[发明专利]一种基于多任务学习的侧扫声呐图像分类方法

权利要求书

1.一种基于多任务学习的侧扫声呐图像分类方法，其特征在于，包括以下步骤：

步骤1：根据现有的侧扫声呐数据，构建已分类的侧扫声呐图像数据集；

步骤2：根据侧扫声呐数据集中目标类别，构建与目标相关的光学图像辅助数据集；

步骤3：构建基于卷积神经网络的多任务学习模型；所述的基于卷积神经网络的多任务学习模型有两个输入，两个输入共享卷积池化层；每个输入拥有各自的分类层且单独计算自己的损失函数；所述的基于卷积神经网络的多任务学习模型总损失函数为两个输入的加权损失函数之和；

所述基于卷积神经网络的多任务学习模型的两个输入的损失函数具体为：

针对光学图像辅助数据集分类任务的损失函数为：

其中，M为参与训练的光学图像辅助数据集中辅助任务样本的数量；f(x)为卷积、池化层的拟合函数；g₁(x)为辅助任务的全连接层的拟合函数；x_s⁽ⁱ⁾为光学图像辅助数据集中参与训练的第i个样本；y_s⁽ⁱ⁾为光学图像辅助数据集中第i个样本对应的标签；

针对侧扫声呐图像数据集分类任务的损失函数为：

其中，N为参与训练的侧扫声呐图像数据集中目标任务样本的数量；f(x)为卷积、池化层的拟合函数；g₂(x)为目标任务的全连接层的拟合函数；x_t⁽ⁱ⁾为侧扫声呐图像数据集中参与训练的第i个样本；y_t⁽ⁱ⁾为侧扫声呐图像数据集中第i个样本对应的标签；

基于卷积神经网络的多任务学习模型的最终设置的总损失函数为：

J＝α*J_s+β*J_t

其中，α，β分别代表辅助任务和目标任务的权重，初始化为1∶1；

步骤4：将侧扫声呐图像数据集与光学图像辅助数据集中的数据作为基于卷积神经网络的多任务学习模型的输入，设定网络参数并训练基于卷积神经网络的多任务学习模型，得到侧扫声呐图像目标自动分类网络；

步骤5：使用验证集验证侧扫声呐图像目标自动分类网络性能，记录最高正确率；若最高正确率不满足要求，则调整基于卷积神经网络的多任务学习模型的两个输入的损失函数的权重比，返回步骤4重新训练；

步骤6：将侧扫声呐实时探测的图像输入侧扫声呐图像目标自动分类网络中，得到分类结果。

2.根据权利要求1所述的一种基于多任务学习的侧扫声呐图像分类方法，其特征在于：

所述的步骤3中构建基于卷积神经网络的多任务学习模型，使用卷积神经网络进行特征提取，卷积神经网络仿造生物的视觉机制构建，其中间层的卷积核共享和层间相连的稀疏性使得卷积神经网络能够以较小的计算量对图像特征进行自动、稳定的学习并且没有额外的特征工程。