[发明专利]基于多尺度卷积与池化策略的侧扫声纳海底沙波检测方法

权利要求书

1.一种基于多尺度卷积与池化策略的侧扫声纳海底沙波检测方法，其特征在于，方法包括以下步骤：

S1：收集海底侧扫声纳数据与姿态定位数据；

S2：对S1收集到的海底侧扫声纳数据进行预处理；

S3：构建基于改进的卷积神经网络的海底沙波识别网络；

S4：训练S3得到的海底沙波识别网络；

S5：利用S4训练好的海底沙波识别网络，识别S2预处理后的侧扫声纳测试数据，输出识别结果；

所述S3中，构建基于改进的卷积神经网络的海底沙波识别网络，具体为：

(1)使用累积学习双边分支网络BBN作为海底沙波识别的主干网络，包括卷积学习分支和再平衡分支；针对训练样本不均衡问题，卷积学习分支通过均匀采样训练样本(u_c,y_c)，利用反向采样机制获取训练样本(u_r,y_r)，作为再平衡分支的输入，将学习注意力集中于训练样本数目较少的沙波侧扫图像数据；

(2)以累积学习双边分支网络BBN为主干的基础上，引入金字塔卷积模块与条形池化模块以及跷跷板损失模块，共同构建海底沙波识别网络；

所述引入金字塔卷积模块，具体如下：

(1)将金字塔卷积模块引入累积学习双边分支网络BBN；卷积学习分支和再平衡分支结构相同，除最后残差块外，均参数共享；利用局部多尺度上下文聚合模块和全局多尺度上下文聚合模块解析输入，以丰富累积学习双边分支网络特征捕获功能；

(2)对于每个分支网络，首先经过卷积层提取特征图，通过残差块，再经过空洞卷积和金字塔卷积，增加网络感受野，通过金字塔卷积融合多种卷积核尺度所捕获特征，卷积核的深度沿每个级别而变化，形成全深度和连通性，经过改进的残差块，再应用卷积重新获得初始维度的特征图；

(3)重复上述步骤，卷积学习分支和再平衡分支分别经过多级改进残差块得到特征图，上述空洞卷积过程通过在标准卷积基础上增加超参数空洞率调节卷积尺度，引入空洞卷积后的等效卷积核大小为k'＝k+(k-1)×(d-1)，其中k为原始卷积核的大小，d为超参数空洞率；

所述引入条形池化模块，具体如下：

(1)引入条形池化模块至累积学习双边分支网络BBN，利用狭窄池化核更好拟合识别沙波形态；设尺寸为f_h×f_w的输入特征图c表示通道数，在条形池化的过程中分别馈入到水平池化和垂直池化两条并行路径；

(2)建立改进的条形池化策略，通过平均池化与最大池化的等权重组合从逐行和逐列的角度并行提取有效特征表示符：

水平池化输出维度为(f_h,1,c)的

垂直池化输出维度为(1,f_w,c)的

对条形池化两个输出特征通过卷积运算扩展，分别变换为尺寸为f_H×f_W的水平条形拓展和垂直条形拓展通过y＝y^H+y^V将y^H和y^V组合；通过z＝Scale(P_ij,σ(f(y))计算具有全局先验特征输出，以打造适合沙波的长条状形态的特征捕获，辅助海底沙波特征优化与参数学习，其中Scale(·,·)是逐个元素相乘相加，σ是激活函数，f是1×1卷积；

所述引入跷跷板损失模块，具体如下：

(1)引入跷跷板损失到累积学习双边分支网络BBN；引入一个独立于输入样本的分布函数μ(k)和一个平滑参数η，通过样本标签正则化LSR优化为y'＝(1-η)y+ημ(k)；根据跷跷板损失，通过训练过程中样本数量比例动态重新平衡每个类别的正负样本梯度：

其中，y_m'是对人工标签y_m经过LSR后的类别标签，以对样本标记错误具有更强容错性；z_m＝{z₁,z₂,...,z_C}为类别预测；

对于第m类的样本，施加于第n类的负样本梯度为：

其中，S_mn作为不同种类样本之间的可调平衡因子，调整第m类对第n类施加的惩罚；通过一个缓解因子M_mn和一个补偿因子C_mn确定，S_mn＝M_mnC_mn；

当类别m比类别n出现更频繁时，缓解因子为：

根据类别n和类别m之间的样本数量比例N_n/N_m减少尾部类别n上的惩罚；指数p是一个适应幅度的超参数；

如果类别n的预测概率大于类别m，则补偿因子为：

对类别n的惩罚增加(σ_n/σ_m)^q倍，其中q为控制比例的超参数；C_mn＝1时，C_mn只应用缓解因子M_mn；从而避免由于对类别n的压倒性惩罚减轻，导致类别n误分类。