基于自监督表征学习的海洋目标检测方法及系统技术方案

基于自监督表征学习的海洋目标检测方法及系统，在自监督船舶特征学习阶段中，采用动量对比方式在无标注海洋目标数据上训练特征提取模型，动量对比过程将字典作为一个样本队列进行维护，并通过采用动量更新的方式更新键编码器；在有监督海洋目标检测阶段中，采用Faster R

【技术实现步骤摘要】
基于自监督表征学习的海洋目标检测方法及系统


[0001]本专利技术属于海洋目标检测
，具体涉及一种基于自监督表征学习的海洋目标检测方法及系统。

技术介绍

[0002]作为海域辽阔的海洋大国，海洋实力是我国综合国力的重要组成部分，提升海洋科技实力对建设海洋强国意义重大。借助于无人艇等海上无人装备对海域进行实时监测可以有效加强海域管控，维护我国海洋安全，因而如何提高海上无人装备的智能感知能力便成为海洋科技领域的关键性问题之一，海洋目标检测也成为了海洋环境感知领域的热点研究方向之一。
[0003]目标检测作为计算机视觉领域最具挑战性的任务之一，包括定位和分类两个子任务，即确定图片中所包含目标的位置并对其进行准确分类。近年来，随着深度学习理论的快速发展，基于深度学习的目标检测算法成为主流，在通用场景下取得了较好的检测效果。但深度学习模型往往依赖于大规模数据集进行训练，应用较为广泛的MS COCO、PASCAL VOC等标准数据集中海洋目标较少，因而将在这些数据集上训练的目标检测模型直接应用于海洋目标检测任务效果不佳。同时由于长期以来海洋目本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.基于自监督表征学习的海洋目标检测方法，其特征在于，包括自监督船舶特征学习阶段和有监督海洋目标检测阶段：所述自监督船舶特征学习阶段中，采用动量对比方式在无标注海洋目标数据上训练特征提取模型，所述动量对比过程将字典作为一个样本队列进行维护，并通过采用动量更新的方式更新键编码器；所述有监督海洋目标检测阶段中，采用Faster R-CNN模型进行海洋目标检测，所述Faster R-CNN模型包括进行特征提取的骨干网络、生成感兴趣区域的区域候选网络和RoI Head网络；通过所述骨干网络采用自监督船舶特征学习阶段所得的特征提取网络参数进行初始化，为目标检测模型提供海洋环境及船舶相关的先验知识，然后在训练模型的同时对骨干网络进行参数微调。2.根据权利要求1所述的基于自监督表征学习的海洋目标检测方法，其特征在于，在所述样本队列中，预设一个键作为和给定查询相匹配的正样本，将剩余键作为负样本；训练过程中通过InfoNCE损失函数提高查询特征的相似度，InfoNCE损失函数L
q
为：式中，q为查询，k
+
为键值，k
i
为编码样本，τ为可调节的超参数。3.根据权利要求2所述的基于自监督表征学习的海洋目标检测方法，其特征在于，所述动量更新的方式为：θ
k
←
mθ
k
+(1-m)θ
q
式中，θ
k
和θ
q
分别是键编码器参数和查询编码器参数，m∈[0,1)是动量系数。4.根据权利要求1所述的基于自监督表征学习的海洋目标检测方法，其特征在于，所述RoI Head网络包括分类任务和定位任务，所述分类任务采用交叉熵损失函数，所述定位任务别采用Smooth L1损失函数。5.根据权利要求1所述的基于自监督表征学习的海洋目标检测方法，其特征在于，采用海洋数据集MARVEL和海洋数据集SMD进行检测实验；所述海洋数据集MARVEL包括用于船舶分类任务的数据和用于船舶验证、检索、识别任务的数据；所述海洋数据集SMD包括可见光数据和红外数据。6.基于自...

【专利技术属性】
技术研发人员：张伟，戴祥麟，
申请(专利权)人：山东易视智能科技有限公司，
类型：发明
国别省市：