海上态势视觉感知方法研究

前言
**章 绪论
1.1 研究背景与意义
1.2 国内外研究现状与发展趋势
1.2.1 海面全场景解析研究现状
1.2.2 海面船舶目标重识别研究现状
1.2.3 海面船舶目标跟踪研究现状
1.2.4 海面视觉感知数据集
1.2.5 海面视觉感知发展趋势
1.3 本书主要工作和研究成果
1.3.1 主要研究内容和技术路线
1.3.2 本书主要研究成果
1.4 本书组织结构
第二章 判别式深度学习与视觉感知技术
2.1 卷积神经网络
2.1.1 卷积的基本概念
2.1.2 卷积神经网络的基本结构
2.1.3 优化目标函数
2.2 卷积神经网络骨干模型
2.2.1 深度网络优化模型
2.2.2 宽度网络优化模型
2.2.3 复合缩放模型
2.2.4 全卷积网络
2.3 视觉感知中的多尺度解决方案
2.3.1 空洞卷积
2.3.2 多尺度特征融合
2.3.3 可变形卷积
2.3.4 非局部卷积
2.4 视觉感知中的时序模型和注意力机制
2.4.1 长短期记忆神经网络
2.4.2 注意力机制
2.5 本章小结
第三章 基于全景分割的海面场景解析
3.1 引言
3.2 深度学习背景下的图像分割技术
3.2.1 语义分割
3.2.2 实例分割
3.2.3 全景分割
3.3 端到端架构的全景分割方法
3.3.1 共享的Res2Net-FPN网络结构
3.3.2 语义分割头部
3.3.3 实例分割头部
3.3.4 基于DSmT的全景融合方法
3.3.5 总体优化目标函数
3.4 MarPS-1395数据集的构建
3.5 实验与结果分析
3.5.1 评估指标
3.5.2 实验设置
3.5.3 MatPS-1395数据集上实验与结果分析
3.5.4 MS COC0公共数据集上实验与结果分析
3.6 本章小结
第四章 基于全局-局部特征融合的船舶目标重识别
4.1 引言
4.2 深度学习背景下的物体重识别技术
4.2.1 通用目标重识别
4.2.2 视角估计和基于特征的判别模型
4.3 基于全局-局部判别特征融合的重识别方法
4.3.1 船舶重识别定义
4.3.2 全局特征提取
4.3.3 判别特征的识别和提取
4.34.4 视角估计方法
4.3.5 方向引导的五元组优化目标函数
4.3.6 全局和局部特征的融合方法
4.4 VesseⅡD-539数据集的构建
4.4.1 数据采集
4.4.2 标注描述
4.4.3 数据集的划分
4.5 实验与结果分析
4.5.1 实验设置
4.5.2 评价指标
4.5.3 同当前*先进方法的对比
4.5.4 可视化结果及分析
4.5.5 消融实验及结果分析
4.6 本章小结
第五章 基于多模型多线索的船舶目标检测后跟踪
5.1 引言
5.2 深度学习背景下的通用物体检测和跟踪技术
5.2.1 基于深度学习的通用物体检测
5.2.2 基于深度学习的通用目标跟踪
5.3 多模型多线索检测后跟踪方法
5.3.1 基于YOL0的目标检测器
5.3.2 检测后跟踪范式中的多模型
5.3.3 数据关联中的多线索
5.4 实验与结果分析
5.4.1 实验设置
5.4.2 性能评估
5.4.3 消融实验及结果分析
5.5 本章小结
第六章 视觉感知技术在海上智能交通管理中的应用
6.1 引 言
6.2 船舶交通管理系统(VTS)
6.2.1 VTS的系统与组织管理
6.2.2 移动VTS原型系统设计
6.3 多模态融合感知应用
6.3.1 空间域对准
6.3.2 时间域对准
6.3.3 多模态数据融合跟踪方法
6.3.4 实验与结果分析
6.4 船舶目标综合识别应用
6.4.1 跨模态船舶目标综合识别
6.4.2 实验与结果分析
6.5 本章小结
第七章 总结与展望
7.1 本书工作总结
7.2 未来研究展望
参考文献
附录 作者近来年发表的论文及其他科研成果