航行態(tài)勢感知是傳統(tǒng)海面集成監(jiān)視活動的終極目標(biāo),也是現(xiàn)代智能船舶甚至無人駕駛船舶自主航行實現(xiàn)的首要前提。本書首先對海上態(tài)勢視覺感知最先進(jìn)及經(jīng)典的技術(shù)進(jìn)行歸納和綜述,其次對判別式深度學(xué)習(xí)的核心機(jī)理進(jìn)行了詳細(xì)的介紹,然后重點報告本文作者在海面全場景解析、船舶目標(biāo)重識別和檢測后跟蹤三個方面的**工作,接著給出以上關(guān)鍵技術(shù)在海上智能交通系統(tǒng)中的應(yīng)用,最后對全書的研究成果進(jìn)行總結(jié)并給出研究展望。本書組織結(jié)構(gòu)合理,內(nèi)容翔實,語言通俗易懂,理論和實驗細(xì)節(jié)描述深入淺出,是一本理論和實踐性兼?zhèn)涞膶W(xué)術(shù)著作。
本書可供從事自主無人系統(tǒng)、水上交通工程、航海智能化、交通信息工程與控制等領(lǐng)域研究人員和計算機(jī)及相關(guān)專業(yè)的工程技術(shù)人員、高校師生閱讀參考。
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(biāo)重識別研究現(xiàn)狀
1.2.3 海面船舶目標(biāo)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(shù)路線
1.3.2 本書主要研究成果
1.4 本書組織結(jié)構(gòu)
第二章 判別式深度學(xué)習(xí)與視覺感知技術(shù)
2.1 卷積神經(jīng)網(wǎng)絡(luò)
2.1.1 卷積的基本概念
2.1.2 卷積神經(jīng)網(wǎng)絡(luò)的基本結(jié)構(gòu)
2.1.3 優(yōu)化目標(biāo)函數(shù)
2.2 卷積神經(jīng)網(wǎng)絡(luò)骨干模型
2.2.1 深度網(wǎng)絡(luò)優(yōu)化模型
2.2.2 寬度網(wǎng)絡(luò)優(yōu)化模型
2.2.3 復(fù)合縮放模型
2.2.4 全卷積網(wǎng)絡(luò)
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(jī)制
2.4.1 長短期記憶神經(jīng)網(wǎng)絡(luò)
2.4.2 注意力機(jī)制
2.5 本章小結(jié)
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(xué)習(xí)背景下的圖像分割技術(shù)
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(gòu)的全景分割方法
3.3.1 共享的Res2Net-FPN網(wǎng)絡(luò)結(jié)構(gòu)
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(biāo)函數(shù)
3.4 MarPS-1395數(shù)據(jù)集的構(gòu)建
3.5 實驗與結(jié)果分析
3.5.1 評估指標(biāo)
3.5.2 實驗設(shè)置
3.5.3 MatPS-1395數(shù)據(jù)集上實驗與結(jié)果分析
3.5.4 MS COC0公共數(shù)據(jù)集上實驗與結(jié)果分析
3.6 本章小結(jié)
第四章 基于全局-局部特征融合的船舶目標(biāo)重識別
4.1 引言
4.2 深度學(xué)習(xí)背景下的物體重識別技術(shù)
4.2.1 通用目標(biāo)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(dǎo)的五元組優(yōu)化目標(biāo)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(gòu)建
4.4.1 數(shù)據(jù)采集
4.4.2 標(biāo)注描述
4.4.3 數(shù)據(jù)集的劃分
4.5 實驗與結(jié)果分析
4.5.1 實驗設(shè)置
4.5.2 評價指標(biāo)
4.5.3 同當(dāng)前最先進(jìn)方法的對比
4.5.4 可視化結(jié)果及分析
4.5.5 消融實驗及結(jié)果分析
4.6 本章小結(jié)
第五章 基于多模型多線索的船舶目標(biāo)檢測后跟蹤
5.1 引言
5.2 深度學(xué)習(xí)背景下的通用物體檢測和跟蹤技術(shù)
5.2.1 基于深度學(xué)習(xí)的通用物體檢測
5.2.2 基于深度學(xué)習(xí)的通用目標(biāo)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(biāo)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(guān)聯(lián)中的多線索
5.4 實驗與結(jié)果分析
5.4.1 實驗設(shè)置
5.4.2 性能評估
5.4.3 消融實驗及結(jié)果分析
5.5 本章小結(jié)
第六章 視覺感知技術(shù)在海上智能交通管理中的應(yīng)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(shè)計
6.3 多模態(tài)融合感知應(yīng)用
6.3.1 空間域?qū)?zhǔn)
6.3.2 時間域?qū)?zhǔn)
6.3.3 多模態(tài)數(shù)據(jù)融合跟蹤方法
6.3.4 實驗與結(jié)果分析
6.4 船舶目標(biāo)綜合識別應(yīng)用
6.4.1 跨模態(tài)船舶目標(biāo)綜合識別
6.4.2 實驗與結(jié)果分析
6.5 本章小結(jié)
第七章 總結(jié)與展望
7.1 本書工作總結(jié)
7.2 未來研究展望
參考文獻(xiàn)
附錄 作者近來年發(fā)表的論文及其他科研成果