【技术实现步骤摘要】
基于超分辨可选择网络的多AUV的水下目标识别方法
[0001]本专利技术属于海底勘测
,具体涉及一种基于超分辨可选择网络的多AUV水下目标识别方法,用以实现AUV的海洋目标识别。
技术介绍
[0002]AUV可以广泛应用于科研调查、军事、民用等领域。其上搭载的声学与光学传感器采集的数据使用越来越广泛。传感器信息识别在海洋感知的研究领域中发挥着重要作用,例如障碍物检测以规避风险,水下结构安全检查,搜索感兴趣的目标。在水下成像系统中,声学传感器和光学传感器是用于水下探测的两种主要成像模式,声学图像和光学图像的在线识别是AUV自主能力的关键。
[0003]传统的水下目标识别大多是一个人为主动型活动,从收集的大量数据中线下人为推断目标是否存在于该区域,人为识别耗时且昂贵,并且识别率较低;水下环境多为背景,有效目标较少,若想实现全面识别,需要采集大量的水下目标进行识别,此途径需要大量的人力和物力去采集数据,代价较大;线下识别不能实现AUV的实时感知,自主性较差。以上原因限制了AUV感知水下环境,难以完成持续、自主、实时的任务。
[0004]目前,利用AUV实现海洋感知,主要采用深度学习方法,但是,对于AUV采集的低质数据往往未进行有效处理,因此,算法的识别精度不高;另外,水下目标较少,样本稀缺,深度神经网络会出现过拟合现象,总而言之,对于基于AUV的水下目标识别仍然存在以下问题:(1)水下图像具有高噪声,高模糊等特性,数据质量较差,不能进行很好的水下目标识别。(2)海洋目标采集困难,数据样本不足,获取有效 ...
【技术保护点】
【技术特征摘要】
可以实现图像的超分辨率。3.根据权利要求1所述的基于超分辨可选择网络的AUV水下目标识别方法,其特征在于:所述步骤B具体包括以下步骤:步骤B1、基于卷积神经网络CNN提取目标特征:(1)对卷积神经网络视觉上进行可视化解释:其中c表示类别,y
c
是该类别对应的输出结果,A表示卷积输出的特征图,k表示特征图的通道,i,j表示特征图的横纵坐标,Z表示特征图的尺寸;(2)得到权重后将特征图的通道线性加权融合在一起,公式如下:该过程只保留对于类别c有正作用的区域;步骤B2、利用马氏距离来度量特征之间的相似性,计算目标特征的相似度:设每个AUV共采集了m个样本,每个样本中包含了n个特征,则该AUV采集的数据矩阵用X来表示:X=[X1,X2,
…
,X
n
]该样本的总体平均值为:μ
X
=[μ
X1
,μ
X2
,
…
,μ
Xn
]数据矩阵的协方差为则任意AUV特征向量与源域之间的马氏距离为:通过计算马氏距离,来确定每个AUV当前采集的样本特征是否与源域存储的特征相似。4.根据权利要求1所述的基于超分辨可选择网络的多AUV水下目标识别方法,其特征在于:所述步骤C中,迁移学习主要采用以下方式实现:(1)初始训练:设源域中的数据为其中为输入高分辨率图像,为迁移学习输出的识别图像;AUV采集的目标域数据为希望应用该网络预测出输入对应的结果P和Q分别为X
S
和X
T
的边缘分布,且P≠Q;迁移学习的目的主要是找到X
S
和X
T
的潜在的共同表示;令期望的非线性变换为其非线性表示为:
P和Q之间的距离表示为:通过迁移学习的方法,不断优化P和Q之间的距离,实现对目标域的准确识别;(2)通过反馈的方式对网络参数(W,b,L
c
)进行调整,以减少预测误差:设Q是源任务的最优知识矩阵,向新任务知识矩阵的转移表示如下:Q
i
=f
i
(W,b,L
c
) i∈{1,2,
…
,N}Q
i
表示AUV
i
通过迁移学习获得一个新的知识矩阵,即基于迁移学习的AUV识别目标,f
i
为迁移学习方法,W为权重,b为偏置,L
c
表示对类别c有正作用的区域。5.根据权利要求1所述的基于超分辨可选择网络的多AUV水下目标识别方法,其特征在于:所述步骤C中,少样本学习采用以下方式实现:(a)基于原型学习模块对给定支持集的查询集进行分类,并学习原型;(b)利用查询图像和从(a)中学习的原型来输出预测的分割掩码,该分割模块采用了轻量级编码解码器来实现;(c)每个概率映射都与查询图像连接,尺寸与查询图像相同,然后输入原型分类器以生成一个特征向量,通过相似度度量函数d计算特征向量和原型相似度分数。6.根据权利要求5所述的基于超分辨可选择网络的多AUV水下目标识别方法,其特征在于:支持集用来表示,其中x
i
表示[H
i
,W
i
,3],y
i
为x
i
对应的金标准,N
S
为支持集的个数;查询集用来表示,其中x
q
为不包含在S中的大小为[H
i
,W
i
,3]的图像,N<...
【专利技术属性】
技术研发人员:于菲,何波,
申请(专利权)人:青岛澎湃海洋探索技术有限公司,
类型:发明
国别省市:
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。