[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

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。