發(fā)布時(shí)間：2024-06-07 23:27

　　水下聲吶圖像目標(biāo)分類是海洋戰(zhàn)略中最具有挑戰(zhàn)性的研究方向之一。由于大量非目標(biāo)、陰影以及噪聲的影響,水下聲吶圖像普遍分辨率低,導(dǎo)致水下聲吶圖像的識(shí)別與分類準(zhǔn)確率低。AdaBoost算法是常用的機(jī)器學(xué)習(xí)分類算法,可以根據(jù)不同的環(huán)境,設(shè)計(jì)特征提取算法和弱分類器來訓(xùn)練模型,這種方法處理問題具有針對性,但是泛化性差,在實(shí)際應(yīng)用中局限較大。卷積神經(jīng)網(wǎng)絡(luò)針對大型數(shù)據(jù)體現(xiàn)出優(yōu)越性,且不需要信息預(yù)設(shè),但應(yīng)用到數(shù)據(jù)量較少的聲吶圖像數(shù)據(jù)集上時(shí),往往表現(xiàn)不佳。針對上述問題,本文所做研究工作如下:(1)針對目前聲吶圖像分類數(shù)據(jù)完整性差,且不能直接用于圖像分類的情況,使用數(shù)據(jù)增強(qiáng)算法,制作了帶有類別標(biāo)簽且尺寸一致的聲吶圖像分類數(shù)據(jù)集。根據(jù)聲吶圖像的成像特征,利用仿射、旋轉(zhuǎn)和縮放模擬聲吶成像方位的不同;利用通道分離算法模擬水下光的折射對成像的影響;添加不同的噪聲類型來模擬水下的噪聲環(huán)境;而濾波處理能夠模仿圖像特征的缺失。使用本章所制作的數(shù)據(jù)集訓(xùn)練得到的分類器表現(xiàn)良好,表明本章制作的數(shù)據(jù)集可有效的進(jìn)行模型驗(yàn)證。(2)針對水下目標(biāo)分辨率低、噪聲多和精度低的問題,提出了一種改進(jìn)的AdaBoost級(jí)聯(lián)分類算法。首先利用方向梯...

【文章頁數(shù)】：73 頁

【學(xué)位級(jí)別】：碩士

【文章目錄】：
摘要
Abstract
1 緒論
    1.1 研究背景及意義
    1.2 聲吶圖像分類算法研究現(xiàn)狀
    1.3 基于特征提取算法的圖像分類
        1.3.1 特征提取算法
        1.3.2 AdaBoost級(jí)聯(lián)算法研究現(xiàn)狀
    1.4 卷積神經(jīng)網(wǎng)絡(luò)
        1.4.1 卷積神經(jīng)網(wǎng)絡(luò)研究現(xiàn)狀
        1.4.2 卷積神經(jīng)網(wǎng)絡(luò)基礎(chǔ)知識(shí)
    1.5 本文的主要工作
2 聲吶圖像特征分析以及數(shù)據(jù)集制作
    2.1 聲吶圖像特征分析
    2.2 聲吶圖像數(shù)據(jù)集制作
    2.3 MNIST和Cifar-10數(shù)據(jù)集
    2.4 圖像分類質(zhì)量評(píng)估標(biāo)準(zhǔn)
    2.5 本章小結(jié)
3 基于AdaBoost級(jí)聯(lián)分類器的聲吶圖像分類
    3.1 引言
    3.2 AdaBoost級(jí)聯(lián)分類器算法
        3.2.1 SVM算法
        3.2.2 SGD算法
        3.2.3 AdaBoost算法
    3.3 實(shí)驗(yàn)仿真結(jié)果及分析
        3.3.1 特征提取算法仿真實(shí)驗(yàn)
        3.3.2 AdaBoost級(jí)聯(lián)分類器仿真實(shí)驗(yàn)
        3.3.3 與其他同類算法對比實(shí)驗(yàn)
    3.4 本章小結(jié)
4 基于特征激勵(lì)卷積神經(jīng)網(wǎng)絡(luò)的聲吶圖像分類算法
    4.1 引言
    4.2 特征激勵(lì)卷積神經(jīng)網(wǎng)絡(luò)的圖像分類模型
        4.2.1 深度可分離網(wǎng)絡(luò)模塊
        4.2.2 特征激勵(lì)網(wǎng)絡(luò)模塊
    4.3 實(shí)驗(yàn)仿真結(jié)果及分析
        4.3.1 深度可分離模塊驗(yàn)證
        4.3.2 特征激勵(lì)模塊驗(yàn)證
        4.3.3 與其他同類算法對比實(shí)驗(yàn)
    4.4 本章小結(jié)
5 總結(jié)與展望
    5.1 本文總結(jié)
    5.2 工作展望
參考文獻(xiàn)
致謝
作者簡歷及攻讀碩士學(xué)位期間的科研成果



本文編號(hào)：3991113