[发明专利]一种考虑深度学习模型健壮性的水下目标分类的方法在审

专利信息
申请号: 202210202911.7 申请日: 2022-03-02
公开(公告)号: CN114565831A 公开(公告)日: 2022-05-31
发明(设计)人: 何鸣;石磊博;张政超;王勇;周连科;孙彧;王念滨;王红滨 申请(专利权)人: 哈尔滨工程大学
主分类号: G06V20/05 分类号: G06V20/05;G06V10/762;G06V10/764;G06V10/774;G06K9/62;G06N20/00
代理公司: 哈尔滨市松花江专利商标事务所 23109 代理人: 张换男
地址: 150001 黑龙江*** 国省代码: 黑龙江;23
权利要求书: 查看更多 说明书: 查看更多
摘要:
搜索关键词: 一种 考虑 深度 学习 模型 健壮性 水下 目标 分类 方法
【权利要求书】:

1.一种考虑深度学习模型健壮性的水下目标分类的方法,其特征在于:它包括以下步骤:

S1、建立原始模型,利用采集的水下目标数据训练集对原始模型进行训练,直至收敛,得到训练好的原始模型;

利用训练好的原始模型对采集的水下目标数据训练集进行预测,得到所有分类正确样本的集合和所有分类错误样本的集合;

S2、将S1中得到的所有分类错误样本的集合输入到训练好的原始模型内,对分类错误样本的特征进行聚类,对聚类后的分类错误样本的特征进行特征补偿,得到分类错误样本的特征补偿;

S3、将S2中得到的特征补偿输入S1中训练好的原始模型内进行训练,直至收敛,得到特征补偿后的原始模型;

S4、将S1中的水下目标数据训练集输入S3中得到的特征补偿后的原始模型内,输出分类错误的样本;

S5、建立对抗训练模型,提取S4中输出的部分分类错误的样本作为训练样本,将训练样本输入对抗训练模型,设置损失函数,直到完成最大迭代或损失不再下降,得到训练好的对抗训练模型;

S6、将S5中得到的训练好的对抗训练模型与S3中得到的特征补偿后的原始模型利用准确率指数形式进行加权组合,生成深度学习模型;

S7、将待分类的水下目标数据输入S6中生成的深度学习模型内,得到水下目标数据的分类结果。

2.根据权利要求1中所述的一种考虑深度学习模型健壮性的水下目标分类的方法,其特征在于:所述S2中将S1中得到的所有分类错误样本的集合输入到训练好的原始模型内,对分类错误样本的特征进行聚类,对聚类后的分类错误样本的特征进行特征补偿,得到分类错误样本的特征补偿,具体过程为:

S21、将S1中得到的所有分类错误样本的集合输入到S1中训练好的原始模型内,令原始模型的输出作为对应的分类错误样本的特征;

S22、利用K-means聚类方法对S21中分类错误样本的特征进行聚类,得到聚类集合;

S23、对聚类后的分类错误样本的特征进行特征补偿,得到分类错误样本的特征补偿。

3.根据权利要求2中所述的一种考虑深度学习模型健壮性的水下目标分类的方法,其特征在于:所述S22中得到的任意两个聚类集合之间没有重叠。

4.根据权利要求3中所述的一种考虑深度学习模型健壮性的水下目标分类的方法,其特征在于:所述S23中对聚类后的分类错误样本的特征进行特征补偿,得到分类错误样本的特征补偿,具体过程为:

S231、令聚类后的第w个聚类集合中的部分分类错误样本为S1中的水下目标数据训练集中的第i个类别;

S232、随机选取部分S1中得到的第i个类别中分类正确样本,输入到S1中训练好的原始模型内,获取分类正确样本的样本特征;

随机选取部分第w个聚类集合中样本,输入到S1中训练好的原始模型内,获取第w个聚类集合中样本的样本特征;

S233、计算S232中选取的第D个分类正确样本的样本特征与第D个第w个聚类集合中样本的样本特征的特征差值,并采样多组特征差值的均值,得到第i个类别的特征补偿。

5.根据权利要求4中所述的一种考虑深度学习模型健壮性的水下目标分类的方法,其特征在于:所述S232中选取的部分S1中得到的第i个类别中分类正确样本的数量与选取的部分第w个聚类集合中样本的数量相等。

下载完整专利技术内容需要扣除积分,VIP会员可以免费下载。

该专利技术资料仅供研究查看技术是否侵权等信息,商用须获得专利权人授权。该专利全部权利属于哈尔滨工程大学,未经哈尔滨工程大学许可,擅自商用是侵权行为。如果您想购买此专利、获得商业授权和技术合作,请联系【客服

本文链接:http://www.vipzhuanli.com/pat/books/202210202911.7/1.html,转载请声明来源钻瓜专利网。

同类专利
专利分类
×

专利文献下载

说明:

1、专利原文基于中国国家知识产权局专利说明书;

2、支持发明专利 、实用新型专利、外观设计专利(升级中);

3、专利数据每周两次同步更新,支持Adobe PDF格式;

4、内容包括专利技术的结构示意图流程工艺图技术构造图

5、已全新升级为极速版,下载速度显著提升!欢迎使用!

请您登陆后,进行下载,点击【登陆】 【注册】

关于我们 寻求报道 投稿须知 广告合作 版权声明 网站地图 友情链接 企业标识 联系我们

钻瓜专利网在线咨询

周一至周五 9:00-18:00

咨询在线客服咨询在线客服
tel code back_top