基于深度学习的自适应权值卷积神经网络水下声纳图像分类方法技术

本发明专利技术提供的是一种基于深度学习的自适应权值卷积神经网络水下声纳图像分类方法。(1)根据数据集中水下声纳图像的特点，生成深度信念网络DBN二维参数矩阵；(2)自适应调整卷积神经网络CNN滤波器权值矩阵的分布；(3)实现基于深度学习的自适应权值卷积神经网络水下声纳图像分类。本发明专利技术提出的基于深度学习的自适应权值卷积神经网络水下声纳图像分类方法，可以解决CNN中滤波器权值初始化的随机问题，避免陷入局部最优，能更好的提高分类正确率，有一定的有效性。

Adaptive weight convolution neural network for underwater sonar image classification based on deep learning

The invention provides an underwater sonar image classification method based on depth learning adaptive weight convolution neural network. (1) According to the characteristics of underwater sonar images in the data set, the depth belief network DBN two-dimensional parameter matrix is generated; (2) Adaptively adjusting the distribution of the weight matrix of convolution neural network CNN filter; (3) Realizing the underwater sonar image classification based on depth learning adaptive weight convolution neural network. The method of underwater sonar image classification based on depth learning and adaptive weight convolution neural network can solve the random problem of filter weight initialization in CNN, avoid falling into local optimum, and can improve classification accuracy better with certain effectiveness.

