[发明专利]基于修正的CycleGAN模型的声纳图像库构建方法

权利要求书

1.基于修正的CycleGAN模型的声纳图像库构建方法，其特征在于，包括以下步骤：

(1)准备光学图像数据集和声纳图像数据集，分别放在源域和目标域；

(2)设置初始化参数，包括初始学习率、批大小、优化器的选择以及用于约束各损失函数占比的超参数；

(3)改进CycleGAN模型的损失函数，根据改进的损失函数训练模型，并采用优化器进行优化；

(4)训练过程中生成器与其对应的鉴别器交替更新，观察判别器损失曲线是否满足纳什均衡条件；

(5)CycleGAN模型训练结束，导出模型；

(6)向训练好的模型输入用于测试的光学图像进行测试，生成对应的声纳图像；

(7)设计目标检测网络验证构建的声纳图像数据集的有效性。

2.根据权利要求1所述基于修正的CycleGAN模型的声纳图像库构建方法，其特征在于，在步骤(3)中，所述改进的损失函数如下：

上式中，L_GAN为改进的损失函数，G为生成器，D为鉴别器，X为源域，Y为目标域，E表示数据期望，x为源域样本，y为目标域样本，x～P_data(x)表示源域样本的概率分布，y～P_data(y)表示目标域样本的概率分布，表示求D(x)梯度的p范数，L_idt为恒等损失，λ_w和λ_idt为超参数。

3.根据权利要求2所述基于修正的CycleGAN模型的声纳图像库构建方法，其特征在于，在步骤(3)中，所述恒等损失L_idt如下：

上式中，F为G的逆向映射。

4.根据权利要求1所述基于修正的CycleGAN模型的声纳图像库构建方法，其特征在于，在步骤(3)中，所述优化器采用Adam优化器。

5.根据权利要求1所述基于修正的CycleGAN模型的声纳图像库构建方法，其特征在于，在步骤(4)中，通过Tensorboard观察判别器损失曲线是否满足纳什均衡条件。

6.根据权利要求1所述基于修正的CycleGAN模型的声纳图像库构建方法，其特征在于，步骤(7)的具体过程如下：

(7a)将构建的声纳图像数据集按照目标进行分类，分别用每一类目标数据集训练MaskRCNN模型，训练结束后导出Mask RCNN模型；

(7b)利用前视二维成像声纳采集真实的声纳图像测试训练后的Mask RCNN模型，得出相应的目标检测结果；

(7c)将步骤(7a)中构建的所有种类的声纳图像合为一个训练集，重复步骤(7a)中的模型训练，并导出训练后的Mask RCNN模型；

(7d)利用成像声纳采集含有多个目标的声纳图像，测试步骤(7c)中得到的Mask RCNN模型。