海上態(tài)勢視覺感知方法研究

前言
第一章 緒論
1.1 研究背景與意義
1.2 國內(nèi)外研究現(xiàn)狀與發(fā)展趨勢
1.2.1 海面全場景解析研究現(xiàn)狀
1.2.2 海面船舶目標重識別研究現(xiàn)狀
1.2.3 海面船舶目標跟蹤研究現(xiàn)狀
1.2.4 海面視覺感知數(shù)據(jù)集
1.2.5 海面視覺感知發(fā)展趨勢
1.3 本書主要工作和研究成果
1.3.1 主要研究內(nèi)容和技術路線
1.3.2 本書主要研究成果
1.4 本書組織結構
第二章 判別式深度學習與視覺感知技術
2.1 卷積神經(jīng)網(wǎng)絡
2.1.1 卷積的基本概念
2.1.2 卷積神經(jīng)網(wǎng)絡的基本結構
2.1.3 優(yōu)化目標函數(shù)
2.2 卷積神經(jīng)網(wǎng)絡骨干模型
2.2.1 深度網(wǎng)絡優(yōu)化模型
2.2.2 寬度網(wǎng)絡優(yōu)化模型
2.2.3 復合縮放模型
2.2.4 全卷積網(wǎng)絡
2.3 視覺感知中的多尺度解決方案
2.3.1 空洞卷積
2.3.2 多尺度特征融合
2.3.3 可變形卷積
2.3.4 非局部卷積
2.4 視覺感知中的時序模型和注意力機制
2.4.1 長短期記憶神經(jīng)網(wǎng)絡
2.4.2 注意力機制
2.5 本章小結
第三章 基于全景分割的海面場景解析
3.1 引言
3.2 深度學習背景下的圖像分割技術
3.2.1 語義分割
3.2.2 實例分割
3.2.3 全景分割
3.3 端到端架構的全景分割方法
3.3.1 共享的Res2Net-FPN網(wǎng)絡結構
3.3.2 語義分割頭部
3.3.3 實例分割頭部
3.3.4 基于DSmT的全景融合方法
3.3.5 總體優(yōu)化目標函數(shù)
3.4 MarPS-1395數(shù)據(jù)集的構建
3.5 實驗與結果分析
3.5.1 評估指標
3.5.2 實驗設置
3.5.3 MatPS-1395數(shù)據(jù)集上實驗與結果分析
3.5.4 MS COC0公共數(shù)據(jù)集上實驗與結果分析
3.6 本章小結
第四章 基于全局-局部特征融合的船舶目標重識別
4.1 引言
4.2 深度學習背景下的物體重識別技術
4.2.1 通用目標重識別
4.2.2 視角估計和基于特征的判別模型
4.3 基于全局-局部判別特征融合的重識別方法
4.3.1 船舶重識別定義
4.3.2 全局特征提取
4.3.3 判別特征的識別和提取
4.34.4 視角估計方法
4.3.5 方向引導的五元組優(yōu)化目標函數(shù)
4.3.6 全局和局部特征的融合方法
4.4 VesseⅡD-539數(shù)據(jù)集的構建
4.4.1 數(shù)據(jù)采集
4.4.2 標注描述
4.4.3 數(shù)據(jù)集的劃分
4.5 實驗與結果分析
4.5.1 實驗設置
4.5.2 評價指標
4.5.3 同當前最先進方法的對比
4.5.4 可視化結果及分析
4.5.5 消融實驗及結果分析
4.6 本章小結
第五章 基于多模型多線索的船舶目標檢測后跟蹤
5.1 引言
5.2 深度學習背景下的通用物體檢測和跟蹤技術
5.2.1 基于深度學習的通用物體檢測
5.2.2 基于深度學習的通用目標跟蹤
5.3 多模型多線索檢測后跟蹤方法
5.3.1 基于YOL0的目標檢測器
5.3.2 檢測后跟蹤范式中的多模型
5.3.3 數(shù)據(jù)關聯(lián)中的多線索
5.4 實驗與結果分析
5.4.1 實驗設置
5.4.2 性能評估
5.4.3 消融實驗及結果分析
5.5 本章小結
第六章 視覺感知技術在海上智能交通管理中的應用
6.1 引 言
6.2 船舶交通管理系統(tǒng)(VTS)
6.2.1 VTS的系統(tǒng)與組織管理
6.2.2 移動VTS原型系統(tǒng)設計
6.3 多模態(tài)融合感知應用
6.3.1 空間域對準
6.3.2 時間域對準
6.3.3 多模態(tài)數(shù)據(jù)融合跟蹤方法
6.3.4 實驗與結果分析
6.4 船舶目標綜合識別應用
6.4.1 跨模態(tài)船舶目標綜合識別
6.4.2 實驗與結果分析
6.5 本章小結
第七章 總結與展望
7.1 本書工作總結
7.2 未來研究展望
參考文獻
附錄 作者近來年發(fā)表的論文及其他科研成果