【技术实现步骤摘要】
一种多尺度特征融合的声纳图像目标检测方法
[0001]本专利技术涉及水下目标识别
,具体为一种多尺度特征融合的声纳图像目标检测方法
。
技术介绍
[0002]随着深度学习的快速发展,声纳图像的水下目标识别领域具有广阔的发展空间,新兴的深度学习方法可以有效地提高识别模型的泛化能力,实现端到端信息传输和自主识别,然而,这些任务面临着一些挑战,如提高检测和识别的准确性和速度,最小化计算和通信的成本,以及降低模型的复杂性,解决这些问题是提高水下目标探测系统的整体性能的关键
。
[0003]以人工提取特征的方式对声呐图像进行目标检测,其中主要有基于像素
、
特征和回波的方法,这些传统的水下目标检测方法,大多基于像素值特征
、
灰度阈值或者相应目标的先验信息,但水下环境复杂,回波受自噪声
、
混响噪声和环境噪声等影响,导致声呐图像的分辨率低
、
边缘细节模糊
、
斑点噪声严重,以至于很难寻找到良好的像素特征和灰度阈值,另外,水下目标种类众多,获得一定的先验信息代价太高,所以,当前传统算法对水下目标的检测精确度不高,随着深度学习的发展,目前深度学习的检测方法能够提取多层抽象特征,解决了传统方法中人工提取特征的麻烦,同时利用数据增强使少样本的问题得到了解决,现在的声纳图像检测方法显示出了较高的检测速度和精度,但还需要进一步的研究来解决声纳图像特征提取过程中噪声和目标信息合并的挑战,这一挑战目前阻碍了识别精度的提高
。 ...
【技术保护点】
【技术特征摘要】
1.
一种多尺度特征融合的声纳图像目标检测方法,包括,其特征在于:具体包括以下步骤:
S1、
特征提取:原始声呐图像输入特征提取模块中,依次经过四次卷积层进行部分特征提取后,进行特征融合,得到四倍降采样特征图,将四倍降采样特征图依次交替进行四次堆积模块和三次降采样操作,依次获取第一有效特征层和第二有效特征层,后引入注意力机制进行空间金字塔池化操作,获取第三有效特征层;
S2、
特征融合:引入注意力机制对第一有效特征层和第二有效特征层进行卷积后,获取卷积后的第一有效特征层和卷积后的第二有效特征层,第三有效特征层进行动态卷积和上采样操作后,与卷积后的第二有效特征层通过堆积模块进行特征合并,获取一次融合特征层,一次融合特征层进行动态卷积和上采样操作后,通过堆积模块与卷积后的第一有效特征层进行特征合并,获取二次融合特征层,二次融合特征层经过降采样操作后,通过堆积模块与卷积后的第二有效特征层和一次融合特征层进行特征合并,获得三次融合特征层,通过堆积模块与三次融合特征层与第三有效特征层进行特征合并后,获得四次融合特征层;
S3、
目标识别:将二次融合特征层
、
三次融合特征层和四次融合特征层分别输入到无卷积计算增量但提高精度的通用新型卷积模块中,输出对应的边界框
、
类别和置信度信息,进行中心点预测,利用回归预测结果对中心点偏移进行计算,并且进行预测框宽高的预测,同时进行非极大值抑制的操作
。2.
根据权利要求1所述的一种多尺度特征融合的声纳图像目标检测方法,其特征在于:所述
S1
和
S2
中的堆积模块包括两个第一卷积分支:一个所述第一卷积分支经过一个
1x1
卷积做通道数变化;另一个所述第一卷积分支为先经过一个
1x1
的卷积模块使通道数变化,再经过四个
3x3
卷积模块做特征提取,最后把四个特征与一个所述第一卷积分支输出结果叠加在一起得到特征融合结果
。3.
根据权利要求1所述的一种多尺度特征融合的声纳图像目标检测方法,其特征在于:所述
S1
和
S2
中的降采样操作包括两个降采样分支:一个所述降采样分支经过最大池化层后,经过一个
1x1
的卷积模块使通道数变化;另一个所述降采样分支经过一个
1x1
的卷积模块使通道数变化,后进行步长为2的
3x3
卷积,后输出结果与一个所述降采样分支输出结果叠加在一起得到降采样结果<...
【专利技术属性】
技术研发人员:谢国濠,唐建勋,陈名松,杨一帆,
申请(专利权)人:桂林电子科技大学,
类型:发明
国别省市:
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。