System.ArgumentOutOfRangeException: 索引和长度必须引用该字符串内的位置。 参数名: length 在 System.String.Substring(Int32 startIndex, Int32 length) 在 zhuanliShow.Bind()
【技术实现步骤摘要】
本专利技术属于人工智能、数据迁移方法,尤其涉及一种适用于水下柔性可移动目标的小样本数据扩增方法。
技术介绍
1、面向自然水体水下目标识别,收集大量的待测目标数据是不现实的,产生了小样本识别需求。面向小样本识别数据扩增是一个有效的手段,但是由于自然存在水体存在光照、水色、浊度等水域环境变化,使得获取图像存在域分布差异,导致采用其它手段获取的目标图像无法直接应用到实际场景的目标识别方向,限制了技术的深入应用。目前常见的面向小样本扩增的方法主要包括旋转、镜像、缩放等传统扩增方法、迁移学习方法、生成对抗网络方法以及目标再识别数据迁移方法。
2、1、传统的数据扩增手段
3、针对小样本目标的数据扩增手段,目前常见的为旋转、镜像、缩放、剪切、平移等。这些手段在提升模型泛化能力和鲁棒性方面具有一定的作用。例如,面向遥感图像多为俯视视角拍摄,导致同一类型目标(比如飞机、汽车、舰船等)在图像中可能会以多种方向排布出现,在扩充训练样本时,图像翻转操作和图像旋转操作得到的扩充样本可以使得模型在训练过程中学习到具有旋转不变形的特征,而图像缩放操作得到的扩充样本可以更好地使得模型实现多尺度训练。上述方法在外形特征相似的刚性目标监测上具有一定效果。但是面向水下随机运动目标,由于其运动姿态、特征纹理以及环境噪声差异,传统的基于已有小样本特定域样本扩增手段无法提供丰富的差异性数据,导致扩增样本识别率提升有限。
4、2、迁移学习小样本识别
5、随着人工智能、深度学习以及检测及技术的进步,面向水下领域识别技术不断发展,
6、3、基于生成对抗网络数据扩增方法
7、该方法主要是利用生成对抗网络学习待扩增目标图像特征,然后通过调节特征权重生成特定目标图像,目前该技术已经在人脸、自然环境、文本信息生成领域得到应用。但是,面向实际水下工况场景,由于目标物体样本收集困难,生成对抗网络很难获取足够的学习样本,特别是面向具备形变、环境变化的工况条件,单一的生成对抗网络很难生成具备足够特征的待测目标样本,限制了算法应用效果。
8、4、基于目标再识别技术的数据迁移方法
9、目标再识别技术(re-identification,reid)是通过图像域到域的转换,将不同源域图像统一到目标域特征空间,实现数据增强,主要用于解决有监督方法在现实场景应用中局限,且在行人再识别领域取得显著的进展。例如,利用属性特征将模型转移到未标记的数据集;将一个孪生网络嵌入到cyclegan中,实现图像从源域到目标域的传输,利用race和dgm来解决基于视频的无监督人员再识别问题。但是,不同于行人再识别问题中不同域图像数据身份差异,水下运动目标由于姿态多变以及采样环境差异引起的域内分布差异,导致传统的数据转移手段无法满足水下目标数据扩增需要。
技术实现思路
1、为解决上述技术问题,本专利技术提出了一种适用于水下柔性可移动目标的小样本数据扩增方法,满足水下目标数据扩增需要。
2、为实现上述目的,本专利技术提供了一种适用于水下柔性可移动目标的小样本数据扩增方法,包括:
3、采集特定场景下的目标图像,并基于所述目标图像,构建源域样本集;
4、采集实际水体场景下的待测目标图像,并基于所述待测目标图像,构建目标域样本集;
5、通过将所述源域样本集和所述目标域样本集输入改进的cyclegan网络,将所述源域样本集中的源域图像转换为目标域中的目标域图像,对所述目标域样本集进行扩增。
6、可选的,基于所述目标图像,构建源域样本集包括:
7、采用背景差分方法获取所述目标图像中目标前景信息,并对所述目标进行标注,构建所述源域样本集。
