[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
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 | ||
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。
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。