基于卷积神经网络的海上舰船检测及其硬件加速研究

发布时间：2024-03-11 20:55

　　我国是一个有着漫长海岸线的海洋大国。近年来,南海某些域内外国家在我国邻近海域不断制造事端,严重侵犯了我国主权,破坏了地区来之不易的和平和稳定局面。与此同时,漫长的海岸线给打击海上违法行为,展开海上安全搜救工作等提出了不小的挑战。因此发展海上舰船检测技术对维护国家领土完整,打击海上犯罪活动,保障人民群众生命财产安全具有重要的意义。基于卷积神经网络的目标检测法相对于传统的目标检测法而言具有特征提取简单,通用性强,检测精度高等特点。本文结合该技术研究了基于卷积神经网络的舰船检测方法,主要展开了以下研究工作:(1)由于神经网络对数据集的依赖性很高,针对目前常用开源数据集舰船目标较少的问题,本文采集并标注了13267张共6个类别的舰船数据集,这些数据集为本文的后续研究提供了重要支撑。基于这些数据集,本文采用YOLOv3网络进行了训练,训练过程中探究了诸如数据增强、批正则化操作以及k-means聚类预设锚框等策略对模型检测效果的影响,实验结果表明这几种策略都在不同程度上提升了网络的检测精度。针对目标检测算法中小目标舰船检测比较困难的问题,在YOLOv3网络的基础上将残差模块替换成密集模块,采用了Y...

【文章页数】：77 页

【学位级别】：硕士

【文章目录】：
摘要
ABSTRACT
第1章 绪论
    1.1 课题背景及研究目的和意义
    1.2 国内外研究现状分析
        1.2.1 海上舰船检测技术的研究现状
        1.2.2 卷积神经网络及目标检测算法的研究现状
        1.2.3 卷积神经网络硬件加速的研究现状
        1.2.4 去雾算法的研究现状
    1.3 本文的主要研究内容
    1.4 论文结构安排
第2章 基本理论
    2.1 卷积神经网络的基本结构
        2.1.1 卷积层
        2.1.2 池化层
        2.1.3 激活层
        2.1.4 批正则化层
    2.2 YOLOv3的网络结构和损失函数
        2.2.1 YOLOv3的网络结构
        2.2.2 YOLOv3的损失函数
    2.3 GPU模型
        2.3.1 GPU编程模型
        2.3.2 GPU内存模型
    2.4 本章小结
第3章 基于YOLOv3的舰船检测
    3.1 数据采集及标定
    3.2 YOLOv3网络的训练
        3.2.1 数据增强
        3.2.2 批正则化操作
        3.2.3 k-means算法聚类锚框
    3.3 改进YOLOv3网络
    3.4 本章小结
第4章 卷积神经网络的硬件加速研究
    4.1 卷积神经网络的GPU加速
        4.1.1 GEMM算法
        4.1.2 卷积层和批正则化层融合
        4.1.3 实验结果
    4.2 卷积神经网络的FPGA加速
        4.2.1 Zed Board和 SDSoC
        4.2.2 YOLOv3-tiny网络
        4.2.3 卷积操作的FPGA加速模块设计
        4.2.4 整体系统及实验结果
    4.3 本章小结
第5章 暗通道先验去雾算法及其GPU加速
    5.1 暗通道先验去雾算法
        5.1.1 大气光散射模型
        5.1.2 暗通道先验去雾算法原理
    5.2 改进暗通道先验去雾算法
    5.3 暗通道去雾算法的GPU加速
    5.4 本章小结
结论
参考文献
攻读学位期间发表的学术论文
致谢



本文编号：3926037