论文部分内容阅读
新时代条件下“建设海洋强国”、“一带一路之21世纪海上丝绸之路”等国家战略的实施,全球化发展已成为必然选择。与此同时,围绕海洋资源、通道安全等争端进一步加剧,海洋权益面临错综复杂的国际形势。舰船作为各种海洋活动的主体,如何实时、准确地识别海洋环境中的舰船目标,是实现建设海洋强国国家战略的关键环节。然而,由于海洋环境的特殊性,传统基于深度学习的目标识别方法难以满足计算资源、通讯带宽、能源供应等受限条件下的应用要求。因此,本文针对自动舰船目标识别问题,面向海洋环境条件下资源受限平台的应用,开展了基于深度学习的轻量化舰船识别相关关键技术研究,主要完成工作如下:(1)针对传统基于深度学习的舰船目标识别方法中存在的模型参数过大、参数利用率低问题,综合利用优化卷积操作、模型参数压缩和增强特征表达等技术,提出了一种面向资源受限平台应用的轻量化特征提取结构DResNet,在模型参数量和计算量大幅削减的情况下,实现了目标特征的高质量提取。在ImageNet-67数据集上,从识别速度、准确率、模型参数量、浮点计算量、显存占用等方面,分别与已有MobileNet、ShuffleNet、MobileNetv2等轻量化方法进行了对比实验。实验结果表明,该方法综合性能优于已有方法,实现了当模型大小为7.8MB时,单帧耗时16.3ms、分类准确率为93.5%的技术指标。(2)针对传统基于深度学习的舰船目标识别方法中存在的特征利用效率低下问题,综合利用基于先验知识的舰船目标尺寸聚类、基于信息融合的高低层特征融合以及基于注意力机制的交叉熵损失函数等技术,提出了一种特征数据的高效利用方法。在VOC 2007和自建舰船目标数据集上,从准确率、显存占用、实时性、模型大小方面,分别与已有SSD、DSSD、DSOD检测方法进行了对比实验。试验表明,本文方法综合性能优于已有方法,较传统SSD算法在存储空间占用仅为4.02%的条件下,实现了 88.8%的舰船目标识别准确率。(3)针对应用平台中的能耗节约问题,考虑到船舶目标运行速度较低,帧间船舶目标变化不明显的特点,利用基于直方图的视频关键帧提取方法,仅对视频中关键帧图像进行舰船目标识别,从而提升应用平台的有效能源利用率。(4)面向资源受限平台应用,基于嵌入式平台综合利用Flask、Hadoop、Caffe等工具,设计并实现了具有实时视频舰船目标识别与统计等功能的轻量化目标检测原型系统,并对其进行了实例化测试。