一种基于迁移学习的红外成像海面目标识别方法及系统技术方案

本发明专利技术属于深度学习的迁移学习与目标识别技术领域，尤其涉及一种基于迁移学习的红外成像海面目标识别方法及系统。所述方法包括：将海面待识别目标的红外图像输入预先建立和训练好的目标检测识别模型，经推理识别海面目标，所述目标检测识别模型以YOLOv3网络为基础，采用基于特征选择的迁移学习方法进行训练。本发明专利技术针对现有红外成像海面目标识别面临的少样本问题进行了解决，通过使用迁移学习方法，可有效降低训练红外成像海面目标识别网络所需的数据保障难度。所需的数据保障难度。所需的数据保障难度。

【技术实现步骤摘要】
一种基于迁移学习的红外成像海面目标识别方法及系统


[0001]本专利技术属于深度学习的迁移学习与目标识别
，尤其涉及一种基于迁移学习的红外成像海面目标识别方法及系统。

技术介绍

[0002]近年来,迁移学习已经引起了广泛的关注和研究。迁移学习是运用已存有的知识对不同但相关领域问题进行求解的一种新的机器学习方法.它放宽了传统机器学习中的两个基本假设：(1)用于学习的训练样本与新的测试样本满足独立同分布的条件；(2)必须有足够可利用的训练样本才能学习得到一个好的分类模型。迁移学习的目的是迁移已有的知识来解决目标领域中仅有少量有标签样本数据甚至没有的学习问题。迁移学习广泛存在于人类的活动中，两个不同的领域共享的因素越多，迁移学习就越容易，否则就越困难，甚至出现“负迁移”的情况，产生副作用。
[0003]针对源领域和目标领域样本是否标注以及任务是否相同，可以把迁移学习的工作划分为归纳迁移学习、直推式迁移学习以及无监督迁移学习等。而按照迁移学习方法采用的技术划分,又可以把迁移学习方法大体上分为基于特征选择的迁移学习算法研究、基于特征映射的迁移学习算法研究以及基于权重的迁移学习算法研究等。
[0004]Jiang等人认为，与样本类别高度相关的那些特征应该在训练得到的模型中被赋予更高的权重，因此他们在领域适应问题中提出了一种两阶段的特征选择框架：第1阶段首先选出所有领域(包括源领域和目标领域)共有的特征来训练一个通用的分类器；然后从目标领域无标签样本中选择特有特征来对通用分类器进行精细化从而得到适合于目标领域数据的分类器。Dai等人提出了一种基于联合聚类(co
‑
clustering)的预测领域外文档的分类方法CoCC,该方法通过对类别和特征进行同步聚类,实现知识与类别标签的迁移。CoCC算法的关键思想是识别出目标领域与源领域数据共有的部分,即共有的词特征。然后类别信息以及知识通过这些共有的词特征从源领域传到目标领域。上述技术未能实现外形随视角变化较大的目标的迁移学习，例如前视舰船目标图像的迁移学习，且利用迁移学习从可见光图像的目标识别迁移为红外图像的目标识别也是近年来的研究热点。

