基于脉冲神经网络的合成孔径声呐图像目标检测方法技术

本发明专利技术提供一种基于脉冲神经网络的合成孔径声呐图像目标检测方法。该方法包括：步骤1：构建深度卷积神经网络，采用合成孔径雷达SAR标注图像对所述深度卷积神经网络进行训练得到面向SAR图像的目标检测模型DCN

【技术实现步骤摘要】
基于脉冲神经网络的合成孔径声呐图像目标检测方法


[0001]本专利技术涉及声呐图像水下目标检测
，尤其涉及一种基于脉冲神经网络的合成孔径声呐图像目标检测方法。

技术介绍

[0002]SAS可在较宽的测绘带内实现高分辨率成像，SAS图像的目标识别率可比传统声呐大幅提高，对水下搜救、掩埋物探测、军事目标探测、目标分类和识别等重要任务具有不可替代的优势。
[0003]近些年来，卷积神经网络在大规模自然图像数据集(如ImageNet，COCO等)中获得了广泛应用，但对于水声图像的目标检测和识别的领域应用研究相对缺乏。由于声呐图像的目标检测和分类数据集缺乏，并且水下目标样本往往面临样本稀少，存在类别不平衡等问题。针对SAS图像数据量少、现有的目标检测模型对水下目标的检测精度低，以及移动环境的系统能耗问题，亟需一种适用于合成孔径声呐图像的目标检测方法。

