【技术实现步骤摘要】
基于注意力感知与缩放因子剪枝的声呐目标检测方法
[0001]本专利技术属于人工智能与水声电子信息的
，具体涉及一种基于注意力感知与缩放因子剪枝结合的声呐目标轻量级检测方法。
技术介绍
[0002]声呐作为水下机器人、航行器等载具的辅助设备，为其执行海底目标探测识别、海床建模与绘图等任务提供有效的声学信息。声呐图像是声呐数据信息的一种直观表现形式。当前通过声呐图像实现海底探测的自动化、智能化已经成为一种主流的形式。
[0003]声呐图像目标检测技术是指在声呐图像的基础上，完成对感兴趣/可疑目标的检测，针对不同类的目标，给出不同类的预测结果，并提供相应的位置信息。传统的目标检测方法通常需要两步完成，首先需要进行目标与背景的前景背景分割，再通过对提取到的前景目标进行特征匹配，实现目标类别的判别回归。这种过程一般依赖于大量专业人员的先验目标工程知识，对目标特征进行手工设计，当目标出现刚性形变、遮挡等类内变化时，需要为其重新设计手工特征，而且可移植性差，特征匹配速度慢。
[0004]近年来，基于卷积神经网络的目标...
【技术保护点】
【技术特征摘要】
1.基于注意力感知与剪枝压缩的声呐目标轻量级检测方法，其特征在于：包括以下步骤：步骤1、搭建注意力感知目标检测网络，注意力感知目标检测网络包括注意力感知网络、路径聚合增强网络和多尺度联合预测网络；1
‑
1.搭建注意力感知网络；注意力感知网络包括依次相连的五个跨阶段模块；其中，第三个跨阶段模块为可变形跨阶段模块；第五个跨阶段模块为多头自注意力跨阶段模块；将第三、四、五个跨阶段模块输出的特征图分别称为特征图P3、P4、P5，用以向后输出；1
‑
2.搭建路径聚合增强网络；路径聚合增强网络对注意力感知网络中输出的三层特征图自下而上不断进行上采样、拼接操作融合低分辨率特征图的语义信息，自上而下进行下采样、拼接操作融合高分辨率特征图的结构信息，对特征的反复提取复用，输出三个尺度特征图；1
‑
3：搭建多尺度联合预测网络；多尺度联合预测网络对路径聚合增强网络输出的三个尺度特征图进行全卷积，得到检测结果；检测结果包含三层特征分类，每层均包含对声呐目标种类预测结果及预测回归框的中心点横坐标、纵坐标，长、宽、置信度的预测；步骤2、使用声呐数据集对步骤1所得的注意力感知网络进行训练；步骤3、使用缩放因子衡量通道的重要性并进行模型剪枝；根据损失函数L，通过梯度下降策略对各层参数进行更新，对于在卷积层后跟有BN层的卷积核，获取其各个通道当前二维特征的缩放因子矩阵gamma和偏置beta，该缩放因子矩阵gamma表示卷积核各通道的缩放因子γ；根据预设的剪枝稀疏率确定缩放因子γ的阈值，设置掩膜矩阵，将缩放因子小于该阈值的通道的掩膜置为零，将缩放因子大于或等于该阈值的通道的掩膜置为1，得到剪枝模型；步骤4、使用步骤3得到的剪枝模型对声呐目标进行回归与定位。2.根据权利要求1所述的基于注意力感知与剪枝压缩的声呐目标轻量级检测方法，其特征在于：在注意力感知网络中，第一个跨阶段模块的输入端设置有用于对输入数据进行升维操作的CBM模块。3.根据权利要求1所述的基于注意力感知与剪枝压缩的声呐目标轻量级检测方法，其特征在于：第三个跨阶段模块中增加通道数为2N的旁路卷积，保持卷积前后特征图尺寸不发生变化，计算卷积核沿x方向和y方向的偏移量；N为像素个数。4.根据权利要求1所述的基于注意力感知与剪枝压缩的声呐目标轻量级检测方法，其特征在于：第五个跨阶段模块中，对输入的特征进行步长为1的1
×
1卷积，以获得q向量、k向量、v向量；再对q、k、v向量沿着通道进行伸展，根据通道量进行划分实现多头机制；之后采用缩放点积的方式来计算注意力；将二维相对位置编码的方式表示的像素位置表达为r向量；对q向量进行缩放后分别与k向量的转置及r向量的转置进行点积操作，对所得两个向量相加后对进行softmax计算，将多头之间的相似度进行归一化处理，得到概率；然后用概率与v向量相乘得到注意力信息。5.根据权利要求1所述的基于注意力感知与剪枝压缩的声呐目标轻量级检测方法，其特征在于：注意力感知网络中，特征图P3和P4直接输出至路径聚合增强网络；特征图P5经过卷积后进入空间金字塔池化，池化后得到的特征进...
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。