技术实现思路

[0005]本专利技术的目的在于克服现有技术缺陷，提出了一种基于迁移学习的红外成像海面目标识别方法及系统。
[0006]为了实现上述目的，本专利技术提出了一种基于迁移学习的红外成像海面目标识别方法，所述方法包括：
[0007]将海面待识别目标的红外图像输入预先建立和训练好的目标检测识别模型，经推理识别海面目标，所述目标检测识别模型以YOLOv3网络为基础，采用基于特征选择的迁移学习方法进行训练。
[0008]作为上述方法的一种改进，所述方法还包括目标检测识别模型的训练步骤，具体
包括：
[0009]步骤S1)建立实拍可见光海面目标图像数据集、仿真可见光海面目标图像数据集和仿真红外成像海面目标图像数据集；
[0010]步骤S2)建立实拍红外成像海面目标图像数据集；
[0011]步骤S3)将步骤S1)的三个数据集分别输入YOLOv3网络，采用深度学习的方法进行训练得到目标预识别模型；
[0012]步骤S4)将步骤S2)得到的实拍红外成像海面目标图像数据集输入步骤S3)训练后的目标预识别模型，冻结特征提取参数，利用迁移学习的方法进行训练，直至满足训练要求，得到训练好的目标检测识别模型。
[0013]作为上述方法的一种改进，所述步骤S1)的实拍可见光海面目标图像数据集建立包括：
[0014]收集公开的平视海面目标可见光原始图像，经过调整数据集标注以及对未标注数据进行半监督学习标注后，统一数据集标注类别与格式，再进行数据增广得到实拍可见光海面目标图像数据集。
[0015]作为上述方法的一种改进，所述步骤S1)的仿真可见光海面目标图像数据集建立包括：
[0016]对海面目标进行三维建模仿真，生成海面目标三维模型；
[0017]将海面目标三维模型以及环境参数输入多谱段视景仿真软件，采用可见光仿真模式生成仿真可见光平视海面目标原始图像，经过半监督学习标注后，统一数据集标注类别与格式，再进行数据增广得到仿真可见光海面目标图像数据集；所述环境参数包括天时天候、背景环境和目标位置。
[0018]作为上述方法的一种改进，所述数据增广包括：
[0019]对原始图像添加降雨、雾霾、阴云和/或雷电环境效果；对原始图像及添加环境效果后的图像分别通过旋转和/或平移进行图像变换；再将海面目标截取后，张贴在不同的海面背景环境下，从而实现数据增广。
[0020]作为上述方法的一种改进，所述步骤S1)的仿真红外成像海面目标图像数据集建立包括：
[0021]采用多谱段视景仿真软件的红外仿真模式生成仿真红外成像平视海面目标原始图像，经过半监督学习标注后，统一数据集标注类别与格式，再进行数据增广得到仿真红外成像海面目标图像数据集。
[0022]作为上述方法的一种改进，所述步骤S2)具体包括：
[0023]采集平视海面目标红外成像数据，经过半监督学习标注后，统一数据集标注类别与格式，再进行数据增广得到实拍红外成像海面目标图像数据集。
[0024]作为上述方法的一种改进，所述数据增广包括：
[0025]对原始图像数据添加对比度变换、烟雾和/或干扰亮斑，模拟不同天时天候及不同干扰条件下的图像数据；对原始图像及变换后的图像通过旋转和/或平移进行图像变换；再将海面目标截取后，张贴在不同的海面背景环境下，从而实现数据增广。
[0026]另一方面，本专利技术提出了一种基于迁移学习的红外成像海面目标识别系统，所述系统包括：
[0027]输入模块，用于将海面待识别目标的红外图像输入预先建立和训练好的目标检测识别模型；和
[0028]识别输出模块，用于经推理识别海面目标；
[0029]所述目标检测识别模型以YOLOv3网络为基础，采用基于特征选择的迁移学习方法进行训练。
[0030]与现有技术相比，本专利技术的优势在于：
[0031]针对少样本红外成像海面目标识别任务，本专利技术提出了一种基于迁移学习的红外成像海面目标识别方法，以YOLOv3检测识别网络为基础，引入迁移学习的思想，在大量实拍可见光海面目标图像数据、仿真可见光海面目标图像数据、仿真红外成像海面目标图像数据的基础上训练预识别网络，随后冻结识别网络的特征提取有关，最后引入少量实拍红外成像海面目标图像数据，训练得到红外成像海面目标检测识别网络，本专利技术针对现有红外成像海面目标识别面临的少样本问题进行了解决，通过使用迁移学习方法，可有效降低训练红外成像海面目标识别网络所需的数据保障难度。
附图说明
[0032]图1是本专利技术提供的一种基于迁移学习的红外成像海面目标识别方法的流程图。
具体实施方式
[0033]本专利技术旨在提供一种基于迁移学习的红外成像海面目标识别方法，该方法能够使用较容易获得大量数据的实拍可见光本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于迁移学习的红外成像海面目标识别方法，所述方法包括：将海面待识别目标的红外图像输入预先建立和训练好的目标检测识别模型，经推理识别海面目标，所述目标检测识别模型以YOLOv3网络为基础，采用基于特征选择的迁移学习方法进行训练。2.根据权利要求1所述的基于迁移学习的红外成像海面目标识别方法，其特征在于，所述方法还包括目标检测识别模型的训练步骤，具体包括：步骤S1)建立实拍可见光海面目标图像数据集、仿真可见光海面目标图像数据集和仿真红外成像海面目标图像数据集；步骤S2)建立实拍红外成像海面目标图像数据集；步骤S3)将步骤S1)的三个数据集分别输入YOLOv3网络，采用深度学习的方法进行训练得到目标预识别模型；步骤S4)将步骤S2)得到的实拍红外成像海面目标图像数据集输入步骤S3)训练后的目标预识别模型，冻结特征提取参数，利用迁移学习的方法进行训练，直至满足训练要求，得到训练好的目标检测识别模型。3.根据权利要求2所述的基于迁移学习的红外成像海面目标识别方法，其特征在于，所述步骤S1)的实拍可见光海面目标图像数据集建立包括：收集公开的平视海面目标可见光原始图像，经过调整数据集标注以及对未标注数据进行半监督学习标注后，统一数据集标注类别与格式，再进行数据增广得到实拍可见光海面目标图像数据集。4.根据权利要求2所述的基于迁移学习的红外成像海面目标识别方法，其特征在于，所述步骤S1)的仿真可见光海面目标图像数据集建立包括：对海面目标进行三维建模仿真，生成海面目标三维模型；将海面目标三维模型以及环境参数输入多谱段视景仿真软件，采用可见光仿真模式生成仿真可见光平视海面目标原始图像，经过半监督学习标注后，统一数据集标注类别与格式，再进行数据增广得到仿真可见光海面目标图像数...

【专利技术属性】
技术研发人员：赵鹏鹏，李庶中，徐永卓，张健，李迅，王泽众，李洁，曾浩，王全喜，李越强，赵东伟，张润哲，闫鹏浩，
申请(专利权)人：零八一电子集团有限公司，
类型：发明
国别省市：