一种基于卷积神经网络的水下目标被动检测方法.pdf
猫巷****觅蓉
在线预览结束,喜欢就下载吧,查找使用更方便
相关资料
一种基于卷积神经网络的水下目标被动检测方法.pdf
本发明提供了一种基于卷积神经网络的水下目标被动检测方法,采用对数梅尔能量谱的方法进行特征提取,利用卷积神经网络挖掘水下目标信号更加深层的信息,提高水下目标检测性能以及在复杂海洋环境噪声下的鲁棒性和泛化能力。本发明利用时频特征对获取到的一维信息分析,可以体现信号在时域和频域两个方面的特征,考虑到水下目标低频成分较多,采用对数梅尔能量谱的方法对信号进行时频特征提取,使得其在时频图上更加清晰地体现特征,利用卷积神经网络来挖掘信号间更深层的信息。提高水下目标被动检测性能,以及在复杂海洋噪声背景下的泛化性和鲁棒性。
基于卷积神经网络的水下目标特征提取方法.pdf
基于卷积神经网络的水下目标特征提取方法王念滨;何鸣;王红滨;郎泽宇【期刊名称】《系统工程与电子技术》【年(卷),期】2018(040)006【摘要】针对水下目标特征提取问题,在卷积神经网的基础上,提出了一种新的网络结构.该框架通过引入特征图多维加权层,强化了特征图的空间信息,弥补了进入全连接层时空间特征的丢失.以层次结构构造一个集特征提取和分类器训练于一体的端到端网络,同时利用深度网络的反向传播完成分类器对特征提取的反馈以改进特征的效果.在仿真模拟实验上,该网络框架分类目标达到了78.61%的精度,与其他
基于卷积神经网络的水下目标特征提取方法.pdf
基于卷积神经网络的水下目标特征提取方法王念滨;何鸣;王红滨;郎泽宇【期刊名称】《系统工程与电子技术》【年(卷),期】2018(040)006【摘要】针对水下目标特征提取问题,在卷积神经网的基础上,提出了一种新的网络结构.该框架通过引入特征图多维加权层,强化了特征图的空间信息,弥补了进入全连接层时空间特征的丢失.以层次结构构造一个集特征提取和分类器训练于一体的端到端网络,同时利用深度网络的反向传播完成分类器对特征提取的反馈以改进特征的效果.在仿真模拟实验上,该网络框架分类目标达到了78.61%的精度,与其他
基于卷积神经网络的目标检测方法.pdf
本发明公开了一种基于卷积神经网络的目标检测方法,主要解决现有目标检测方法网络复杂、速度不快和对小目标检测效果差的问题。本发明的具体步骤如下:(1)构建积神经网络;(2)生成目标检测训练集;(3)训练卷积神经网络;(4)对待检测目标进行检测。本发明构建了一个由特征提取模块、特征增强模块、识别和定位模块组成的卷积神经网络,克服了现有目标检测方法中大目标检测效果好、小目标检测效果差并且速度慢的问题,使得本发明不仅能够实时识别大目标,也能实时识别小目标。
基于卷积神经网络的水下鱼类目标检测方法、装置及存储介质.pdf
本发明提供了一种基于卷积神经网络的水下鱼类目标检测方法、装置及存储介质,对水下鱼类目标检测模型中的主干网络进行了改进,改进后的主干网络包括卷积及其对偶操作的两个卷积神经网络,分别得到待检测水下图像的局部特征图和全局特征图,然后调整输出特征图维度,将具有相同维度的各个通道特征图进行融合,以保证所得各通道不同特征图,且每个特征图均学习到全局信息,从而获取更优质图像特征,为下游目标检测提供可靠数据基础,进而提高水下鱼类目标的检测准确率。