تشخیص کشتی دامنه فشرده روی تصویر نوری فضابرد با استفاده از شبکه عصبی عمیق و ماشین یادگیری سریع

قیمت: 43,000 تومان

دانلود رایگان مقاله

خرید ترجمه مقاله

عنوان فارسی

تشخیص کشتی دامنه فشرده روی تصویر نوری فضابرد با استفاده از شبکه عصبی عمیق و ماشین یادگیری سریع

عنوان لاتین

Compressed-Domain Ship Detection on Spaceborne Optical Image Using Deep Neural Network and Extreme Learning Machine

تشخیص کشتی روی تصاویر فضابرد، انگیزه و علاقه زیادی را در کاربردهای امنیت دریایی و کنترل ترافیک به خود جلب کرده است. تصاویر نوری به دلیل تفکیک پذیری (رزولوشن) بیشتر و محتوای بصری قوی تر نسبت به سایر تصاویر حسگری از راه دور دقیق تر هستند. با این وجود بیشتر تکنیک های پرطرفدار برای تشخیص کشتی از تصاویر فضابرد نوری، دو مشکل دارند: 1) در مقایسه با تصاویر مادون قرمز و رادار ترکیبی، نتایج آن ها تحت تاثیر شرایط جوی مثل ابر و امواج دریا قرار می گیرد؛ 2) تفکیک پذیری (رزولوشن) بالاتر منجر به حجم داده بیشتر می شود که فرآیند پردازش را دشوار می سازد. بیشتر تحقیقات قبلی سعی کرده اند با بهبود بخش بندی یا طبقه بندی با الگوریتم های پیچیده، بر مشکل اول غلبه کنند. این روش ها از نظر کارایی و تعادل بین عملکرد و پیچیدگی با مشکل مواجه هستند. در این مقاله ما یک رویکرد تشخیص کشتی برای حل دو مساله مذکور با استفاده از ضرایب موجک که از دامنه فشرده JPEG2000 در ترکیب با شبکه عصبی عمیق (DNN) و ماشین یادگیری سریع (ELM) استخراج شده است ارائه می دهیم. دامنه فشرده برای استخراج کاندیدای کشتی سریع پذیرفته می شود؛ DNN برای ارائه ویژگی سطح بالا و طبقه بندی استفاده می شود؛ و ELM برای جمع آوری ویژگی موثر و تصمیم گیری مورد استفاده قرار می گیرد. آزمایش های گسترده نشان می دهد که در مقایسه با رویکردهای نوین موجود، روش پیشنهادی ما به زمان تشخیص کم تر نیاز دارد و به دقت تشخیص بالاتری دست پیدا می کند.

Ship detection on spaceborne images has attracted great interest in the applications of maritime security and traffic control. Optical images stand out from other remote sensing images in object detection due to their higher resolution and more visualized contents. However, most of the popular techniques for ship detection from optical spaceborne images have two shortcomings: 1) Compared with infrared and synthetic aperture radar images, their results are affected by weather conditions, like clouds and ocean waves, and 2) the higher resolution results in larger data volume, which makes processing more difficult. Most of the previous works mainly focus on solving the first problem by improving segmentation or classification with complicated algorithms. These methods face difficulty in efficiently balancing performance and complexity. In this paper, we propose a ship detection approach to solving the aforementioned two issues using wavelet coefficients extracted from JPEG2000 compressed domain combined with deep neural network (DNN) and extreme learning machine (ELM). Compressed domain is adopted for fast ship candidate extraction, DNN is exploited for high-level feature representation and classification, and ELM is used for efficient feature pooling and decision making. Extensive experiments demonstrate that, in comparison with the existing relevant state-of-the-art approaches, the proposed method requires less detection time and achieves higher detection accuracy.