【技术实现步骤摘要】
本专利技术涉及图像识别，尤其涉及基于递进式课程的受扰环境下船舶全种类识别方法及系统。
技术介绍
1、目前基于深度学习的船舶识别模型基本基于目标识别技术，目标检测技术，语义切分技术三大类的模型策略。一方面，在这些方式下所有的监测实例都随机呈现给模型，此外，海洋环境具有动态、高维和组合复杂的特点。雾、云、雨、水流和杂波等多种因素的存在使检测过程进一步复杂化，忽略了数据样本的复杂性和当前的情况。模型的学习进度，不可避免地导致模型鲁棒性低和泛化性能低。二是基于传统的训练模式，泛化性的提升依赖于新增类别的大量样本，但在现实中对数据进行标记处理的成本高昂，且存在某类别数据可能稀缺的情况，这极大降低了模型的可扩展性以及适用性。
技术实现思路
1、本专利技术的目的是为了至少解决现有技术的不足之一，提供基于递进式课程的受扰环境下船舶全种类识别方法及系统。
2、为了实现上述目的，本专利技术采用以下的技术方案：
3、具体的，提出基于递进式课程的受扰环境下船舶全种类识别方法，包括以下：
4、获取待识别船舶图像；
5、通过预训练的基于递进式课程的船舶全种类识别模型对所述待识别船舶图像进行识别，得到识别结果；
6、具体的，基于递进式课程的船舶全种类识别模型通过以下方式进行训练得到，
7、构建船舶图像的训练集t、支持集s以及查询集q；
8、将训练集t分割成n个独立的子集，对所述子集进行预处理生成具有难度梯度逐级递增的n个课程子集
9、对n个所述课程子集进行难度调度，当前一阶段训练损失值趋于收敛时，即开始使用下一阶段的训练课程子集；
10、构建三元特征多维度损失模块，所述三元特征多维度损失模块包括特征提取单元、多维度损失函数单元，将第i个课程子集的数据输入特征提取单元，三元分支获取锚点样本、正例样本以及负例样本的特征向量，通过多维度损失函数单元获取各组样本间的向量差值，作为该次迭代损失值进行训练；
11、反向传播更新参数，训练三元特征多维度损失模块中特征提取单元得到训练好的特征提取单元；
12、在预测阶段，将支持集s、查询集q，输入训练好的特征提取单元，获取特定维度的特征向量，基于特定维度的所述特征向量对各个查询与支持样本完成图像分类。
13、进一步，具体的，通过随机裁切、噪声增扰以及明度调整的方式对所述子集进行预处理，生成具有难度梯度逐级递增的n个课程子集tn。
14、进一步，具体的，课程子集的数量为6个，即n＝6，预处理的过程如下，
15、通过如下方式进行随机裁切处理，生成训练初期课程，
16、xcrop＝fcrop(x)
17、fcrop＝ramdom_crop(x，size)
18、其中，x表示原始图像，并且xcrop表示通过应用由fcrop表示的随机裁剪函数处理而获得的图像，size表示裁切后得到图像的大小；
19、通过对初期课程按如下方式进行添加噪声干扰处理，生成训练中期课程，
20、xnoisy(i，j，k)＝(0，with probability of p)
21、其中，xnoisy(i，j，k)表示第j行第k列第i个通道的像素值添加噪声后的值，p表示为噪声添加的概率值，用于控制图像中添加噪声干扰的程度；
22、通过对中期课程按如下方式进行明度调整，生成训练末期课程，
23、xbright(i，j，k)＝{xi，j，k+δ，0＜xi，j，k+δ≤255}
24、其中，xbright(i，j，k)表示第j行第k列第i个通道进行明度调整后的值，δ表示亮度的调整值，xj，j，k表示图像第j行第k列第i个通道的像素值。
25、进一步，具体的，对n个所述课程子集进行难度调度，包括以下，
26、根据训练情况实时对训练使用的课程子集进行调整，当前一阶段训练损失值趋于收敛时，即开始使用下一阶段的训练课程子集，如下式所示，
27、
28、其中，t表示第t次迭代，ε表示准确率的收敛阈值；a(t)函数，表示在第t次迭代后的准确率，t0表示从该次迭代开始计算准确率的收敛性，当迭代次数超过t0时，每次迭代后的准确率变化a(t)-a(t-1)都小于预先设定的阈值ε，认定其为本段课程结束。
29、进一步，将第i个课程子集的数据输入特征提取单元，三元分支获取锚点样本、正例样本以及负例样本的特征向量，包括，
30、
31、其中n为课程子集的序号，f(·；θr)为卷积神经网络模型，f(·)与θr分别为该卷积神经网络模型的网络映射函数与参数；xset为seti所提取特征的向量，i取tn,s,q。
32、进一步，具体的，多维度损失函数单元基于多维度三元组融合损失函数构建，多维度三元组融合损失函数表示如下：
