[1] 景志宏, 赵俊渭, 林钧清, 等. 高性能水下目标识别系统及其实验研究[J]. 船舶工程, 1999(4):52-54.
[2] 朱进, 章新华. 被动声呐目标识别技术的现状与展望[J]. 舰船科学技术, 2003, 25(5):55-58.
[3] Hinich M J, Marandino D, Sullivan E J. Bispectrum of ship-radiated noise[J]. Journal of the Acoustical Society of America, 1988, 85(S1):127-128.
[4] 李新欣. 基于拖曳式水平渔探仪目标信号的特征提取及分类识别研究[D]. 哈尔滨:哈尔滨工程大学, 2007.
[5] 沈广楠. 舰船目标识别技术研究[D]. 哈尔滨:哈尔滨工程大学, 2012.
[6] 李思纯. 基于矢量水听器的目标特征提取与识别技术研究[D]. 哈尔滨:哈尔滨工程大学, 2007.
[7] 张艳宁, 孙进才, 孙玉兰, 等. 一种基于自适应子波神经网络的船舶噪声分类方法[J]. 西北工业大学学报, 1997(1):120-124.
[8] 张义军. 基于高阶统计量的舰船辐射噪声特征提取有分类识别研究[D]. 西安:西北工业大学, 2001.
[9] Zhao X G, Zhu F C. Signal process of coal thickness detection based on wavelet singuality analysis[J]. Machine Building & Automation, 2006, 23(3):236-238.
[10] 樊养余, 陶宝棋, 熊克, 等. 舰船噪声的112维普特征提取[J]. 声学学报, 2002, 27(1):71-76.
[11] 贾雪松. 基于混沌理论的舰船辐射噪声特征提取研究[D]. 西安:西北工业大学, 2004.
[12] 张自丽. 舰船噪声包络的特征提取研究[D]. 西安:西北工业大学, 2004.
[13] 邓继雄. 基于高阶统计量的舰船目标分类方法研究[D]. 西安:西北工业大学, 2005.
[14] 陈静. 舰船辐射噪声的混沌特征提取方法研究[D]. 西安:西北工业大学, 2006.
[15] 李训诰, 冯欣欣, 戈弋. 舰船辐射噪声的动态识别[J]. 声学学报, 2002, 27(5):443-448.
[16] 史广智, 胡均川. 基于小波包和维谱的舰船辐射噪声频域特征提取及融合[J]. 声学技术, 2004, 23(1):4-7.
[17] 史广智, 胡均川. 基于舰船噪声仿真模型的目标识别研究[J]. 系统仿真学报, 2006, 18(5):1398-1401.
[18] 戴卫国, 张宝华, 程玉胜. 隐马尔可夫模型在舰船噪声目标识别中的应用[J]. 声学技术, 2008, 27(2):187-191.
[19] 彭圆, 申丽然, 李雪耀, 等. 基于双谱的水下目标辐射噪声的特征提取与分类研究[J]. 哈尔滨工程大学学报, 2003, 24(4):390-394.
[20] 孙焱. 被动目标分频段调制特征提取方法研究[D]. 哈尔滨:哈尔滨工程大学, 2007.
[21] 王洪玲. 舰船辐射噪声调制特征提取方法研究[D]. 哈尔滨:哈尔滨工程大学, 2007.
[22] 李沫. 基于时频分析的舰船辐射噪声检测方法研究[D]. 哈尔滨:哈尔滨工程大学, 2012.
[23] 李江乔. CEEMD与蚁群算法在舰船目标识中的应用研究[D]. 哈尔滨:哈尔滨工程大学, 2015.
[24] 孟庆昕. 海上目标被动识别方法研究[D]. 哈尔滨:哈尔滨工程大学, 2016.
[25] 胡伟文, 苑秉成, 杨鹏, 等. 基于小波能量谱的舰船目标信号特征量建模[J]. 系统仿真学报, 2007, 19(17):4025-4027.
[26] 刘健, 刘忠, 熊鹰. 基于小波包能量谱和SVM的水下目标识别[J]. 武汉理工大学学报, 2012, 36(2):361-365.
[27] 赵琪. 基于多物理场特征的舰船目标识别技术研究[D]. 哈尔滨:哈尔滨工业大学, 2017.
