本书从视觉感知的角度，探索海面目标识别与跟踪中若干关键技术的解决方案，具体针对图像去雾／去雨预处理、重叠下马赛克图像数据增强与检测、小目标识别、多视角船舶识别、目标动作跟踪和轨迹预测等提出了自已的见解。本书根据笔者课题组近年的研究成果编写，共7章：第1章基于残差块网络的图像去雨算法，第2章基于多尺度融合的图像去雾算法，第3章船舶目标重叠下马赛克图像数据增强与检测方法研究，第4章基于SSD算法的船舶小目标识别方法，第5章基于更快区域卷积神经网络的多视角船舶识别，第6章基于孪生网络的海面目标动作跟踪模型，第7章基于QABC和LSTM的海面目标轨迹预测研究。

第1章 基于残差块网络的图像去雨算法
1.1 引言
1.2 雨天图像数据集
1.2.1 室外雨天图像数据集
1.2.2 雨天海面模拟数据集
1.3 基于卷积神经网络的图像去雨方法
1.3.1 基于残差网络的去雨模型设计
1.3.2 残差网络模块
1.3.3 损失函数
1.4 实验结果分析
1.5 结论
参考文献
第2章 基于多尺度融合的图像去雾算法
2.1 引言
2.2 海面雾天图像数据集模拟
2.2.1 海面图像数据集
2.2.2 海面雾天图像模拟
2.3 基于多尺度融合的图像去雾算法
2.3.1 多尺度融合网络模块
2.3.2 伽马矫正
2.4 实验结果分析
2.4.1 图像质量评估
2.4.2 海面目标检测实验
2.5 总结
参考文献
第3章 船舶目标重叠下马赛克图像数据增强与检测方法研究
3.1 引言
3.2 方法论
3.2.1 Yolov4-tiny算法的概述
3.2.2 数据增强方法
3.2.3 损失函数
3.2.4 网络优化方法
3.3 实验仿真及测试
3.3.1 数据集规划
3.3.2 训练与测试结果
3.4 结论
参考文献
第4章 基于SSD算法的船舶小目标识别方法
4.1 引言
4.2 相关工作
4.3 SSD网络模型
4.4 评估指标
4.5 实验数据集
4.6 实验结果分析
4.7 总结
参考文献
第5章 基于更快区域卷积神经网络的多视角船舶识别
5.1 引言
5.2 方法论
5.2.1 Faster R-CNN模型
5.2.2 特征提取网络
5.2.3 RPN模块
5.2.4 分类及回归网络
5.2.5 损失函数
5.3 实验结果分析
5.4 结论
参考文献
第6章 基于孪生网络的海面目标动作跟踪模型
6.1 引言
6.2 相关工作
6.3 SIAMAD模型
6.3.1 模型的搭建
6.3.2 模型的训练流程
6.3.3 模型的测试流程
6.4 对比实验
6.4.1 构建海面目标数据集
6.4.2 对比实验结果分析
6.5 结论
参考文献
第7章 基于QABc和LSTM的海面目标轨迹预测研究
7.1 引言
7.2 相关工作
7.3 基于QABC-LSTM的海面目标视觉轨迹预测
7.3.1 QABC算法
7.3.2 长短时记忆网络
7.3.3 QABC-LSTM模型的搭建
7.3.4 QABC-LSTM模型的训练
7.4 实验结果分析
7.5 结论
参考文献