一种难样本重训练的深度神经网络声呐目标检测方法技术

本发明专利技术涉及一种难样本重训练的深度神经网络声呐目标检测方法，属于目标检测领域。海底环境干扰较大，导致声呐图片具有典型的信噪比低、成像质量差等特点。本发明专利技术的声呐目标检测方法如下：一、通过海上作业获取三维声呐数据并将其解析保存为声呐图像。二、对声呐图像进行标记。三、在声呐图像中选取难样本区域。三、将标记后声呐数据送入模型进行训练，并用训练后进行实时声呐检测。本发明专利技术将难样本重训练的技巧运用在声呐目标检测中，提高了样本利用率，可以使用在有限的声呐样本中提取出更多有效信息，从而提高模型检测精度。

【技术实现步骤摘要】
一种难样本重训练的深度神经网络声呐目标检测方法
本专利技术属于目标检测领域中的声呐目标检测问题，具体涉及一种难样本重训练的深度神经网络声呐目标检测方法。
技术介绍
海洋一直是各国关注的重点。随着政治形势复杂化，合理开发海洋资源，保护领海安全显得尤为重要。在这样的背景下，如何提高声呐目标检测精度成为学术界的重要研究方向。现有的声呐目标检测方法大致可以分为基于统计分析学的目标检测方法、基于传统机器学习的目标检测方法和基于深度神经网络的目标检测方法三大类。由于海洋物体繁多，环境复杂，导致基于统计分析学的目标检测方法存在诸多问题，精度瓶颈无法得到解决。仅仅使用传统方法是不够的，仍需在声呐目标检测领域探索新方法。伴随人工智能在图像识别领域不断取得重大突破，越来越多的人工智能模型被用于声呐目标检测。基于传统机器学习的方法一般需要研究人员手动提取声呐图像特征，而手工方法存在诸如不能确保提取到目标的深层特征、识别精度对特征依赖性较大等不足，导致此类方法在复杂水体环境的声呐图像目标检测任务中效果表现欠佳。基于深度学习的目标检测方法通过对训练数据实本文档来自技高网...

【技术保护点】
1.一种难样本重训练的深度神经网络声呐目标检测方法，其特征在于：步骤1、声呐数据的获取和处理；/n1-1.获取三维声呐数据，生成声呐图像；/n1-2.对声呐图像进行目标标记并制作声呐数据文件；/n步骤2、利用标记后声呐数据训练深度神经网络；/n2-1.将Faster RCNN网络中扩充出两个感兴趣区域网络，并使这两个感兴趣区域网络共享参数；其中一个感兴趣区域网络进行前向传播；另一感兴趣区域网络进行参数迭代，接收筛选出的难样本并回传参数，从而得到难样本重训练深度神经网络；/n2-2.在难样本重训练深度神经网络上训练声呐数据；/n将声呐图像和声呐数据文件输入难样本重训练深度神经网络；难样本重训练深...

【技术特征摘要】
1.一种难样本重训练的深度神经网络声呐目标检测方法，其特征在于：步骤1、声呐数据的获取和处理；
1-1.获取三维声呐数据，生成声呐图像；
1-2.对声呐图像进行目标标记并制作声呐数据文件；
步骤2、利用标记后声呐数据训练深度神经网络；
2-1.将FasterRCNN网络中扩充出两个感兴趣区域网络，并使这两个感兴趣区域网络共享参数；其中一个感兴趣区域网络进行前向传播；另一感兴趣区域网络进行参数迭代，接收筛选出的难样本并回传参数，从而得到难样本重训练深度神经网络；
2-2.在难样本重训练深度神经网络上训练声呐数据；
将声呐图像和声呐数据文件输入难样本重训练深度神经网络；难样本重训练深度神经网络对声呐图像进行特征提取；使用难样本重训练深度神经网络内的区域建议网络在声呐图像上框选出多个候选区域，并分别计算各候选区域含有目标的预测概率pi以及预测边框偏移量ti；
将所有的候选区域分别送入进行前向传播的感兴趣区域网络计算损失值L({pi},{ti})如式(1)所示；



式(1)中，Lcls(pi,pi*)、Lreg(ti,ti*)分别表示第i个候选区域的分类损失和回归损失；Ncls为分类损失对应的归一化系数；Nreg为回归损失对应的归一化系数；λ为权重系数；
分类损失Lcls(pi,pi*)的表达式如式(2)所示；
Lcls(pi,pi*)＝-log[pipi*+(1-pi*)(1-pi)]式(2)
式(2)中，pi表示区域建议网络对第i个候选区域是否含有目标的预测概率；pi*表示第i个候选区域的类标签；
回归损失Lreg(ti,ti*)的表达式如式(3)所示；

【专利技术属性】
技术研发人员：郭瑞琦，裘都梁，彭勇，
申请(专利权)人：杭州电子科技大学，
类型：发明
国别省市：浙江;33