【技术实现步骤摘要】
基于深度学习的自适应权值卷积神经网络水下声纳图像分类方法
本专利技术涉及的是一种水下目标分类方法，具体地说是一种水下声纳图像(underwatersonarimage)的分类方法。
技术介绍
近年来基于声纳图像的水下目标分类技术得到了极大地发展，其应用范围也越来越广泛。由于水下声纳图像对比度低、边缘模糊、弱纹理，图像质量不理想，这将严重影响水下声纳图像的分类，使其成为一个难题。国内外学者对水下声纳图像目标分类进行了深入研究，并取得了重要的成果。其中在已有的文献中最著名和效果最好的分类方法主要包括：1.基于图像分割和纹理特征的水下声纳图像分类：2012年KhidkikarMahesh,BalasubramanianRamprasad.Segmentationandclassificationofside-scansonardata.LectureNotesinComputerScience,2012,22(7):841-849.提出将水下声纳图像分割，在分割区域计算其纹理特征，最后分别将水下声纳图像分为岩石，残骸，沉积物和海床四大类，分类效果较好。2.基于SVM的水下声纳图像分类：2013年LiKe,LiChonglun,ZhangWei.ResearchofDiverSonarImageRecognitionBasedonSupportVectorMachine.AdvancedMaterialsResearch,Guangzhou,China.2013,785:1437-1440.提出采用SVM方法作为分类器，根据潜水者的特点将平均尺度、速度、形状、方向、夹角作为五维特征向量输入到分类器中进行分类，实验结果较好。3.基于图像特征的水下声纳图像分类：2014年ZhuZhaotong,XuXiaomei,YangLiangliang,etal.Amodel-basedSonarimageATRmethodbasedonSIFTfeatures.OCEANS2014,Taiwan.2014:1-4.提出根据缩放不变特征变换，提取图像特征进行单类匹配图像，得到了较高分类正确率。4.结合核函数提取特征和SVM分类器的水下声纳图像分类方法：2016年RhinelanderJason.Featureextractionandtargetclassificationofside-scansonarimages.2016IEEESymposiumSeriesonComputationalIntelligence,Greece,2016:1-6.提出采用核函数提取特征，SVM对水下声纳图像进行分类，获得了很好的分类性能。5.结合核的极限学习机和PCA原理的水下声纳图像分类方法：2017年ZhuMingcui,SongYan,GuoJia.PCAandKernel-basedExtremeLearningMachineforSide-ScanSonarImageClassification.2017IEEEOESInternationalSymposiumonUnderwaterTechnology,Korea,2017:1-4.提出基于核的极限学习机和PCA原理提出了一种新型分类系统用于水下声纳图像分类，实验结果表明，所提出的方法稳定性好，分类正确率高。传统水下声纳图像分类方法是采取不同的提取特征方法来完成的分类，但特定的某种特征提取方法不能考虑到水下声纳图像所有的有用信息，造成水下声纳图像分类的瓶颈。另外，由于水下声纳图像的成像原因，使水下声纳图像的目标难以从阴影部分和海底混响区域中分割出来，再加上海底情况复杂，噪声多，这就使海底目标的分类变得困难。目前对水下声纳图像分类这部分的工作还处于初级阶段，海底情况复杂，每次声纳在海底拍摄到的图像都不一样，即使一类的图像也是各种角度，这就进一步增加了水下声纳图像分类的难度。而深度学习模型是通过内部网络结构自动提取图像特征，根据深度学习模型自动提取图像特征进行大量数据训练的这一优势，结合水下声纳图像自身特点，采用深度学习模型来完成水下声纳图像的分类，在水下声纳图像分类上将是一场具有里程碑意义的突破。目前针对水下声纳图像，NATOSTOCentreforMaritimeResearchandExperimentation首次提出将CNN用于水下声纳图像分类：1.2016年WilliamsDavidP,DugelaySamantha.Multi-viewSASimageclassificationusingdeeplearning.OCEANS2016MTS/IEEEMonterey,Unitedstates,2016:1-6.2.2017年WilliamsDavidP.Underwatertargetclassificationinsyntheticaperturesonarimageryusingdeepconvolutionalneuralnetworks.InternationalConferenceonPatternRecognition,Mexico,2017:2497-2502.提出将不同结构CNN用于其实验室采集到的水下声纳图像数据集，得到的实验结果和自身对比，获得分类正确率。
技术实现思路
本专利技术的目的在于提供一种在保证收敛速度的基础上能提高分类精度的基于深度学习的自适应权值卷积神经网络水下声纳图像分类方法。本专利技术的目的是这样实现的：(1)DBN生成二维参数矩阵①将数据集中的水下声纳图像裁剪中心区域作为DBN输入，设置相关参数；②进行吉布斯采样，迭代计算与重构层的差异得到隐含层；③用Sigmoid激活函数来处理重构后所得结果；④用逐层贪心算法进行训练，并用BP算法微调整个DBN的参数，生成二维参数矩阵；(2)自适应调整CNN滤波器权值矩阵的分布①采用增维函数实现DBN向量与CNN张量之间的维数转换；②初始化滤波器权值矩阵的替换；③为了限定输入向量的最大值和最小值不超过激活函数和输出层函数的限定范围，采用LRN归一化函数对参数矩阵做归一化处理；(3)实现基于深度学习的自适应权值卷积神经网络的水下声纳图像分类①根据自适应调整CNN滤波器权值矩阵的分布，完成输入的水下声纳图像与滤波器的卷积操作，得到卷积层的特征映射图；②对卷积后所得特征映射图做池化操作；③用ReLU激活函数和LRN归一化函数来处理池化后的特征映射图；④使用全连接层将所有特征映射图进行连接；⑤利用softmax函数判断数据集所属类别，实现水下声纳图像分类。本专利技术还可以包括：1、在步骤(1)中将裁剪后的水下声纳图像输入到DBN模型中，设置相关参数具体包括：可见层和每层隐含层上神经元的个数N、学习率的大小ε和训练最大周期T，将可见层和每层隐含层的权重ω和偏置b初始化。2、步骤(1)中用吉布斯采样对每层的神经元进行采样具体包括：通过可见层重构出隐含层，再由重构的隐含层对下一个隐含层进行重构。3、步骤(1)中隐含层神经元和上一层可见层神经元由sigmoid激活函数进行激活。4、步骤(2)中所述采用增维函数实现DBN向量与CNN张量之间的维数转换具体包括：DBN生成的二维参数矩阵通过增维函数被增加为三维参数矩本文档来自技高网...