33、losstotal＝[αlosscosine+βlosseuclidean+γlossminkowski+δlossmahalanobis+···]++margin
34、
35、
36、
37、
38、其中样本为x，f()为映射函数，f(δ)ij＝∑m∑n(δ)i+m×wm,n，其中δ能够是整个训练集的大小为n，则每个三元组的输入(a,p,n)，为anchor样本和positive样本之间的欧氏距离度量，为anchor样本和negative样本之间的欧氏距离度量；为anchor样本和positive样本之间的余弦距离度量，为anchor样本和negative样本之间的余弦距离度量；
39、为anchor样本和positive样本之间的闵氏距离度量，为anchor样本和negative样本之间的闵氏距离度量；为anchor样本和positive样本之间的曼哈顿距离度量，为anchor样本和negative样本之间的曼哈顿距离度量；α,β,γ,δ···为不同的权重参数，用于平衡各个距离度量方式之间的影响；margin为与的距离之间最小间隔，[]+表示[]内的值大于零的时候，取该值为损失。
40、进一步，具体的，反向传播更新参数，包括，
41、利用各分支特征向量和，加减后作为网络损失值反向传播，得到输入图像基于损失值的梯度信息：利用损失函数losstotal值进行梯度反向后，获取到的针对三个船舶图像样本的梯度信息，表示求导操作。
42、进一步，具体的，完成图像分类的过程包括以下，
43、将支持集s、查询集q，输入训练好的特征提取单元，进行匹配得到的支持集s以及查询集q的特征向量，选取相似度最大值的一组作为预测类别标签，完成图像分类，通过以下公式进行匹配：
44、
45、
46、yi＝argmax(pi)
47、其中，λ,μ,ν·本文档来自技高网...
【技术保护点】
1.基于递进式课程的受扰环境下船舶全种类识别方法，其特征在于，包括以下：
2.根据权利要求1所述的基于递进式课程的受扰环境下船舶全种类识别方法，其特征在于，具体的，通过随机裁切、噪声增扰以及明度调整的方式对所述子集进行预处理，生成具有难度梯度逐级递增的n个课程子集Tn。
3.根据权利要求2所述的基于递进式课程的受扰环境下船舶全种类识别方法，其特征在于，具体的，课程子集的数量为6个，即n＝6，预处理的过程如下，
4.根据权利要求1所述的基于递进式课程的受扰环境下船舶全种类识别方法，其特征在于，具体的，对n个所述课程子集进行难度调度，包括以下，
5.根据权利要求1所述的基于递进式课程的受扰环境下船舶全种类识别方法，其特征在于，将第i个课程子集的数据输入特征提取单元，以三元分支获取锚点样本、正例样本以及负例样本的特征向量，包括，
6.根据权利要求1所述的基于递进式课程的受扰环境下船舶全种类识别方法，其特征在于，具体的，多维度损失函数单元基于多维度三元组融合损失函数构建，多维度三元组融合损失函数表示如下：
7.根据权
8.根据权利要求1所述的基于递进式课程的受扰环境下船舶全种类识别方法，其特征在于，具体的，完成图像分类的过程包括以下，
9.基于递进式课程的受扰环境下船舶全种类识别装置，其特征在于，包括以下：
10.一种计算机可读存储的介质，所述计算机可读存储的介质存储有计算机程序，其特征在于，所述计算机程序被处理器执行时实现如权利要求1-8中任一项所述方法的步骤。
...【技术特征摘要】
1.基于递进式课程的受扰环境下船舶全种类识别方法，其特征在于，包括以下：
2.根据权利要求1所述的基于递进式课程的受扰环境下船舶全种类识别方法，其特征在于，具体的，通过随机裁切、噪声增扰以及明度调整的方式对所述子集进行预处理，生成具有难度梯度逐级递增的n个课程子集tn。
3.根据权利要求2所述的基于递进式课程的受扰环境下船舶全种类识别方法，其特征在于，具体的，课程子集的数量为6个，即n＝6，预处理的过程如下，
4.根据权利要求1所述的基于递进式课程的受扰环境下船舶全种类识别方法，其特征在于，具体的，对n个所述课程子集进行难度调度，包括以下，
5.根据权利要求1所述的基于递进式课程的受扰环境下船舶全种类识别方法，其特征在于，将第i个课程子集的数据输入特征提取单元，以三元分支获取锚点样本、正...
【专利技术属性】
技术研发人员：李荣辉，孙嘉华，李佳文，丁垤涛，詹俊权，张浩，陈炫杰，朱闽，黄振凯，
申请(专利权)人：广东海洋大学，
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。