8、可选的,基于所述待测目标图像,构建目标域样本集包括:
9、采用所述背景差分方法获取所述待测目标图像中目标前景信息,并对待测目标进行标注,构建所述目标域样本集。
10、可选的,所述改进的cyclegan网络包括:cyclegan网络、前景掩膜身份损失验证模块、样本增强模块;
11、所述cyclegan网络,用于基于输入的所述源域样本集和所述目标域样本集,获取假源域和假目标域;
12、所述前景掩膜身份损失验证模块,用于利用前景图像变化差异,获取前掩膜身份损失,将所述假源域的身份信息拉向所述目标域的身份信息;
13、所述样本增强模块,用于利用最大平均差异方法在传输时拉近所述源域图像和所述目标域图像之间的分布。
14、可选的,所述前景掩膜身份损失为:
15、
16、其中,为前景掩膜身份损失,s和t分别为源域图像和目标域图像,m(s)和m(t)分别为特定姿态鱼类图像的前景掩码,⊙为同或逻辑运算,g为源域到目标域的映射函数,为目标域到源域的映射函数,和分别为目标域和源域数据分布的数学期望。
17、可选的,所述最大平均差异方法为:
18、
19、其中,为最大平均差异,m、n分别为源域和目标域样本数量,i、j代表源域和目标域样本坐标,s和t分别为源域图像和目标域图像,k为高斯核函数。
20、可选的,所述改进的cyclegan的整体目标函数为:
21、
22、其中,为整体目标函数,和为对抗损失函数,为循环一致性损失函数,为身份损失函数,为最大平均差异,λ1、λ2、λ3分别为损失权重,s和t分别表示源域和目标域,g为源域到目标域的映射函数,为目标域到源域的映射函数,ds和dt分别是源域和目标域的风格判别器。
23、本专利技术技术效果:本专利技术中源域(特定场景)和目标域(自然水体场景)被输入到cyclegan中,以生成假的目标域和假的源域,基于改进cyclegan数据扩增方法,特别的通过增加前景掩膜优化了cyclegan身份损失函数,引入mmd损失函数拉近可控场景和变工况场景图像数据之间的分布,能够实现养殖场景水下柔性运本文档来自技高网...
【技术保护点】
1.一种适用于水下柔性可移动目标的小样本数据扩增方法,其特征在于,包括:
2.如权利要求1所述的适用于水下柔性可移动目标的小样本数据扩增方法,其特征在于,基于所述目标图像,构建源域样本集包括:
3.如权利要求2所述的适用于水下柔性可移动目标的小样本数据扩增方法,其特征在于,基于所述待测目标图像,构建目标域样本集包括:
4.如权利要求1所述的适用于水下柔性可移动目标的小样本数据扩增方法,其特征在于,所述改进的CycleGAN网络包括:CycleGAN网络、前景掩膜身份损失验证模块、样本增强模块;
5.如权利要求4所述的适用于水下柔性可移动目标的小样本数据扩增方法,其特征在于,所述前掩膜身份损失为:
6.如权利要求4所述的适用于水下柔性可移动目标的小样本数据扩增方法,其特征在于,所述最大平均差异方法为:
7.如权利要求1所述的适用于水下柔性可移动目标的小样本数据扩增方法,其特征在于,所述改进的CycleGAN的整体目标函数为:
【技术特征摘要】
1.一种适用于水下柔性可移动目标的小样本数据扩增方法,其特征在于,包括:
2.如权利要求1所述的适用于水下柔性可移动目标的小样本数据扩增方法,其特征在于,基于所述目标图像,构建源域样本集包括:
3.如权利要求2所述的适用于水下柔性可移动目标的小样本数据扩增方法,其特征在于,基于所述待测目标图像,构建目标域样本集包括:
4.如权利要求1所述的适用于水下柔性可移动目标的小样本数据扩增方法,其特征在于,所述改进的cycl...
【专利技术属性】
技术研发人员:刘世晶,钱程,涂雪莹,郑浩君,李国栋,
申请(专利权)人:中国水产科学研究院渔业机械仪器研究所,
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。