首页|基于CNN海上钻井平台检测模型的构建及训练算法分析

基于CNN海上钻井平台检测模型的构建及训练算法分析

扫码查看
原文链接
  • NETL
  • NSTL
  • 万方数据
  • 维普
卷积神经网络(CNN)是深度学习(DL)中最具代表性的一种网络结构.合成孔径雷达(SAR)图像具有位置结构关系,CNN模型可以利用图像的位置结构关系,能够更好地提取图像特征,因此更适合采用CNN模型检测海洋目标.本文首先基于CNN框架构建了海上钻井平台检测的DL模型Ocean TDAx,并对模型进行训练和测试.试验结果表明,Ocean TDA9模型精度最高.然后针对Ocean TDA9模型,采用Adam、RMSprop、Stochastic gradient descent(SGD)、Adagrad、Momentum等7种模型训练算法进行试验,比较不同算法的训练损失和精度与训练批次的相关性.最后基于渤海海域的极化SAR数据,对提出的Ocean TDA9模型、已有的CNN模型及VGG模型进行海上钻井平台检测对比.结果表明,构建的Ocean TDA9模型在钻井平台检测中整体性能优良.
Detection model construction based on CNN for offshore drilling platform and training algorithm analysis

柳林、孙毅、李万武

展开 >

山东科技大学,山东 青岛266590

目标检测 钻井平台 卷积神经网络 模型训练 SAR影像

山东省自然科学基金

ZR 2019MD034

2022

测绘通报
测绘出版社

测绘通报

CSTPCDCSCD北大核心
影响因子：1.027
ISSN：0494-0911
年,卷(期)：2022.(7)
  • 1
  • 7