[发明专利]一种改进的全卷积神经网络的侧扫声纳图像特征提取方法

权利要求书

1.一种改进的全卷积神经网络的侧扫声纳图像特征提取方法，其特征在于，具体的实现步骤为：

步骤1：构建数据集并进行数据标注；

在少量的声纳图像的基础上通过旋转、翻转变化以及加噪的方式实现声纳数据集的扩充；对于扩充后的数据集，标注海底地形的边缘轮廓，制作标签图；

步骤2：构建改进的全卷积神经网络；

以VGG16网络模型作为基础网络结构，将VGG16的全连接层转化为全卷积层；改进FCN网络中的跳层结构，在跳层结构中卷积核大小为1×1的类别预测层之后添加一个BatchNorm层，在信息融合层之后添加Relu激活函数；

改进的全卷积神经网络对于输入图像的具体处理流程为：

首先对原图像进行卷积conv1、池化pool1操作后原图像缩小为1/2；之后对图像进行第二次卷积conv2、池化pool2操作后图像缩小为1/4；接着继续对图像进行第三次卷积conv3、池化pool3操作缩小为原图像的1/8，此时保留pool3的特征图；接着继续对图像进行第四次卷积conv4、池化pool4操作，缩小为原图像的1/16，保留pool4的特征图；最后对图像进行第五次卷积conv5、池化pool5操作，缩小为原图像的1/32；最后经过三个卷积层，特征图数量改变但大小不变，仍为原图的1/32，此时的图像叫热图；在conv8之后增加反卷积层，使热图的大小扩大两倍，首先通过跳层结构与pool4的特征图融合，再通过反卷积层和跳层结构与pool3的特征图融合，最后通过反卷积层恢复原图大小；

步骤3：训练改进的全卷积神经网络；

训练网络时，采用已经训练好的FCN-32s的网络参数初始化改进的FCN网络的前端网络，所有的反卷积层采用双线性插值的方式初始化，所有的类别预测层采用均值为0、方差为2/n的高斯分布的方式初始化，采用带动量项的小批量梯度下降法优化网络；

步骤4：将待提取的侧扫声纳图像输入训练好的改进的全卷积神经网络中，获取海底地形的边缘轮廓的特征提取结果。