Resumen

Los algoritmos de detección y segmentación de objetivos han sido durante mucho tiempo una de las principales direcciones de investigación en el campo de la visión por computador, especialmente en el estudio de la comprensión de imágenes de la superficie del mar, estas dos tareas a menudo necesitan considerar el trabajo colaborativo al mismo tiempo, lo que es muy alto para los requisitos de rendimiento del procesador de computación. Este artículo tiene como objetivo estudiar el algoritmo de aprendizaje profundo de detección y segmentación de objetivos marinos. Este trabajo utiliza un método de filtrado basado en la transformada wavelet para la supresión del ruido de moteado, un método basado en el aprendizaje profundo para el enmascaramiento terrestre, y la parte de detección de objetivos utiliza un algoritmo en cascada CFAR mejorado. Por último, se seleccionan las mejores características separables para eliminar las falsas alarmas. Con el fin de ilustrar aún más la viabilidad del esquema, este documento utiliza datos medidos y datos de simulación para verificar el esquema y analiza el efecto de diferentes relaciones señal-ruido, tipo de objetivo marino y actitud en el rendimiento del algoritmo. Los datos de la investigación muestran que el algoritmo de aprendizaje profundo de detección y segmentación de blancos marinos tiene un buen rendimiento de detección y es aplicable en general a la detección de blancos marinos de diferentes tipos y diferentes actitudes. Los resultados muestran que el algoritmo de aprendizaje profundo de detección y segmentación de blancos marinos tiene plenamente en cuenta la forma irregular y la textura del blanco interferente detectado en la imagen de teledetección óptica, de modo que el índice de precisión es un 32,7% superior y la eficiencia se incrementa en aproximadamente 1,3 veces. El algoritmo de aprendizaje profundo de detección de blancos marinos se compara con el algoritmo de segmentación, y tiene una gran capacidad de caracterización de blancos y puede aplicarse a blancos de barcos de diferentes escalas.

• Materias:Matemáticas Análisis Matemático Álgebra Ingeniería Matemática aplicada Lógica matemática
• Subjects:mathematics Mathematical Analysis Algebra Engineering Applied Mathematics Mathematical logic
• Palabras claves:detección de objetivos marinos, algoritmo de segmentación, requisitos de rendimiento del procesador informático, comprensión de imágenes de la superficie marina, gran capacidad de caracterización de objetivos, algoritmo en cascada cfar, mejores características separables, buen rendimiento de detección, principales líneas de investigación, tipo de objetivo marino
• Keywords:sea target detection, segmentation algorithm, computing processor performance requirements, sea surface image understanding, strong target characterization ability, cfar cascade algorithm, best separable features, good detection performance, main research directions, sea target type