[28] 陆晨翔, 王璐, 曾向阳. 水下目标信号的结构化稀疏特征提取方法[J]. 哈尔滨工程大学学报, 2018, 39(8):1278-1282.
[29] 杨宝森. 雷达目标信号检测的研究[D]. 大连:大连海事大学, 2013.
[30] 王霄琼. 基于DSP的雷达中频信号的目标检测[D]. 大连:大连海事大学, 2010.
[31] 林茂庸, 柯有安. 雷达信号理论[M]. 长沙:国防工业出版社, 1984.
[32] Merrill I S. 雷达系统导论:第3版[M]. 左群声, 徐国良, 马林, 等译. 北京:电子工业出版社, 2014.
[33] 孔祥维, 王敬, 宫平. 基于小波变换的舰船雷达信号去噪方法[J]. 大连理工大学学报, 2000, 40(3):371-374.
[34] 李为民, 石志广, 付强. 舰船目标雷达回波特征信号的建模与仿真[J]. 系统仿真学报, 2005, 17(9):2047-2050.
[35] 鞠熠昊, 耿伯英, 刘健, 等. 基于辐射噪声能量分布的舰船目标分类算法[J]. 舰船科学技术, 2010, 32(10):45-49.
[36] 赵建华, 王磊, 李涛. 海上目标雷达回波图像识别系统[J]. 兵工自动化, 2012(12):61-65.
[37] 张佳. 基于Web语义的舰船雷达目标识别系统设计[J]. 舰船科学技术, 2016, 38(13):133-137.
[38] 杨宝森. 雷达目标信号检测的研究[D]. 大连:大连海事大学, 2013.
[39] 肖永生. 射频隐身雷达信号设计与目标识别研究[D]. 南京:南京航空航天大学, 2014.
[40] 刘雪阳. 双基地雷达高速微弱目标检测算法研究[D]. 成都:中国电子科技大学, 2015.
[41] 赵东波, 李辉. 变步长SWAP算法在雷达目标识别中的应用[J]. 控制工程, 2018, 25(8):1381-1384.
[42] 许道明, 张宏伟. 雷达低慢小目标检测技术综述[J]. 现代防御技术, 2018, 46(1):148-153.
[43] 林悦, 夏厚培. 交叉验证的GRNN神经网络雷达目标识别方法研究[J]. 现代防御技术, 2018, 46(4):113-118.
[44] 张帆. 海上光学遥感图像目标识别与GPU并行加速[D]. 长春:中国科学院长春光学精密机械与物理研究所, 2017.
[45] 程平. 无人机遥感图像海上舰船目标识别技术的研究[D]. 厦门:集美大学, 2012.
[46] 蒋李兵. 基于高分辨光学遥感图像的舰船目标检测方法研究[D]. 长沙:国防科学技术大学, 2006.
[47] Marre F. Automatic vessel detection system on SPOT5 optical imagery:A neuro-genetic approach[C]//Proceedings of The Fourth Meeting of the DECLIMS Project. Washington, DC:IEEE Computer Society, 2004:14-19.
[48] 张风丽, 张磊, 吴炳方. 欧盟船舶遥感探测技术与系统研究的进展[J]. 遥感学报, 2007, 11(4):552-562.
[49] 种劲松. 合成孔径雷达图像舰船目标检测算法与应用研究[D]. 北京:中国科学院电子学研究所, 2002.
[50] 张振. 高分辨率可见光遥感图像港口及港内目标识别方法研究[D]. 合肥:中国科学技术大学, 2009.
[51] 张国敏. 复杂场景遥感图像目标检测方法研究[D]. 长沙:国防科学技术大学, 2010.
[52] 陈海亮. 基于特征的光学遥感图像舰船目标检测技术研究[D]. 长沙:国防科学技术大学, 2010.
[53] 王保云, 张荣, 袁圆, 等. 可见光遥感图像中舰船目标检测的多阶阈值分割方法[J]. 中国科学技术大学学报, 2011, 41(4):293-298.
[54] 金文超. 基于复杂背景的光学遥感图像舰船目标检测技术[D]. 哈尔滨:哈尔滨工程大学, 2013.
