[发明专利]一种基于迁移学习与深度学习的侧扫声呐图像目标自动分类方法

说明书

本发明属于水下目标自动识别分类领域，具体涉及一种基于迁移学习与深度学习的侧扫声呐图像目标自动分类方法；包括获取带有分割标注的常规光学图像数据集；利用数据集中各个图像对应的标注图像进行轮廓分割；选定一个卷积神经网络结构进行训练，得到源领域目标分类网络；对经过充分训练的源领域目标分类网络前部分的参数进行冻结，同时将分类网络的后部分参数设置为可训练状态；使用训练集对设置好的分类网络继续进行训练；训练完成后，使用验证集评估分类网络性能。本方法使用迁移学习方法，对使用非侧扫声呐图像训练好的卷积神经网络进行迁移，同时根据相似性原理，对源领域数据集进行预处理，从而提高了迁移学习效率，防止负迁移现象。

技术领域

本发明属于水下目标自动识别分类领域，具体涉及一种基于迁移学习与深度学习的侧扫声呐图像目标自动分类方法。

背景技术

侧扫声呐图像目标自动分类，对海洋探测和水下搜寻具有重要意义，尤其是失事飞机和沉船搜寻方面。目前普遍的搜寻方法是使用AUV搭载的声呐对目标海底进行大面积扫描，然后在完整扫描一片海域后，将数据拷贝出来，然后由人工判读是否存在目标，由于其不具备自主目标检测识别能力，这种搜寻流程的作业效率较低，因此，如何提高声呐图像的目标自主检测识别能力，变得愈发的重要。

目前的声呐图像目标检测技术主要以图像分割、轮廓提取等人工设计特征结合分类器的分类方法为主；这类方法在一定程度上取得了较好的成果，但至今仍未有被广泛认可的有效的方法。

近年来，在常规图像分类识别领域，卷积神经网络的准确率已经达到人工识别的水平。深层的网络结构赋予卷积神经网络强大的特征提取及特征组合能力，然而，训练深度学习网络，需要大量的样本数据。侧扫声呐图像获取难度大、成本高，导致包含特定目标的图像样本过少，直接用少量的侧扫声呐图像样本训练卷积神经网络很容易造成过拟合现象，使卷积神经网络不具备应用价值。

迁移学习的发展很好地解决了这个问题。迁移学习的目标是完成知识在相关领域之间的迁移。对于卷积神经网络而言，迁移学习就是要把在特定数据集上训练得到的“知识”即源领域成功运用到新的领域即目标领域之中，这无疑是解决样本数据量过少导致的无法应用深度学习的最佳解决方案。

发明内容

本发明的目的在于提高一种提高迁移学习效率、防止负迁移现象的基于迁移学习与深度学习的侧扫声呐图像目标自动分类方法。

一种基于迁移学习与深度学习的侧扫声呐图像目标自动分类方法，具体包括如下步骤：

步骤1、获取带有分割标注的常规光学图像数据集；

步骤2、利用数据集中各个图像对应的标注图像进行轮廓分割，对图像进行去细节特征、模糊、灰度化、灰度重映射、添加噪声等处理过程，使其与侧扫声呐图像一致，并将经过处理的数据集命名为源领域数据集；

步骤3、选定一个卷积神经网络结构，使用源领域数据集进行训练，得到源领域目标分类网络；

步骤4、构建侧扫声呐图像数据集，进行数据标注，本发明中，示例的侧扫声呐图像数据集包含两类，分别是飞机沉船类和其他目标类；

步骤5、对侧扫声呐图像数据集进行随机分组，按固定比例分为训练集和验证集；

步骤6、根据侧扫声呐图像数据集中类别数量调整分类网络输出层神经元个数；

步骤7、对经过充分训练的源领域目标分类网络前部分的参数进行冻结，即设置这些网络参数为不可训练状态，同时，将分类网络的后部分参数设置为可训练状态；

步骤8、使用训练集对步骤7中设置好的分类网络继续进行训练；

步骤9、训练完成后，使用验证集评估分类网络性能，若不满足准确率及稳定性要求，则回到步骤7，根据步骤8中训练结果适当调整可训练参数数目及其他网络训练相关参数，直至步骤8得到的分类结果满足要求。