摘要：天基遥感图像分辨率的退化为舰船目标的识别带来了巨大挑战。图像超分辨率重建技术可以为识别任务提供丰富的信息,然而将图像超分辨率重建与舰船目标识别任务分别独立进行,将会忽略两个任务间的内在相关性。针对这些问题,为了探索图像超分辨率重建与目标识别任务间的有效结合方式,提出了面向舰船目标识别的遥感图像超分辨率重建方法。设计了一种通道全连接网络,以自适应加权的通道全连接代替残差连接,提升各层特征的流动性与表达性能,实现遥感图像的高效超分辨率重建。为了进一步挖掘超分辨率重建对舰船目标识别性能提升的潜力,引入多任务学习技术,提出了一种超分辨率重建与目标识别联合网络,通过多阶段训练优化策略实现联合端到端网络的稳定训练,从而引导任务间进行有效的互相监督学习。在公开数据集FGSCR-42上的实验结果表明,当遥感图像在8倍和16倍的分辨率退化情况下,提出的超分辨率重建网络帮助舰船目标识别准确率分别提升了33.27和17.48个百分点,所提联合网络则将识别准确率进一步提升了1.75和1.91个百分点。

摘要：为了实现对水下目标的识别,在现有特征提取方法的基础上,提出了一种从DEMON谱线谱和DEMON谱连续谱提取的特征方法,并设计了一个基于BP神经网络和多神经网络分类识别器的舰船目标识别系统。通过对实际舰船噪声目标进行识别,识别效果比较满意。这对舰船目标识别的发展具有一定的参考价值。

摘要：本文主要研究海上舰船目标识别技术,对摄像机、红外、雷达等设备采集的图像、视频数据做处理,通过SSD算法对图像舰船目标识别。以某船为例,对该船摄像机采集的视频数据做分帧处理,对分帧后的图像进行舰船识别,将识别数据结果标注到分帧图像上,该实验经过验证,为海上舰船目标识别研究理论提供实例根据。

摘要：光遥感图像舰船目标在检测识别过程中会存在诸多干扰,导致无法精准识别出舰船目标,对此,研究光学遥感图像中舰船识别方法。首先,在光学遥感图像内提取舰船目标显著性区域,抑制云雾、海杂波与海域陆地等背景信息对舰船目标识别的影响,完成光学遥感图像舰船目标的粗识别。然后,基于提取到的光学遥感图像显著性区域,利用CNN网络对其进行舰船目标精识别。实验结果表明,设计方法可以有效提取光学遥感图像的舰船目标显著性区域,并提取显著性区域的舰船目标特征;舰船目标识别精度始终高于95%,具有实用性。

摘要：为有效识别视觉系统采集的可见光图像中的舰船目标,提出了基于YOLO(You Only Look Once)网络模型改进的10层的卷积神经网络(Convolutional Neural Network,CNN)用于水面舰船目标的智能识别,通过反卷积的方法可视化CNN中不同卷积层提取到的舰船目标特征。按照传统目标识别方法提取了舰船目标的四类典型人工设计特征,将所提CNN的舰船目标识别结果与YOLO网络模型及四类人工设计特征结合支持向量机用于舰船目标识别的结果进行比较。实验结果表明,与YOLO网络模型相比,综合精确率、召回率和效率3个舰船目标识别的性能指标,改进后的CNN性能更好,从而验证了所提方法的有效性。不同数据量下采用典型特征识别舰船目标与基于深度CNN识别舰船目标的识别结果比较说明了不同类型目标识别算法的优劣势,有利于推动综合性视觉感知框架的构建。

摘要：低分辨率SAR(合成孔径雷达)卫星遥感图像具有大幅宽特点,是广域海上目标搜索的重要手段,但相较于高分辨率遥感图像,可用于目标识别的特征较少,导致识别性能有待提高。论文探索并设计了一种基于深度学习的低分辨率多极化SAR卫星遥感图像舰船目标融合识别的算法。首先,以多极化SAR图像为输入,利用改进的VGG16网络提取图像特征得到各极化通道的分类结果,同时自动学习各极化通道的权重,然后,对分类结果进行决策级加权融合;最后,利用公开的OpenSARShip数据集进行实验验证,结果表明,与单极化SAR图像舰船目标识别以及其他融合识别方法相比,该算法一定程度上提升了舰船目标识别效果。