[55] 喻金桃. 基于遥感影像的海洋近岸目标提取技术[D]. 郑州:解放军信息工程大学, 2017.
[56] 孙越娇, 雷武虎, 胡以华, 等. 基于多源遥感卫星的海面舰船目标检测方法[J]. 激光与红外, 2018, 48(2):267-270.
[57] 胡炎, 单子力, 高峰. 基于Faster-RCNN和多分辨率SAR的海上舰船目标检测[J]. 无线电工程, 2018(2):96-100.
[58] 蒋明哲. SAR图像舰船检测与分类方法研究[D]. 合肥:合肥工业大学, 2016.
[59] Eldhuset K. An automatic ship and ship wake detection system for spaceborne SAR images in coastal regions[J]. Geoscience & Remote Sensing IEEE Transactions on, 1996, 34(4):1010-1019.
[60] 陈利民, 孟俊敏, 杨学志, 等. 基于H-CFAR的SAR图像快速舰船目标检测[J]. 合肥工业大学学报(自然科学版), 2012, 35(12):1633-1636.
[61] 种劲松, 朱敏慧. SAR图像局部窗口K-分布目标检测算法[J]. 电子与信息学报, 2003, 25(9):1276-1280.
[62] 李晓玮, 种劲松. 基于小波分解的K-分布SAR图像舰船检测[J]. 测试技术学报, 2007, 21(4):350-354.
[63] 陈鹏, 黄韦艮, 傅斌, 等. 一种改进的CFAR船只探测方法[J]. 遥感学报, 2005, 9(3):260-264.
[64] 宋建社, 郑永安, 袁礼海. 合成孔径雷达图像理解与应用[M]. 北京:科学出版社, 2008.
[65] 杜臻. SAR图像舰船目标检测方法研究[D]. 哈尔滨:哈尔滨工业大学, 2016.
[66] 谢晴, 张洪. SAR图像多层次正则化增强及在目标识别中的应用[J]. 电子测量与仪器学报, 2018, 32(9):157-161.
[67] 熊伟, 徐永力, 崔亚奇, 等. 高分辨率合成孔径雷达图像舰船目标几何特征提取方法[J]. 光子学报, 2018, 47(1):1-9.
[68] 赵鹏举, 甘凯. 基于互补特征层次决策融合的SAR目标识别方法[J]. 电光与控制, 2018, 25(10):28-32.
[69] 肖垚, 刘畅. 基于稀疏求解的改进PCA方法在SAR目标识别中的应用[J]. 中国科学院大学学报, 2018, 35(1):84-88.
[70] 林志龙, 王长龙, 胡永江, 等. SAR图像目标识别的卷积神经网模型[J]. 中国图像图形学报, 2018, 23(11):1733-1741.
[71] 白玉, 姜东民, 裴加军, 等. 改进的ELU卷积神经网络在SAR图像舰船检测中的应用[J]. 测绘通报, 2018(1):125-128.
[72] 李松, 魏中浩, 张冰尘, 等. 深度卷积神经网络在迁移学习模式下的SAR目标识别[J]. 中国科学院大学学报, 2018, 35(1):75-82.
[73] 孟威. 复杂背景自适应红外小目标检测[D]. 杭州:浙江大学信息与电子工程系, 2013.
[74] 常兴华. 基于无人机红外遥感图像的海上目标识别系统设计及其应用[D]. 沈阳:东北大学, 2013.
[75] 杜文超, 董其义, 李振宇, 等. 天水线在识别红外舰船图像目标中的应用[J]. 国外电子测量技术, 2005, 24(7):46-49.
[76] 张宇. 濒海背景下红外目标的自动识别技术研究[D]. 北京:清华大学, 2014.
[77] 李云, 宋勇, 赵宇飞, 等. 基于PCNN和改进邻域判决的红外弱小目标检测算法[J]. 兵器装备工程学报, 2018, 39(1):141-145.
[78] Bae T W, Zhang F, Kweon I S. Edge directional 2D LMS filter for infrared small target detection[J]. Infrared Physics & Technology, 2012, 55(1):137-145.
[79] Chen C L P, Li H, Wei Y, et al. A Local Contrast Method for Small Infrared Target Detection[J]. IEEE Transactions on Geoscience & Remote Sensing, 2014, 52(1):574-581.