【技术保护点】
1.一种基于深度学习的自适应权值卷积神经网络水下声纳图像分类方法，其特征是包括如下步骤：(1)DBN生成二维参数矩阵①将数据集中的水下声纳图像裁剪中心区域作为DBN输入，设置相关参数；②进行吉布斯采样，迭代计算与重构层的差异得到隐含层；③用Sigmoid激活函数来处理重构后所得结果；④用逐层贪心算法进行训练，并用BP算法微调整个DBN的参数，生成二维参数矩阵；(2)自适应调整CNN滤波器权值矩阵的分布①采用增维函数实现DBN向量与CNN张量之间的维数转换；②初始化滤波器权值矩阵的替换；③采用LRN归一化函数对参数矩阵做归一化处理；(3)实现基于深度学习的自适应权值卷积神经网络的水下声纳图像分类①根据自适应调整CNN滤波器权值矩阵的分布，完成输入的水下声纳图像与滤波器的卷积操作，得到卷积层的特征映射图；②对卷积后所得特征映射图做池化操作；③用ReLU激活函数和LRN归一化函数来处理池化后的特征映射图；④使用全连接层将所有特征映射图进行连接；⑤利用softmax函数判断数据集所属类别，实现水下声纳图像分类。

【技术特征摘要】
1.一种基于深度学习的自适应权值卷积神经网络水下声纳图像分类方法，其特征是包括如下步骤：(1)DBN生成二维参数矩阵①将数据集中的水下声纳图像裁剪中心区域作为DBN输入，设置相关参数；②进行吉布斯采样，迭代计算与重构层的差异得到隐含层；③用Sigmoid激活函数来处理重构后所得结果；④用逐层贪心算法进行训练，并用BP算法微调整个DBN的参数，生成二维参数矩阵；(2)自适应调整CNN滤波器权值矩阵的分布①采用增维函数实现DBN向量与CNN张量之间的维数转换；②初始化滤波器权值矩阵的替换；③采用LRN归一化函数对参数矩阵做归一化处理；(3)实现基于深度学习的自适应权值卷积神经网络的水下声纳图像分类①根据自适应调整CNN滤波器权值矩阵的分布，完成输入的水下声纳图像与滤波器的卷积操作，得到卷积层的特征映射图；②对卷积后所得特征映射图做池化操作；③用ReLU激活函数和LRN归一化函数来处理池化后的特征映射图；④使用全连接层将所有特征映射图进行连接；⑤利用softmax函数判断数据集所属类别，实现水下声纳图像分类。2.根据权利要求1所述的基于深度学习的自适应权值卷积神经网络水下声纳图像分类方法，其特征是在步骤(1)中将裁剪后的水下声纳图像输入到DBN模型中，设置相关参数具体包括：可见层和每层隐含层上神经元的个数N、学习率的大小ε和训练最大周期T，将可见层和每层隐含层的权重ω和偏置b初始化；用吉布斯采样对每层的神经元进行采样具体包括：通过可见层重构出隐含层，再由重构的隐含层对下一个隐含层进行重构；隐含层神经元和上一层可见层神经元由sigmoid激活函数进行激活。3.根据权利要求1或2所述的基于深度学习的自适应权值卷积神经网络水下声纳图像分类方法，其特征是步骤(2)中所述采用增维函数实现DBN向量与CNN张量之间的维数转换具体包括：DBN生成的二维参数矩阵通过增维函数被增加为三维参数矩阵，前两维是滤波器的大小，后一维是颜色通道数，继续用增维函数对三维参数矩阵进行增维，将四维参数矩阵的第一维设置为1，不断增加第一维的值，直至与滤波器个数相等，最后用reshape方法将四维参数矩阵的第一维与第四维进行交换，实现DBN向量与CNN张量之间的维数转换。4.根据权利要求3所述的基...

【专利技术属性】
技术研发人员：王兴梅，焦佳，孙博轩，王国强，刘安华，
申请(专利权)人：哈尔滨工程大学，
类型：发明
国别省市：黑龙江,23