[发明专利]一种基于深度卷积特征的水下静目标识别方法

说明书

一种基于深度卷积特征的水下静目标识别方法，属于水下目标识别技术领域。该方法是以深度卷积神经网络为基础的识别方法，同时结合迁移学习策略来解决深度网络与小样本目标不匹配问题。水下目标智能识别方法主要分为三部分：一是水下图像收集清理与预处理；二是按照经典模型设计水下目标识别一次网络并进行训练，可以称为预训练过程，一次网络是水下目标识别网络的基础框架；三是通过迁移学习策略设计水下目标识别二次网络UW‑original，并将第一部分中处理好的水下数据集输入二次网络进行训练，训练完成得到最终水下目标智能识别网络UW‑final。

技术领域

本发明属于水下目标识别技术领域，具体涉及一种基于深度卷积特征的水下静目标识别方法。

背景技术

目前水下目标主要分为三种：水下光学图像目标、水下声呐探测回波目标、水下噪声目标。针对光学图像目标，目前主流的神经网络方法是卷积神经网络方法；针对声目标，主流的神经网络方法是深度置信网络和长短期记忆网络。因此，当将深度学习方法应用水下目标识别时，针对不同的目标，应选用不同的神经网络。本文研究的重点是水下光学目标，因此选择卷积神经网络方法。

本发明利用深度卷积特征进行水下静目标识别，深度卷积特征的核心是深度卷积神经网络，更进一步说是深度学习。深度学习理论上的难点在于超参数(如网络层数、神经元个数、迭代次数等)的不确定性和众多参数(如权重、偏置等)的难优化性。此外，深度学习应用上的局限性也在于数据量的大小和硬件计算能力。如前文所述，目前深度学习的基础是建立在大数据之上，而水下图像并不具备大数据的优势，因此，将深度学习应用于水下目标识别领域，深度网络和小样本目标之间的矛盾是亟需解决的一个问题。

因此，本领域需要一种针对深度网络和小样本目标之间的矛盾的目标识别方案和具体网络设计。

发明内容

本发明的目的在于提供一种基于深度卷积特征的水下静目标识别方法，解决将卷积网络用于识别水下目标时存在的瓶颈问题，提出使用迁移学习策略来解决深度网络和小样本目标之间的矛盾。

本发明的目的是这样实现的：

一种基于深度卷积特征的水下静目标识别方法，包括如下步骤：

步骤1：在水下特定领域进行数据集收集清理，通过数据增强技术来扩充水下识别目标；

所述步骤1中数据增强技术包括对图像进行上下左右翻转、对图像随机进行光照变换和对图像随机进行对比度变换；

步骤2：通过设计的一次网络对已有大样本数据集进行训练，获得光学图像的通用特征；

所述步骤2中一次网络设计以VGGNet网络为基础，在网络深度上进行拓展，建立水下目标智能识别一次网络；根据水下深度网络设计原则，水下目标识别一次网络初始框架设置为6层，初始框架中池化层采用最大池化，激活函数使用LeakeyReLU函数，同时为了防止过拟合，引入Dropout、L1、L2等正则化方法。

步骤3：将一次网络结构进行直推式模型迁移构成二次网络的雏形，再结合水下目标的小样本特点，迁移网络中的部分全连接层使用单位卷积核进行替换，形成二次网络；

所述步骤3中二次网络设计需要考虑一次网络向二次网络的迁移学习方法和数据量的差异性带来的影响，二次网络分为两部分，一是迁移学习方法的选择；二是网络差异化设计；二次网络的参数量通过采用单位卷积核部分替代全连接层来减少。

步骤4：训练完成得到最终水下目标智能识别网络UW-final。

本发明有益效果在于：