[80] 何玉杰, 李敏, 张金利, 等. 基于相关滤波器的红外弱小目标检测算法[J]. 光学学报, 2016, 36(5):88-96.
[81] 梁秀梅. 无人艇视觉系统目标图像特征提取与识别技术研究[D]. 哈尔滨:哈尔滨工程大学, 2013.
[82] 裴洪飞. 航空图像中舰船目标识别技术研究[D]. 哈尔滨:哈尔滨工程大学, 2011.
[83] 王明芬. 基于形状外观的运动船只识别与跟踪技术研究[D]. 厦门:厦门大学, 2008.
[84] 齐保军. 大气散射模型在雾天图像增强和海面小目标检测中的应用[D]. 长沙:国防科学技术大学, 2013.
[85] Wu Q, Cui H, Du X, et al. Real-time moving maritime objects segmentation and tracking for video communication[C]//Proceedings of 2006 10th international conference on communication technology. Beijing:Chinese Institute of Electronics, 2006:1257-1260.
[86] Gupta K M, Aha D W, Hartley R, et al. Adaptive maritime video surveillance[J]. Proceedings of SPIE-The International Society for Optical Engineering, 2011, 7346:734609.
[87] Gupta K M, Aha D W, Moore P. Case-based collective inference for maritime object classification[C]//Proceedings of International Conference on Case-Based Reasoning. Berlin:Springer, 2009:434-449.
[88] Szpak Z L, Tapamo J R. Maritime surveillance:Tracking ships inside a dynamic background using a fast level-set[J]. Expert Systems with Applications, 2011, 38(6):6669-6680.
[89] Zivkovic Z, Heijden F V D. Efficient adaptive density estimation per image pixel for the task of background subtraction[J]. Pattern Recognition Letters, 2006, 27(7):773-780.
[90] Socek D, Culibrk D, Marques O, et al. A hybrid colorbased foreground object detection method for automated marine surveillance[C]//Proceedings of International Conference on Advanced Concepts for Intelligent Vision Systems. Berlin:Springer, 2005:340-347.
[91] Tanja V V H, Bolderheij F, Groen F C A. Automatic detection in a maritime environment:gradient filter versus intensity background estimation[C]//Proceedings of SPIE Defense and Security Symposium. Boston:International Society for Optics and Photonics, 2008:696701.
[92] Tanja V V H, Scholte K A. Polynomial background estimation using visible light video streams for robust automatic detection in a maritime environment[C]//Proceedings of Electro-Optical Remote Sensing, Photonic Technologies, and Applications III. Boston:International Society for Optics and Photonics, 2009:748209.
[93] Voles P, Smith A A W, Teal M K. Nautical scene segmentation using variable size image windows and feature space reclustering[J]. Lecture Notes in Computer Science, 2000, 1843:324-335.
[94] Socek D, Culibrk D, Marques O, et al. A hybrid colorbased foreground object detection method for automated marine surveillance[C]//Proceedings of International Conference on Advanced Concepts for Intelligent Vision Systems. Berlin:Springer, 2005:340-347.
[95] Sullivan M D R, Shah M. Visual surveillance in maritime port facilities[C]//Proceedings of Visual Information Processing XVII. Boston:International Society for Optics and Photonics, 2008:697811.
[96] Wijnhoven R, Rens V K, Jaspers E. Online learning for ship detection in maritime surveillance[C]//Proceedings of 31th Symposium on Information Theory in the Benelux Rotterdam the Netherlands. Eindhoven:Werkgemeenschap voor Informatie-en Communicatietheorie (WIC), 2010:73-80.
[97] Viola P, Jones M J. Robust real-time face detection[J]. International Journal of Computer Vision, 2004, 57(2):137-154.
[98] Westall P, O'Shea P, Ford J J, et al. Improved maritime target tracker using colour fusion[C]//Proceedings of International Conference on High Performance Computing & Simulation. Washington, DC:IEEE Computer Society, 2009:230-236.
[99] Tanja V V H, Leijen A V V, Groen F C A. Colour as an attribute for automated detection in maritime environments[C]//International Conference on Information Fusion. Washington, DC:IEEE Computer Society, 2009:1679-1686.
