[发明专利]一种改善目标聚类特性的深度学习激光水下目标识别仪

权利要求书

1.一种改善目标聚类特性的深度学习激光水下目标识别仪，其特征在于，它由依次相连的水下激光扫描装置、计算装置、储存装置、显示装置组成，所述水下激光扫描装置对待检测水下区域进行扫描，将所得激光点云数据传输至计算装置，将其转化为二维图像数据，再传输进储存装置进行存储，并由显示装置显示；

所述计算装置中集成了结合改进的度量学习损失函数的EfficientNet卷积神经网络模型，其识别过程如下：

(1)将激光点云数据处理为三通道的图片数据，输入储存在数据存储装置中的结合改进的度量学习损失函数的EfficientNet卷积神经网络模型；

(2)计算难样本三元组损失，其表达式如下：

其中，p_h,n_h分别表示一个批次中相对于锚样本特征向量度量距离最远的正样本与最近的负样本，将这两种样本称为最难的正样本与负样本；由式(1)可知，难样本三元组损失进一步提高了对于类内聚合与类间分离程度的要求；即要求每个训练批次中与锚样本距离最远的正样本特征向量的度量距离比与锚样本距离最近的负样本的特征向量的度量距离小至少α，这会使网络形成对于输入样本集更好的聚类能力；

(3)计算半难样本三元组损失，其表达式如下：

其中，β＝d(a,n_h)是在训练过程中的每个批次里在线计算的，所以β对于每个训练批次来说是常数，对于不同的批次是变量；令L_HTH对O_k,c,h,w求导，可得：

由式(3)可以看出，难的负样本在损失函数的偏导数中的影响已经被消除了，因此网络可以将注意力集中于学习同类输入数据中的相似特征从而更好地实现特征向量的内部聚合；式(3)中仍然有一个阈值α；半难样本三元组损失可以很好地改善输入数据的聚类情况；

(4)将上文中的难样本三元组损失、半难样本三元组损失与分类网络常用的交叉熵损失相加，得到可以显式地改善输入样本聚类效果的分类损失函数，其表达式如下：

其中，n为每个批次的样本数，y′_i是一个批次中第i个样本的网络输出值。