【技术实现步骤摘要】
本专利技术涉及图像识别，尤其涉及基于递进式课程的受扰环境下船舶全种类识别方法及系统。
技术介绍
1、目前基于深度学习的船舶识别模型基本基于目标识别技术，目标检测技术，语义切分技术三大类的模型策略。一方面，在这些方式下所有的监测实例都随机呈现给模型，此外，海洋环境具有动态、高维和组合复杂的特点。雾、云、雨、水流和杂波等多种因素的存在使检测过程进一步复杂化，忽略了数据样本的复杂性和当前的情况。模型的学习进度，不可避免地导致模型鲁棒性低和泛化性能低。二是基于传统的训练模式，泛化性的提升依赖于新增类别的大量样本，但在现实中对数据进行标记处理的成本高昂，且存在某类别数据可能稀缺的情况，这极大降低了模型的可扩展性以及适用性。
技术实现思路
1、本专利技术的目的是为了至少解决现有技术的不足之一，提供基于递进式课程的受扰环境下船舶全种类识别方法及系统。
2、为了实现上述目的，本专利技术采用以下的技术方案：
3、具体的，提出基于递进式课程的受扰环境下船舶全种类识别方法，包括以下：p>
4、获取待本文档来自技高网...
【技术保护点】
1.基于递进式课程的受扰环境下船舶全种类识别方法，其特征在于，包括以下：
2.根据权利要求1所述的基于递进式课程的受扰环境下船舶全种类识别方法，其特征在于，具体的，通过随机裁切、噪声增扰以及明度调整的方式对所述子集进行预处理，生成具有难度梯度逐级递增的n个课程子集Tn。
3.根据权利要求2所述的基于递进式课程的受扰环境下船舶全种类识别方法，其特征在于，具体的，课程子集的数量为6个，即n＝6，预处理的过程如下，
4.根据权利要求1所述的基于递进式课程的受扰环境下船舶全种类识别方法，其特征在于，具体的，对n个所述课程子集进行难度调度，包
【技术特征摘要】
1.基于递进式课程的受扰环境下船舶全种类识别方法，其特征在于，包括以下：
2.根据权利要求1所述的基于递进式课程的受扰环境下船舶全种类识别方法，其特征在于，具体的，通过随机裁切、噪声增扰以及明度调整的方式对所述子集进行预处理，生成具有难度梯度逐级递增的n个课程子集tn。
3.根据权利要求2所述的基于递进式课程的受扰环境下船舶全种类识别方法，其特征在于，具体的，课程子集的数量为6个，即n＝6，预处理的过程如下，
4.根据权利要求1所述的基于递进式课程的受扰环境下船舶全种类识别方法，其特征在于，具体的，对n个所述课程子集进行难度调度，包括以下，
5.根据权利要求1所述的基于递进式课程的受扰环境下船舶全种类识别方法，其特征在于，将第i个课程子集的数据输入特征提取单元，以三元分支获取锚点样本、正...
【专利技术属性】
技术研发人员：李荣辉，孙嘉华，李佳文，丁垤涛，詹俊权，张浩，陈炫杰，朱闽，黄振凯，
申请(专利权)人：广东海洋大学，
类型：发明
国别省市：
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。