[100] Mirghasemi S, Yazdi H S, Lotfizad M. A target-based color space for sea target detection[J]. Applied Intelligence, 2012, 36(4):960-978.
[101] Hou X, Zhang L. Saliency Detection:A spectral residual approach[C]//Proceedings of IEEE Conference on Computer Vision and Pattern Recognition. Washington, DC:IEEE Computer Society, 2007:18-23.
[102] Rahtu E, Kannala J, Salo M, et al. Segmenting salient objects from images and videos[C]//Proceedings of the 11th European conference on Computer vision. Berlin:Springer, 2010:366-379.
[103] Albrecht T, West G, Tan T, et al. Visual maritime attention using multiple low-level features and Naive Bayes classification[C]//Proceedings of International Conference on Digital Image Computing:Techniques and Applications. Washington, DC:IEEE Computer Society, 2011:243-249.
[104] 张羽. 基于云计算的舰船目标图像识别[D]. 广州:华南理工大学, 2016.
[105] Hinton G E, Salakhutdinov R R. Reducing the Dimensionality of Data with Neural Networks[J]. Science, 2006, 313(5786):504.
[106] 韩佳容. 基于区域卷积神经网络的目标检测方法研究[D]. 长沙:国防科技大学, 2016.
[107] 付若楠. 基于深度学习的目标检测研究[D]. 北京:北京交通大学, 2017.
[108] 段萌. 基于卷积神经网络的图像识别方法研究[D]. 郑州:郑州大学, 2017.
[109] 赵锟. 基于深度卷积神经网络的智能车辆目标检测方法研究[D]. 长沙:国防科学技术大学, 2015.
[110] Zeiler M D, Fergus R. Visualizing and understanding convolutional networks[C]//Proceedings of European Conference on Computer Vision. Berlin:Springer, 2014:818-833.
[111] Simonyan K, Zisserman A. Very deep convolutional networks for large-scale image recognition[J/OL].[2019-12-01]. https://arxiv.org/pdf/1409.1556.pdf.
[112] Szegedy C, Liu W, Jia Y, et al. Going deeper with convolutions[C]//Proceedings of IEEE Conference on Computer Vision and Pattern Recognition. Washington, DC:IEEE Computer Society, 2015:1-9.
[113] He K, Zhang X, Ren S, et al. Deep residual learning for image recognition[C]//Proceedings of IEEE Conference on Computer Vision and Pattern Recognition. Washington, DC:IEEE Computer Society, 2016:770-778.
[114] 逄淑超. 深度学习在计算机视觉领域的若干关键技术研究[D]. 沈阳:吉林大学, 2017.
[115] 王瑞. 基于卷积神经网络的图像识别[D]. 开封:河南大学, 2015.
[116] 朱煜, 赵江坤, 王逸宁, 等. 基于深度学习的人体行为识别算法综述[J]. 自动化学报, 2016, 42(6):848-857.
[117] 赵亮, 王晓峰, 袁逸涛. 基于深度卷积神经网络的船舶识别方法研究[J]. 舰船科学技术, 2016, 38(15):119-123.
[118] 黄洁, 姜志国, 张浩鹏, 等. 基于卷积神经网络的遥感图像舰船目标检测[J]. 北京航空航天大学学报, 2017, 43(9):1841-1848.
[119] 刘峰, 沈同圣, 马新星. 特征融合的卷积神经网络多波段舰船目标识别[J]. 光学学报, 2017(10):240-248.
[120] 刘峰, 沈同圣, 马新星, 等. 基于多波段深度神经网络的舰船目标识别[J]. 光学精密工程, 2017, 25(11):2939-2946.
[121] 王腾飞. 高分辨率遥感图像深度学习舰船检测技术研究[D]. 哈尔滨:哈尔滨工业大学, 2017.
[122] 李健伟, 曲长文, 彭书娟, 等. 基于卷积神经网络的SAR图像舰船目标检测[J]. 系统工程与电子技术, 2018, 40(9):1953-1958.
[123] 马啸, 邵利民, 金鑫, 等. 改进的YOLO模型及其在舰船目标识别中的应用[J]. 电讯技术, 2019, 59(8):869-874.
