船只目标识别方法、计算机系统及程序产品、存储介质技术方案

本发明专利技术公开了一种船只目标识别方法、计算机系统及程序产品、存储介质，采用人工智能中的迁移学习方法，结合图像目标识别技术，发明专利技术了一种基于迁移学习的船只目标识别范式方法，以实现具体应用场景的船只目标识别迁移学习方法的自动评估和筛选范式，形成迁移学习的诊断和选优能力并提升模型识别精度。迁移模型质量评价能力矩阵呈现了不同迁移模型与船只样本工况域之间的关联关系，构建迁移方法能力评估矩阵，为模型选择和模型差异比较提供参考依据。相比所有域仅使用单个最优基模型，本发明专利技术识别准确率提升了5.71%。识别准确率提升了5.71%。识别准确率提升了5.71%。

【技术实现步骤摘要】
船只目标识别方法、计算机系统及程序产品、存储介质


[0001]本专利技术涉及船只目标识别技术，特别是一种船只目标识别方法、计算机系统及程序产品、存储介质。

技术介绍

[0002]船只目标识别技术在海上救援具有重要的地位，能够从成像中快速准确识别出船只，是了解被困船只的位置和动态，救援成功的基础。由于船只目标识别时容易受到海浪、云层等杂波的干扰，真实民用船只样本获取难度大，以及船只目标红外成像特性受气候、温度等因素影响较大，使得船只目标自动识别的准确率较低。在船只目标特性识别问题中，我们一般只有少量的真实感知域数据，虽然可以通过物理仿真来生成大量仿真域数据，但难以确保其数据分布与感知域高度一致，也无法确保涵盖了所有可能的实际场景。因此需要研究迁移识别方法，以确保我们的模型在实际应用中也有意义。
[0003]目前目标识别主要集中在针对图像的目标识别，其方法是通过已学习到的图像知识信息与当前面临未知图像数据进行比较，从而推导出未知图像的类型。目标识别的基础是对于图像或场景中各个目标的相关特征、目标之间的关系的描述，最终得到的是目标特征以及它们之间的关系的抽象表达。近些年来，深度学习被广泛用于图像中的船只识别，如SLS
‑
CNN，一种船只检测框架，利用陆海分割获得船舶的候选位置，然后利用卷积神经网络对船舶进行识别
[1]；FBR
‑
Net(特征平衡和细化网络)，通过采用直接学习编码包围盒的一般无锚策略来消除锚的影响，然后使用提出的注意力引导的平衡金字塔来平衡不同层次的多个语义的特征，最后使用特征细化模块来细化对象特征
[2]；由于深度学习模型需要大量数据训练，同时对于不同的目标识别任务需要重新训练模型，训练时间长。所以近几年来，基于迁移学习的目标识别模型被广泛用于船只目标识别，比如使用SSD
‑
512作为迁移学习的基模型，可以提高检测准确率和整体性能，识别速度快
[3]；使用单个ResNet(残差网络)模型作为迁移学习的基模型来识别船只的列表，使用前四层卷积层的参数作为迁移模型的参数，提取特征快，识别精度也高
[4]；使用VGG19对于源域中有限数据集通过数据增强的技术，可以解决迁移学习模型细粒度船型的分类，同时节省从头学习的时间
[5]；利用不同成像角度和不同分辨率的标记船舶，在固定角度识别未标记船舶，提出了一种不同于域自适应方法的映射子空间对齐方法
[6]。但是基于迁移学习模型的目标识别只考虑了简单的工况或者没有考虑工况和模型之间的关系，无法成为实际情况中通用的模型。同时单个迁移学习模型只能学习部分的特征，识别精度有限，无法在现实生活中有实际的应用。
[0004]模型推荐要求在给定数据集、任务和评价方法的前提下，优先选择性能最佳的模型，即在模型推荐的过程中充分考虑模型本身特征、数据集的特征以及模型与数据集之间的相互关系
[7]。对于机器学习的模型推荐方案，称为AutoML，主要基于贝叶斯优化、进化算法、深度强化学习和基于预测评估四类理论。通过AutoML方法，研究人员可以获得顶级的模型性能，实现专家级别算法选择。Shapira等人提出了一种高效且高精度的元学习算法选择方式，即AutoGRD框架。作者基于随机森林和图距离相关系数理论，提出了一种固定大小的
数据集表征方法，并将该数据集表征与模型表征一同构成元特征，用于AutoGRD中的以XGBoost为主体的排序元模型学习特征
[8]。除了监督学习，Shapira等人针对非监督学习，提出了一种高效的元学习聚类算法选择方案MARCO
‑
GE，作者使用deepwalk随机游走获得作为数据集的特征嵌入表征形式，并结合图卷积神经网络和元学习构建算法排序模型
[9]。区别机器学习，深度学习模型更为复杂且主要用以解决图像、音频和文本等非统计类数据。在面向多模型时，选择或组合成合适的深度学习模型，对优化计算复杂度更为关键。Taylor等人基于机器学习KNN方法提出了一种DNN深度学习模型选择方案，拟解决在算力不足的嵌入式设备高效执行图像识别和机器翻译任务的问题，但采用KNN的方法导致优先选择排名第一位的模型
[10
‑
11]。目前关于深度学习的模型推荐几乎没有涉及船只迁移学习目标识别。
[0005]总结而言，现有技术存在以下技术问题：(1)常规目标识别的迁移模型只从单一维度考虑源域与目标域，而忽略了不同维度下数据域对模型的影响及模型对于特定特征的敏感性。
[0006](2)在一个复杂的现实环境中，目前没有评价体系可以对迁移学习模型做出客观和合理的评价，即无法从多个维度衡量模型性能。
[0007](3)在给定的工况下，无法利用先验知识能做出正确的指导，选择最优的模型。
[0008](4)单个目标识别的模型学习的特征有限且不完备，目标识别的准确率难以大幅提高。

