一种场景自适应的无监督水下弱小目标检测方法及系统技术方案

本发明专利技术公开了一种场景自适应的无监督水下弱小目标检测方法及系统，该方法包括：定义神经网络架构的搜索空间，基于改进的可微分架构搜索方法构建

【技术实现步骤摘要】
一种场景自适应的无监督水下弱小目标检测方法及系统


[0001]本专利技术涉及目标检测
，尤其涉及一种场景自适应的无监督水下弱小目标检测方法及系统
。

技术介绍

[0002]目标检测是计算机视觉领域最热门的研究方向之一，在行业中有许多有价值的应用
。
但是目前在水下的目标检测仍有一些限制，水下机器人在执行任务时，数据与基站的实时传输和大规模运算服务器的数据处理都不能像陆上机器人一样，很多时候只能通过机载小型运算单元对数据进行处理；其中，水下视觉数据存储空间大和特征维度高，在网络算法运行过程中容易造成严重时延，不利于机器人开展工作
。
因此，设计轻量化的特征提取网络，构建高效的信息提取与传递机制，使用多样化与多尺度的模型训练方法，是目前对水下视觉感知算法进行轻量级优化的主要研究方向；而现有的目标检测算法对场景有很强的依赖性，人们需针对具体的水下场景，精心设计目标的特征提取器，或人工标注大量的训练样本，这样才能使检测器在当前水下场景下发挥出最好的性能，也不能普遍用于不同类型的场景，例如不同天气，不同光照的水下场景，另一方面，一旦部署了模型，它就不能随着积累的未标记场景数据而自主进化，通常需要专家进行手工调优，以使得模型的性能达到最优并满足部署条件，整个调优过程十分繁琐且需要消耗大量的人力物力
。

