[发明专利]一种基于条件双分支注意力机制的鲁棒声纳图像生成方法

说明书

本发明公开了一种基于条件双分支注意力机制的鲁棒声纳图像生成方法。本发明采用深度学习技术对复杂水下环境进行声纳图像仿真成像。本发明打破了传统的声纳仿真技术注重底层的物理建模，在多类别、多背景的情况下存在着图像可调性差、逼真度低的局限。该方法能够利用条件信息有效地控制特定条件声纳图像的生成，通过一种双分支注意特征融合机制，依次完成信道级和像素级的注意操作，增强相应元素之间的相关性，从而生成更加清晰、逼真的声纳图像。通过实验发现，该方法在声纳图像仿真上取得很好的表现，且在噪声干扰环境下具有鲁棒的成像效果，说明深度学习方法在声呐图像仿真上的可行性，为复杂水声环境数据中的图像仿真提供了新的研究手段。

技术领域

本发明属于人工智能与水声电子信息的交叉领域，具体涉及一种基于条件双分支注意力生成对抗网络的鲁棒声纳图像生成方法

背景技术

近年来，随着现代水声信号处理技术和水声设备研发技术的巨大进步，水下声纳图像生成技术已成为国内外研究的热点。声纳图像仿真技术在军事和民用领域都有着重要的地位。特别是在军事领域，复杂环境下对敌方军事目标(潜艇、鱼雷、危险障碍物)的探测与识别、海底地形匹配导航等领域迫切需要高保真声纳图像仿真技术的应用。

声纳图像仿真技术是指在已有声纳图像数据的基础上，生成遵循真实数据分布的水底声纳图像。在海上进行水底图像数据收集的日常成本很高，使得为了验证假设或尝试新算法而获取特定图像的成本往往过高，难以实现。由于水下数据采集的操作限制，模拟真实的声纳图像，对于传感器设置、地形设计、调整探测和分类算法等至关重要。综上所述，声纳数据仿真技术作为一种有效的声纳数据扩充手段，通过已有声纳数据进行复杂环境下声纳图像仿真，可以产生许多特定的图像数据集，用于声纳相关评估或预测算法的鲁棒性，对于后续声纳相关算法研究至关重要。

随着计算机计算性能的不断提高，声纳仿真技术也需要向智能化方向发展。计算机声纳仿真产生的数据可应用于图像处理、水下目标检测、性能监测、故障检测等领域，大大降低了操作人员对成像声纳硬件设备的依赖性。目前，神经网络的研究取得了显著的进展，它与计算机技术和信号处理技术相结合，使声纳数据模拟智能化。

传统的图像仿真技术对操作人员的理论知识要求很高。仿真模型在复杂环境下需要考虑仿真精度和仿真计算效率之间的矛盾，导致声纳图像分布不全面，模型的智能化程度较低。随着计算机硬件计算能力的快速提高和超级计算机的大规模应用，深度学习方法得到了迅速发展，并在医学、雷达、声纳等领域的计算机视觉任务中得到了应用。

例如，卷积神经网络(CNN)已经被应用到静态医学图像和雷达图像的分析和特征提取中，并取得了很好的效果。自Goodfellow于2014年提出生成对抗网络方法(GAN)以来，已成为各领域的热门研究对象。近年来，生成对抗网络已在小范围内用于医学成像的降噪和图像仿真。在雷达领域，也提出了一种利用生成对抗网络实现的图像到图像转换技术，成功地实现了低分辨率SAR成像到高分辨率SAR成像的转换。生成对抗网络在声纳领域,已应用于水下声纳图像仿真任务,但这些方法没有融合网络结构的类别条件信息,并且忽略了像素之间的相关性和渠道,导致生成的声纳图像可控性差，保真度低。

生成对抗网络方法最早由Goodfellow在2014年提出，随后研究者从网络结构、损失函数等方向对传统生成对抗网络进行了改进，实现了从噪声到图像的转换。这些方法使用的卷积神经网络结构在卷积操作过程中具有有限的接受域，不能提取出远处像素之间的相关性，也忽略了通道之间的相关性。以往的研究方法没有同时考虑到这些问题。

由于声纳数据环境的特殊性，声纳图像中的目标经常受到背景噪声的干扰。相对于图像背景中的其他像素，我们更关注图像中的声纳目标像素。卷积运算受接收域的限制，不能很好地提取图像的结构特征。注意机制可以更好地计算不同位置之间的关联度。为了提高复杂环境下声纳数据仿真的效率和逼真度,并更好地解决传统声纳数据仿真技术中仿真图像的低智能化、低保真度的问题,本发明提出基于条件双分支注意力生成对抗网络的鲁棒声纳图像生成方法。

发明内容