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 ...
【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
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。