水声目标识别模型的训练方法及水声目标识别方法技术

本发明专利技术公开了一种水声目标识别模型的训练方法及水声目标识别方法，其中训练方法包括：获取多幅水下声波图像及其对应的标注图像；确定水下声波图像的特征向量及标注图像的特征向量；对水下声波图像的特征向量进行方差预测，将方差输入至对抗生成网络的噪声生成器中，得到幅度服从瑞利分布的对抗噪声；根据对抗噪声和水下声波图像的特征向量确定对抗例；将对抗例和标注图像的特征向量输入至对抗生成网络的噪声判别器中，训练噪声生成器的参数和噪声判别器的参数。本发明专利技术采用基于对抗生成网络构建的自适应无监督噪声生成网络生成对抗例，实现自动添加噪声的功能，使得水声目标识别模型的可泛化性及噪声攻击的鲁棒性得到大幅提升。大幅提升。大幅提升。

【技术实现步骤摘要】
水声目标识别模型的训练方法及水声目标识别方法


[0001]本专利技术公开了一种水声目标识别模型的训练方法及水声目标识别方法，属于水声目标探测技术


技术介绍

[0002]水声目标探测技术是可以在一定范围内实现对水声目标的探测、跟踪、定位与识别的信号处理技术。水声目标探测技术是水声信号处理与探测领域的重要研究方向，是环境感知、目标监测、资源勘探、情报收集等海洋应用领域的核心技术之一，一直是国内外研究学者重点关注的热点问题。具体来说，基于水声目标的探测有助于准确绘制海床的大部分区域，定位管道或电缆路线、障碍物和其他功能。
[0003]在复杂海洋环境下，面向越来越低的目标输入信噪比条件，如何提高水声目标识别性能是水声信号处理领域亟待解决的问题。而从目标角度出发，通过研究目标信号在产生、传播与接收过程的特征，并利用目标特征进行高增益处理，以提高对目标信号侦察与识别性能是一种自然的选择。目前，基于特征的目标识别技术发展主要包括5个方面：
[0004](1)基于固有特征量的目标识别技术。所谓固有特征量，就是指目标辐射噪声中受海洋信道长距离传输影响变化较小，或即使有变化，但变化规律已知或者是可控的那一部分分量。根据目标辐射噪声形成和传播机理，固有特征量往往集中在低频、甚低频段，因此此类目标识别技术主要聚焦在目标的低频、甚低频特征识别上。
[0005](2)矢量信号处理方法。水声场既有声压场，也有振速场，随着矢量水听器在工程上的日臻成熟，通过矢量水听器同时获取声压和质点振速矢量，为水声目标识别提供了更多维度上的目标声场特征。在自由场条件下，通过声场声压标量和质点振速矢量联合测量，可对声压、振速、振动加速度、位移、声波强度等特征进行单独或者组合检测，有效区分目标和噪声矢量场，从而达到提高目标识别能力的目的。
[0006](3)基于非高斯、非线性特征提取的目标识别技术。利用Wigner
‑
Vill分布、小波变换、高阶统计、非线性等现代信号处理工具对接收数据进行分析与特征提取，然后进行识别也是基于特征识别的一个较为活跃的研究课题。其中，非高斯信号处理包括高阶统计(高阶谱估计、基于高阶累积量的ARMA模型估计、超定递推辅助变量法参数估计、随机梯度法参数估计等)、盲解卷、非监督自适应滤波(盲均衡器、码率盲均衡器、常数模算法)等方面。非线性信号处理则包括随机共振理论、基于随机统计学理论的非线性时间序列分析(非参数化模型估计、非线性ARMA模型参数估计等)、基于混沌动力学理论的非线性时间序列分析(嵌入维估计、相空间重构技术、分形维和Lyapunov指数估计、全局与局部动力学模型估计、非线性预测与降噪等)、自相似随机信号模型(分数布朗运动、分数高斯噪声、分数L
é
vy稳定运动)等方面的工作。
[0007](4)基于信号或噪声宽容性特征的处理方法，依赖于较少的传播信道先验知识，通过信号或噪声的依靠鉴别性特征进行处理，改善其宽容性。
[0008](5)基于CNN的水下声学图像识别。
[0009]现有技术中的水下声学图像目标识别由于过度依赖水下环境噪声等条件，经典的识别方法(例如模板匹配(TM)方法)的性能不可靠。同时，基于手工设计特征的方法，如高光阴影模式和模板匹配等算法泛化能力弱，无法解释水下声波图像固有表示的特征，不可避免地导致水下声波图像数据的无效学习，难以应用到不同的水下环境。随着基于CNN的目标识别器的出现，普通场景图像目标识别的准确性得到大幅提升。然而，基于CNN的模型在有限数据场景下的泛化能力和鲁棒性很难得到保证。因此，在水下声波上直接使用容易过拟合从而导致识别结果不准确，这主要是由两方面的原因造成：一是可用的水下声波数量很少，不同于丰富的光学图像数据集，高质量水下声波获取成本高，难以收集；二是噪声的扰动是多样化，水下声波成像通常伴随着不同类型和大小的各种噪声，这些噪声使得获取到的水下声波退化并困扰现有的目标识别算法。具体来说，用于训练识别器的有限样本使得优化的参数只适合目标值样本空间，所构建的识别模型无法对不同水下环境中的噪声进行有效的处理。
[0010]由于水下声波识别算法面临强烈的环境噪声扰动，为了减轻散斑噪声对检测算法的影响，现有技术中的普遍做法是在水下声波本身的噪声之外引入额外的环境噪声，这有助于增强图像并提高检测算法对于噪声的鲁棒性。然而，直接将散斑噪声作为固定参数引入水下声波通常仅限于有限的样本空间中，无法将其应用在真实的水下环境中。