技术实现思路

[0003]为了解决上述技术问题，本专利技术的目的是提供一种场景自适应的无监督水下弱小目标检测方法及系统，通过自定义搜索空间构建
cell
库在进行压缩搜索优化，提高水下弱小目标的检测效率与精度
。
[0004]本专利技术所采用的第一技术方案是：一种场景自适应的无监督水下弱小目标检测方法，包括以下步骤：定义神经网络架构的搜索空间，基于改进的可微分架构搜索方法构建
cell
库；引入
MobileNet V3
特征提取网络构建
RetinaNet
网络并进行预训练，得到预训练后的
RetinaNet
网络；基于预训练后的
RetinaNet
网络，对水下弱小目标进行目标检测处理，得到水下弱小目标特征数据；将水下弱小目标特征数据作为精度检测指标对
cell
库进行压缩处理，得到压缩后的
cell
库；通过
OPTICS
聚类算法对压缩后的
cell
库进行优化分类，得到优化后的
cell
库；基于粒子群优化算法，通过
Nas
搜索策略对优化后的
cell
库进行搜索优化，得到最优
cell
库；基于最优
cell
库对水下弱小目标进行目标检测处理，获取最终的水下弱小目标特
征数据
。
[0005]进一步，所述定义神经网络架构的搜索空间这一步骤，其具体包括：通过调整节点数量与节点之间的操作集合设置神经网络架构的搜索空间，所述神经网络架构的搜索空间包含若干个
cell
网络模型，所述
cell
网络模型包括2个输入节点
、4
中间节点和1个输出节点，所述节点之间的操作集合包括卷积操作
、
池化操作和权值共享操作
。
[0006]进一步，所述基于改进的可微分架构搜索方法构建
cell
库这一步骤，其具体包括：基于神经网络架构的搜索空间，对架构参数进行参数化，得到参数化后的神经网络架构的搜索空间，所述架构参数表示节点之间的操作；对参数化后的神经网络架构的搜索空间进行松弛操作处理，得到连续可微变量的搜索空间；设置节点权重阈值；选取连续可微变量的搜索空间中的节点权重大于节点权重阈值的节点，构建第一标准单元；选取连续可微变量的搜索空间中的节点权重大于节点权重阈值的节点并进行学习，构建第二标准单元；整合第一标准单元和第二标准单元，得到
cell
库
。
[0007]进一步，所述引入
MobileNet V3
特征提取网络构建
RetinaNet
网络并进行预训练，得到预训练后的
RetinaNet
网络这一步骤，其具体包括：引入
MobileNet V3
特征提取网络构建
RetinaNet
网络，所述
RetinaNet
网络包括
MobileNet V3
特征提取网络
、
特征金字塔网络
、
锚点框生成网络
、
分类回归子网络和
Focal Loss
损失函数；获取
Wildfish
数据集；基于
Wildfish
数据集对
RetinaNet
网络进行预训练处理，直至所述
RetinaNet
网络收敛，得到预训练后的
RetinaNet
网络
。
[0008]进一步，所述基于预训练后的
RetinaNet
网络，对水下弱小目标进行目标检测处理，得到水下弱小目标特征数据这一步骤，其具体包括：将水下弱小目标输入至预训练后的
RetinaNet
网络；基于预训练后的
RetinaNet
网络的
MobileNet V3
特征提取网络对水下弱小目标进行特征提取处理，得到水下弱小目标特征图；基于预训练后的
RetinaNet
网络的特征金字塔网络对水下弱小目标特征图进行不同尺度的特征融合处理，得到融合后的水下弱小目标特征图；基于预训练后的
RetinaNet
网络的锚点框生成网络对融合后的水下弱小目标特征图进行锚点框标注处理，得到具备若干锚点框的水下弱小目标特征图；基于预训练后的
RetinaNet
网络的分类回归子网络，分类为每一个预选框预测其类别，回归子网络与分类子网络平行，用于预测每一个预选框的偏移量得到定位目标，并结合
Focal Loss
函数对正负样本不平衡问题进行处理，在每个锚框位置计算分类损失，通过加权样本的损失降低易分类样本的权重，得到水下弱小目标特征数据
。
[0009]进一步，所述将水下弱小目标特征数据作为精度检测指标对
cell
库进行压缩处
理，得到压缩后的
cell
库这一步骤，其具体包括：设定参数复杂度阈值并计算
cell
库中的子网络的复杂度；将
cell
库中的子网络的复杂度大于所述参数复杂度阈值的子网络进行剔除处理，得到初步的压缩
cell
库；将初步的压缩
cell
库的子网络作为主干网络，用于目标检测训练，输出若干检测精度，所述若干检测精度分别对应
cell本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.
一种场景自适应的无监督水下弱小目标检测方法，其特征在于，包括以下步骤：定义神经网络架构的搜索空间，基于改进的可微分架构搜索方法构建
cell
库；引入
MobileNet V3
特征提取网络构建
RetinaNet
网络并进行预训练，得到预训练后的
RetinaNet
网络；基于预训练后的
RetinaNet
网络，对水下弱小目标进行目标检测处理，得到水下弱小目标特征数据；将水下弱小目标特征数据作为精度检测指标对
cell
库进行压缩处理，得到压缩后的
cell
库；通过
OPTICS
聚类算法对压缩后的
cell
库进行优化分类，得到优化后的
cell
库；基于粒子群优化算法，通过
Nas
搜索策略对优化后的
cell
库进行搜索优化，得到最优
cell
库；基于最优
cell
库对水下弱小目标进行目标检测处理，获取最终的水下弱小目标特征数据
。2.
根据权利要求1所述一种场景自适应的无监督水下弱小目标检测方法，其特征在于，所述定义神经网络架构的搜索空间这一步骤，其具体包括：通过调整节点数量与节点之间的操作集合设置神经网络架构的搜索空间，所述神经网络架构的搜索空间包含若干个
cell
网络模型，所述
cell
网络模型包括2个输入节点
、4
中间节点和1个输出节点，所述节点之间的操作集合包括卷积操作
、
池化操作和权值共享操作
。3.
根据权利要求2所述一种场景自适应的无监督水下弱小目标检测方法，其特征在于，所述基于改进的可微分架构搜索方法构建
cell
库这一步骤，其具体包括：基于神经网络架构的搜索空间，对架构参数进行参数化，得到参数化后的神经网络架构的搜索空间，所述架构参数表示节点之间的操作；对参数化后的神经网络架构的搜索空间进行松弛操作处理，得到连续可微变量的搜索空间；设置节点权重阈值；选取连续可微变量的搜索空间中的节点权重大于节点权重阈值的节点，构建第一标准单元；选取连续可微变量的搜索空间中的节点权重大于节点权重阈值的节点并进行学习，构建第二标准单元；整合第一标准单元和第二标准单元，得到
cell
库
。4.
根据权利要求3所述一种场景自适应的无监督水下弱小目标检测方法，其特征在于，所述引入
MobileNet V3
特征提取网络构建
RetinaNet
网络并进行预训练，得到预训练后的
RetinaNet
网络这一步骤，其具体包括：引入
MobileNet V3
特征提取网络构建
RetinaNet
网络，所述
MobileNet V3
特征提取网络包括
1x1
卷积层
、
深度可分离卷积层
、
全局平均池化层
、
两个全连接层和激活函数，所述
RetinaNet
网络包括
MobileNet V3
特征提取网络
、
特征金字塔网络
、
锚点框生成网络
、
分类回归子网络和
Focal Loss
损失函数；获取
Wildfish
数据集；基于
Wildfish
数据集对
RetinaNet
网络进行预训练处理，直至所述
RetinaNet
网络收
敛，得到预训练后的
RetinaNet
网络
。5.
根据权利要求4所述一种场景自适应的无监督水下弱小目标检测方法，其特征在于，所述基于预训练后的
RetinaNet
网络，对水下弱小目标进行目标检测处理，得到水下弱小目标特征数据这一步骤，其具体包括：将水下弱小目标输入至预训练后的
RetinaNet
网络；基于预训练后的
RetinaNet
网络的
MobileNet V3
特征提取网络对水下弱小目标进行特征提取处理，得到水下弱小目标特征图；基于预训练后的
RetinaNet
网络的特征金字塔网络对水下弱小目标特征图进行不同尺度的特征融合处理，得到融合后的水下弱小目标特征图；基于预训练后的
RetinaNet
网络的锚点框生成网络对融合后的水下弱小目标特征图进行锚点框标注处理，得到...

【专利技术属性】
技术研发人员：黎海兵，叶姚良，朱文博，董超，郑兵，张忠波，李振铭，李艾园，
申请(专利权)人：国家海洋局南海调查技术中心国家海洋局南海浮标中心，
类型：发明
国别省市：