技术实现思路

[0009]本专利技术所要解决的技术问题是，针对现有技术不足，提供一种船只目标识别方法、计算机系统及程序产品、存储介质，提高目标识别的准确率。
[0010]为解决上述技术问题，本专利技术所采用的技术方案是：一种船只目标识别方法，包括以下步骤：S1、依据船只工况将数据域划分为不同工况维度的源域D
s
和目标域D
t
；所述数据域包括船只在白天工况、夜间工况、雨天工况、远距工况、近距工况、以及角度工况下的图像数据；S2、从所述源域D
s
选择部分数据作为训练集，在训练集上训练多个基模型，得到各个基模型泛化权重参数，加入部分目标域数据微调基模型泛化权重参数，得到多个迁移基模型；S3、构建每个工况下的能力矩阵，其中第k种工况下，能力矩阵第i行第j列的元素对应第j个迁移基模型在第i种指标下的性能表现值；i=1，2，
……
，n；j=1，2，
……
，m；k=1，2，
……
，p；n为指标种类数；m为迁移基模型个数；p为工况个数；S4、将各能力矩阵对应的工况划分为多个工况区间，提取图像数据的离散工况值，并将所述离散工况值映射到指定工况区间；获取迁移基模型工况知识矩阵K
M
；所述知识矩阵包括所有迁移基模型对不同工况区间的识别概率值；知识矩阵的第k
s
行第j列的元素对应第j个迁移基模型在第k
s
种工况区间下的识别概率值；k
s
=1，2，
……
，p
s
；p
s
为工况区间的个数；S5、定位目标域D
t
实际待识别的数据所处的工况区间，根据迁移基模型的知识矩阵K
M
提取该工况区间下的子矩阵，获得所述子矩阵对应的二部图子图，使用二部图模型推
荐算法，在候选基模型中推荐最优模型，该最优模型即最优推荐模型；其中，所述子矩阵的行和列分别对应工况区间和候选基模型。
[0011]区别于本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种船只目标识别方法，其特征在于，包括以下步骤：S1、将船只工况数据域划分为不同工况维度的源域D
s
和目标域D
t
；所述数据域包括船只在白天工况、夜间工况、雨天工况、远距工况、近距工况、以及角度工况下的图像数据；S2、从所述源域D
s
选择部分数据作为训练集，在训练集上训练多个基模型，得到各个基模型泛化权重参数，加入部分目标域D
t
数据微调基模型泛化权重参数，得到多个迁移基模型；S3、构建每个工况下的能力矩阵，其中第k种工况下，能力矩阵第i行第j列的元素对应第j个迁移基模型在第i种指标下的性能表现值；i=1，2，
……
，n；j=1，2，
……
，m；k=1，2，
……
，p；n为指标种类数；m为迁移基模型个数；p为工况个数；S4、将各能力矩阵对应的工况划分为多个工况区间，提取图像数据的离散工况值，并将所述离散工况值映射到指定工况区间；获取迁移基模型工况知识矩阵K
M
；所述知识矩阵包括所有迁移基模型对不同工况区间的识别概率值；知识矩阵的第k
s
行第j列的元素对应第j个迁移基模型在第k
s
种工况区间下的识别概率值；k
s
=1，2，
……
，p
s
；p
s
为工况区间的个数；S5、定位目标域D
t
实际待识别的数据所处的工况区间，根据迁移基模型的知识矩阵K
M
提取该工况区间下的子矩阵，获得所述子矩阵对应的二部图子图，使用二部图模型推荐算法，在候选基模型中推荐最优模型，该最优模型即最优推荐模型；其中，所述子矩阵的行和列分别对应工况区间和候选基模型。2.根据权...

【专利技术属性】
技术研发人员：黄宇航，张健，胡志刚，郑浩，王磊，郑美光，
申请(专利权)人：中南大学，
类型：发明
国别省市：