一种基于迁移学习与深度学习的侧扫声呐图像目标自动分类方法.pdf
森林****来了
在线预览结束,喜欢就下载吧,查找使用更方便
相关资料
一种基于迁移学习与深度学习的侧扫声呐图像目标自动分类方法.pdf
本发明属于水下目标自动识别分类领域,具体涉及一种基于迁移学习与深度学习的侧扫声呐图像目标自动分类方法;包括获取带有分割标注的常规光学图像数据集;利用数据集中各个图像对应的标注图像进行轮廓分割;选定一个卷积神经网络结构进行训练,得到源领域目标分类网络;对经过充分训练的源领域目标分类网络前部分的参数进行冻结,同时将分类网络的后部分参数设置为可训练状态;使用训练集对设置好的分类网络继续进行训练;训练完成后,使用验证集评估分类网络性能。本方法使用迁移学习方法,对使用非侧扫声呐图像训练好的卷积神经网络进行迁移,同时
基于自动化深度学习的雷达或声呐图像目标检测与分类方法.pdf
本发明公开了基于自动化深度学习的雷达或声呐图像目标检测与分类方法,对于分类任务,直接使用神经网络架构搜索进行最优卷积网络结构的自动化设计;对于检测任务,首先从检测数据集中根据标注信息提取衍生分类数据集,并在衍生分类数据集上执行卷积神经网络架构搜索进行最优卷积网络结构的自动化设计,然后使用该网络作为骨干网络以构建自训练的自动化深度学习目标检测器。本发明解决了目前基于深度学习的雷达或声呐图像目标检测与分类任务中深度神经网络结构设计费时费力以及对迁移学习强烈依赖的问题。通过自动化深度学习的神经架构搜索方法实现了
基于深度迁移学习的水果图像分类方法.pdf
本发明涉及一种基于深度迁移学习的水果图像分类方法,属于农业信息化领域。该算法通过冻结低层网络参数,使低层网络结构作为特征提取器,并修改高层网络参数和结构,提出新的迁移模型TL‑VGG16、TL‑InceptionV3和TL‑ResNet50。通过对三种迁移模型分别输入图像进行小样本训练,实现对不同水果图像的准确分类。最后对三种迁移模型分别使用加权平均法和相对多数投票法进行融合,输出新的预测概率。本发明解决了传统深度网络在识别图像时层数较深、训练耗时较长、模型收敛较慢和小数据集情况下过拟合情况较严重等问题,
一种侧扫声呐图像目标识别方法.pdf
本发明涉及一种侧扫声呐图像目标识别方法,包括:采集连续的侧扫声呐海底图像,获取若干张原始声呐图像,所述原始声呐图像中包含有要识别的目标;将所述原始声呐图像进行灰度二值化处理;对灰度二值化处理后的声呐图像中的噪声进行模型化处理,在多尺度几何变换域对所述声呐图像进行增强;对增强后的声呐图像,利用Canny算子进行边缘检测;根据侧扫方向性图像阈值滤波方法,过滤掉边缘检测后的声呐图像中的非目标边缘,保留检测目标边缘;对边缘检测后的目标进行识别。本发明提供的技术方案,通过在多尺度几何变化域下的图像增强去噪并结合侧扫
一种高效侧扫声呐图像生成方法.pdf
本发明公开一种高效侧扫声呐图像生成方法包括侧扫声呐原始数据经过基于目标声学散射特性与真实海底背景的样本生成方法处理后得到基于真实海底环境的侧扫声呐目标图像;基于真实海底环境的侧扫声呐目标图像通过基于源域和目标域结构一致性的样本增强方法,减小源域和目标域外观上的差异,得到与真实测量环境下测得的侧扫声呐图像相近的侧扫声呐目标图像。基于深度学习的目标检测方法提供充足的代表性样本,有效提升目标检测模型的泛化能力与检测精度,解决了侧扫声呐目标图像稀少且获取高昂的难题。