技术实现思路

[0011]本申请的目的在于，提供一种水声目标识别模型的训练方法及水声目标识别方法，以解决现有技术中直接将散斑噪声作为固定参数引入水下声波进行目标识别时，存在的识别模型泛化能力弱、鲁棒性差的技术问题。
[0012]本专利技术的第一方面提供了一种水声目标识别模型的训练方法，包括：
[0013]获取多幅水下声波图像及其对应的标注图像；
[0014]确定所述水下声波图像的特征向量及所述标注图像的特征向量；
[0015]对所述水下声波图像的特征向量进行方差预测，将所述方差输入至对抗生成网络的噪声生成器中，得到幅度服从瑞利分布的对抗噪声；
[0016]根据所述对抗噪声和所述水下声波图像的特征向量确定对抗例；
[0017]将所述对抗例和所述标注图像的特征向量输入至对抗生成网络的噪声判别器中，训练所述噪声生成器的参数和所述噪声判别器的参数。
[0018]优选地，对所述水下声波图像的特征向量进行方差预测，具体包括：
[0019]将所述水下声波图像的特征向量输入至方差预测模块，得到所述水下声波图像的特征向量的方差；
[0020]所述方差预测模块包括依次连接的第一卷积层和第一全连接层。
[0021]优选地，根据所述对抗噪声和所述水下声波图像的特征向量确定对抗例，具体包括：
[0022]根据第一公式确定对抗例，所述第一公式为：
[0023]A
i
＝χ
i
+(χ
i
)
γ
noise
i
[0024]式中，A
i
为第i幅水下声波图像的对抗例，χ
i
为第i幅水下声波图像的特征向量，noise
i
为第i幅水下声波图像的对抗噪声，γ为超参数，且γ≥0。
[0025]优选地，所述对抗生成网络的噪声判别器为卷积神经网络的第二全连接层；
[0026]相应的，将所述对抗例和所述标注图像的特征向量输入至对抗生成网络的噪声判别器中，具体为：
[0027]将所述对抗例和所述标注图像的特征向量输入至第二全连接层中。
[0028]优选地，训练所述噪声生成器的参数和所述噪声判别器的参数，具体包括：
[0029]以总损失函数最小为目标函数，训练所述噪声生成器的参数和所述噪声判别器的参数；
[0030]所述总损失函数是根据原始损失函数、对抗损失函数和模型损失函数确定的；<本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种水声目标识别模型的训练方法，其特征在于，包括：获取多幅水下声波图像及其对应的标注图像；确定所述水下声波图像的特征向量及所述标注图像的特征向量；对所述水下声波图像的特征向量进行方差预测，将所述方差输入至对抗生成网络的噪声生成器中，得到幅度服从瑞利分布的对抗噪声；根据所述对抗噪声和所述水下声波图像的特征向量确定对抗例；将所述对抗例和所述标注图像的特征向量输入至对抗生成网络的噪声判别器中，训练所述噪声生成器的参数和所述噪声判别器的参数。2.根据权利要求1所述的水声目标识别模型的训练方法，其特征在于，对所述水下声波图像的特征向量进行方差预测，具体包括：将所述水下声波图像的特征向量输入至方差预测模块，得到所述水下声波图像的特征向量的方差；所述方差预测模块包括依次连接的第一卷积层和第一全连接层。3.根据权利要求1所述的水声目标识别模型的训练方法，其特征在于，根据所述对抗噪声和所述水下声波图像的特征向量确定对抗例，具体包括：根据第一公式确定对抗例，所述第一公式为：A
i
＝χ
i
+(χ
i
)
γ
noise
i
式中，A
i
为第i幅水下声波图像的对抗例，χ
i
为第i幅水下声波图像的特征向量，noise
i
为第i幅水下声波图像的对抗噪声，γ为超参数，且γ≥0。4.根据权利要求1所述的水声目标识别模型的训练方法，其特征在于，所述对抗生成网络的噪声判别器为卷积神经网络的第二全连接层；相应的，将所述对抗例和所述标注图像的特征向量输入至对抗生成网络的噪声判别器中，具体为：将所述对抗例和所述标注图像的特征向量输入至第二全连接层中。5.根据权利要求1
‑
4任一项所述的水声目标识别模型的训练方法，其特征在于，训练所述噪声生成器的参数和所述噪声判别器的参数，具体包括：以总损失函数最小为目标函数，训练所述噪声生成器的参数和所述噪声判别器的参数；所述总损失函数是根据原始损失函数、对抗损失函数和模型损失函数确定的；所述原始损失函数为所述水下声波图像的特征向量及其对应的标注图像的特征向量之间的损失函数；所述对抗损失函数为所述标注图像的特征向量和所述对抗例之间的损失函数...

【专利技术属性】
技术研发人员：张高唯，王微，韩洪勇，
申请(专利权)人：北京邮电大学，
类型：发明
国别省市：