技术实现思路

[0004]针对现有的目标检测模型对水下目标的检测精度低，以及移动环境的系统能耗问题，本专利技术提供一种基于脉冲神经网络的合成孔径声呐图像目标检测方法。
[0005]本专利技术提供的基于脉冲神经网络的合成孔径声呐图像目标检测方法，包括：
[0006]步骤1：构建深度卷积神经网络，采用合成孔径雷达SAR标注图像对所述深度卷积神经网络进行训练得到面向SAR图像的目标检测模型DCN
SAR
；
[0007]步骤2：利用脉冲神经元将所述深度卷积神经网络转化为脉冲神经网络，以所述目标检测模型DCN
SAR
的权重作为所述脉冲神经网络的初始权重，采用合成孔径声呐SAS标注图像对所述脉冲神经网络进行训练得到面向SAS图像的目标检测模型DSN
SAS
；
[0008]步骤3：获取待检测SAS图像，采用所述目标检测模型DSN
SAS
对所述待检测SAS图像进行滑动检测，对其中的目标进行定位和标注。
[0009]进一步地，步骤3中具体包括：
[0010]步骤3.1：获取待检测SAS图像，对所述待检测SAS图像进行视觉显著性计算得到对应的显著图；
[0011]步骤3.2：设定显著值阈值，截取显著图中大于所述显著值阈值的区域并将所述区域作为待检测目标区；
[0012]步骤3.3：采用所述目标检测模型DSN
SAS
对所述待检测目标区进行滑动检测。
[0013]进一步地，步骤1中，所述深度卷积神经网络包括主干特征提取网络、加强特征提取网络、分类器和回归器。
[0014]进一步地，步骤1中，在对所述深度卷积神经网络进行训练之前还包括：将其中步长为2的最大池化层修改为相同步长的卷积层，将其中步长为1的最大池化层删除，将其中的上采样层修改为反卷积层，将其中的Leaky_ReLU激活函数修改为ReLU激活函数，将批标
准化层修改为由卷积层和批标准化层组成的融合层。
[0015]进一步地，步骤2中，所述利用脉冲神经元将所述深度卷积神经网络转化为脉冲神经网络，具体包括：将其中的ReLU激活函数替换为脉冲神经元，将其中的平均池化层设置为空间下采样层。
[0016]进一步地，步骤3.1中，采用LC算法、HC算法、RC算法或GR算法进行视觉显著性计算。
[0017]本专利技术的有益效果：
[0018]本专利技术的基于脉冲神经网络的合成孔径声呐图像目标检测方法，利用了SAS在成像原理上与SAR非常相似的特点，先使用SAR图像对深度卷积神经网络进行训练，然后采用迁移学习技术将学习到的深度卷积神经网络模型的权重迁移到由深度卷积神经网络模型转换的脉冲神经网络中，从而实现了脉冲神经网络的预训练；在此基础上，再使用SAS图像对脉冲神经网络进行训练，如此即使在SAS图像样本量稀少的情况下，也可提高SAS图像目标检测的准确率；同时，还可解决现有的深度卷积神经网络在SAS图像目标检测上存在的准确率较低、能耗过高以及大幅面SAS图像检测时间过长的问题。本专利技术提升了海底声呐图像目标检测任务的准确率，并解决了实际应用中的低能耗需求问题，在无人自主移动设备上能够得到很好的应用。
附图说明
[0019]图1是本专利技术实施例提供的基于脉冲神经网络的合成孔径声呐图像目标检测方法的流程示意图之一；
[0020]图2是本专利技术实施例提供的基于脉冲神经网络的合成孔径声呐图像目标检测方法的流程示意图之二；
[0021]图3是本专利技术实施例提供的基于脉冲神经网络的合成孔径声呐图像目标检测方法的流程示意图之三；
[0022]图4为本专利技术实施例提供的采用本专利技术方法对SAS图像进行的水下目标检测结果示例图。
具体实施方式
[0023]为使本专利技术的目的、技术方案和优点更加清楚，下面将结合本专利技术实施例中的附图，对本专利技术实施例中的技术方案进行清楚地描述，显然，所描述的实施例是本专利技术一部分实施例，而不是全部的实施例。基于本专利技术中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本专利技术保护的范围。
[0024]实施例1
[0025]如图1所示，本专利技术实施例提供一种基于脉冲神经网络的合成孔径声呐图像目标检测方法，包括以下步骤：
[0026]S101：构建深度卷积神经网络，采用合成孔径雷达SAR标注图像对所述深度卷积神经网络进行训练得到面向SAR图像的目标检测模型DCN
SAR
；
[0027]S102：利用脉冲神经元将所述深度卷积神经网络转化为脉冲神经网络，以所述目标检测模型DCN
SAR
的权重作为所述脉冲神经网络的初始权重，采用合成孔径声呐SAS标注图
像对所述脉冲神经网络进行训练得到面向SAS图像的目标检测模型DSN
SAS
；如图2所示。
[0028]S103：获取待检测SAS图像，采用所述目标检测模型DSN
SAS
对所述待检测SAS图像进行滑动检测，对其中的目标进行定位和标注。
[0029]本专利技术实施例提供的基于脉冲神经网络的合成孔径声呐图像目标检测方法，利用了SAS在成像原理上与SAR非常相似的特点，先使用SAR图像对深度卷积神经网络进行训练，然后采用迁移学习技术将学习到的深度卷积神经网络模型的权重迁移到由深度卷积神经网络模型转换的脉冲神经网络中，从而实现了脉冲神经网络的预训练；在此基础上，再使用SAS图像对脉冲神经网络进行训练，如此即使在SAS图像样本量稀少的情况下，也可提高SAS图像目标检测的准确率；同时，还可解决现有的深度卷积神经网络在SAS图像目标检测上存在的准确率较低、能耗过高以及大幅面SAS图像检测时间过长的问题。
[0030]实施例2
[0031]在上述实施例的基础上，为了进一步降低大幅面SAS图像检测时间过长的问题，本专利技术实施例还提供一种基于脉冲神经网络的合成孔径声呐图像目标检测方法，包括以下步骤：
[0032]S201：构建深度卷积神经网本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.基于脉冲神经网络的合成孔径声呐图像目标检测方法，其特征在于，包括：步骤1：构建深度卷积神经网络，采用合成孔径雷达SAR标注图像对所述深度卷积神经网络进行训练得到面向SAR图像的目标检测模型DCN
SAR
；步骤2：利用脉冲神经元将所述深度卷积神经网络转化为脉冲神经网络，以所述目标检测模型DCN
SAR
的权重作为所述脉冲神经网络的初始权重，采用合成孔径声呐SAS标注图像对所述脉冲神经网络进行训练得到面向SAS图像的目标检测模型DSN
SAS
；步骤3：获取待检测SAS图像，采用所述目标检测模型DSN
SAS
对所述待检测SAS图像进行滑动检测，对其中的目标进行定位和标注。2.根据权利要求1所述的基于脉冲神经网络的合成孔径声呐图像目标检测方法，其特征在于，步骤3中具体包括：步骤3.1：获取待检测SAS图像，对所述待检测SAS图像进行视觉显著性计算得到对应的显著图；步骤3.2：设定显著值阈值，截取显著图中大于所述显著值阈值的区域并将所述区域作为待检测目标区；步骤3.3：采用所述目标检测模型DSN

【专利技术属性】
技术研发人员：刘扬，王瑞毅，王玖豪，石泽钊，曹珂境，李蕊，张洪霞，党兰学，
申请(专利权)人：河南大学，
类型：发明
国别省市：