船舶检测

为了进一步提高基于深度学习的船舶目标检测技术的检测精度,在无锚框中心点检测算法基础上,提出一种结合空洞编码器和特征金字塔的改进中心点船舶检测算法。采用Res Ne Xt-50网络对船舶图像进行特征提取,引入基于空洞残差的空洞编码器（DE）增大32倍下采样特征图的感受野,生成覆盖多个目标尺度的特征图,并采用特征金字塔网络（FPN）进行上采样,在上采样过程中融合空洞编码器生成的32倍下采样特征图和原16倍、8倍和4倍下采样特征图,从而提取到更丰富的船舶特征信息,提升船舶检测效果。结果表明,改进算法对不同类型和不同尺度下的船舶检测平均精确率相比原算法具有较明显的提升,相比SSD和YOLOv3算法具有更高的精度优势。     

基于注意力融合的海上目标检测算法

准确识别海上目标对提高舰船航行安全、维护海上权益意义重大。YOLOv7作为YOLO系列算法的最新成果,在目标检测任务中拥有良好的速度和精度。但通用化的网络应用于特定场景时,由于权重过大可移植性差,优势并不明显。本文根据海上目标分布及背景特点,利用注意力机制提升网络的特征提取与特征融合能力,提出一种基于注意力融合的海上目标检测算法CS-YOLOv7s。在新加坡海上数据集中的实验结果表明,本文所提网络在少量降低准确率的同时,大幅度降低网络权重,提高检测速度,可满足海上目标实时检测任务需要。     

基于图像分割的海上舰船目标智能感知算法

海上舰船目标的智能感知是无人水面艇、无人机视觉系统的最主要任务之一,针对海上舰船目标智能检测识别存在的问题,提出基于编码器-解码器结构的海上舰船目标图像智能分割算法,以像素级分割替代常规的检测方法,为海上无人平台的智能感知提供算法支撑。首先,针对通用的图像分割方法中存在的高层语义特征丰富、空间分辨率降低的问题,提出基于膨胀卷积的多尺度特征融合模块,提高编码器的特征提取能力;然后,针对不同目标像素身份判别的难点,在原有编码-解码结构基础上,增加了一个身份识别辅助网络分支,引导编码器对不同身份目标的特征进行关注,提高特征表示对不同身份目标的表征能力。最后,在所构建的6类舰船目标分割数据集上进行实验验证。结果表明,本文方法在准确率上较通用分割方法能更有效地实现舰船目标分割,验证了本文方法的有效性。     

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.     

面向识别的船舶目标雷达回波技术研究

雷达系统在船舶导航控制中具有非常重要的作用,其不光能够实现目标探测,同时也能够对目标的运动状态进行识别,因此,本文重点优化了船舶雷达的目标探测能力。本文首先介绍船舶雷达信号自动检测系统的工作原理,通过加入抗干扰算法,提高了雷达对目标的识别能力,在对回波技术进行优化的过程中,主要通过优化调制模型实现,首先将雷达回波中的各项干扰噪声进行滤除,保证了回波信号的正确率,这样在目标检测时,优化后的雷达回波中包含了更多的有用信息,提高了其目标检测能力。     

基于LSTM与注意力机制的船舶航迹预测模型研究

在内河通航船舶数量不断增加和通航环境日益复杂的情况下,为充分挖掘海量AIS数据中的价值信息,针对内河船舶航迹预测中的精度和可靠性问题,应用循环神经网络方法,提出了一种结合深度学习注意力机制(At-tention Mechanism)和长短期记忆网络(Long Short-Term Memory,LSTM)的船舶航迹预测...     

面向船舶液舱遥测系统的WSN应用研究

WSN作为一门新兴的传感器网络技术,具有布置简便易于维护等特点,适合于船舱的分布式结构。将其应用于船舶液舱遥测系统,与船舶上原有的通信组网结合。有助于提高对液舱液住、温度扣压力等参数的监测性能,促进轮机自动化智能化的发展。     

基于舰载雷达小样本的低慢小目标识别方法

本文针对舰载雷达低、慢、小目标探测面临的小样本识别问题,提出一种基于小样本学习的低慢小目标分类识别方法。该方法将低慢小目标雷达回波数据转换到小波变换域,利用多头注意力机制和双向长短记忆人工神经网络相结合的方式,解决了小样本目标分类识别的问题。在低慢小目标雷达回波仿真数据集上,开展模型训练和算法验证,分析任务差异性与识别准确率的关系,实验结果表明该方法对典型低慢小目标识别精度可达90%以上,在雷达目标识别领域具有较好的应用价值。     

数据挖掘的船舶网络病毒入侵检测研究

船舶中网络数据较多,传统病毒入侵检测方法不能有效对正常数据与异常数据分类,从而导致网络病毒入侵检测率与误检率较低,基于这一问题,将数据挖掘算法应用到船舶网络病毒入侵检测中。对网络数据采集,采用数据挖掘技术中的聚类分析算法将数据集合中对象划分成若干个类,聚类后形成多个数据集,在此基础上,确认离群点,划分为正常类与异常数据类,采用Apriori算法挖掘离散点中的频繁项集,寻找到病毒入侵中出现的频繁异常数据集,实现船舶网络病毒入侵检测。实验将检测率与误检率作为入侵检测指标,结果表明,此次研究的方法检测率高,并有效降低了误检率,证明所研究的检测方法的有效性。