一种多尺度特征融合的声纳图像目标检测方法技术

本发明专利技术公开了一种多尺度特征融合的声纳图像目标检测方法，具体包括以下步骤：

【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
。
[0004]金等人
(“基于卷积神经网络的水下目标声呐图像识别方法”，西北工业大学学报，第
39
卷，第2期：第
285
‑
291
页
(2021
年
))
使用卷积神经网络识别水下目标的模型，该网络结合了图像突出区域分割和基于声纳图像特征的金字塔池，防止了模型过拟合，但没有考虑声纳图像识别中复杂背景特征提取和目标特征损失的问题
。
[0005]王等人
(X
，
Wang
，
Z
，
Guan
，
J
，
Wang
，
and Y
，
Wang
，“Target detection of color image sonar based on convolutional neuralnetwork
，”J
，
Comput
，
Appl
，
vol
，
39
，
no
，
S1
，
pp
，
187191
，
Jul
，
2019
，
)
利用双线性插值预处理技术，结合目标检测算法网络，成功实现了声纳图像目标识别，但是实验目标仅为木桩一类，没有解决实验少样本的问题
。
[0006]盛等人
(“样本仿真结合迁移学习的声呐图像水雷检测”，智能系统学报，第
16
卷，第2期：第
385
‑
392
页
(2021
年
))
实现了水雷目标声呐图像仿真，扩增了数据集；同时，结合样本仿真和迁移学习提升了深度学习的准确性，避免了深度学习对小样本学习不足的问题，但是忽略了特征提取过程的全局性和卷积层对上下文特征的学习能力的问题
。
[0007]基于对上述资料的检索，可以看出现有技术存在如下缺陷：
[0008]现有的声纳图像目标检测模型主要使用堆叠卷积的方式进行特征提取，对于相似度较高的声纳图像前景与背景的区分度差，从而易导致模型错检或者漏检；
[0009]现有的声呐图像目标检测模型忽略特征的全局上下文信息，使得提取的深度抽象
特征的表征能力差，从而降低模型的识别精度
。

技术实现思路

[0010](
一
)
解决的技术问题
[0011]针对现有技术的不足，本专利技术提供了一种多尺度特征融合的声纳图像目标检测方法，解决了上述的问题
。
[0012](
二
)
技术方案
[0013]为实现以上目的，本专利技术通过以下技术方案予以实现：一种多尺度特征融合的声纳图像目标检测方法，具体包括以下步骤：
[0014]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；
[0015]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；
[0016]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
。
[0017]本专利技术进一步设置为：所述
S1
和
S2
中的堆积模块包括两个第一卷积分支：
[0018]一个所述第一卷积分支经过一个
1x1
卷积做通道数变化；
[0019]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
。
[0020]本专利技术进一步设置为：所述
S1
和
S2
中的降采样操作包括两个降采样分支：
[0021]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；
[0022]另一个所述降采样分支经过一个
1x1
的卷积模块使通本文档来自技高网...

【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：