[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

说明书

一种考虑深度学习模型健壮性的水下目标分类的方法，本发明为了解决现有深度学习模型对水下目标分类准确率低的问题，它包括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；将所有分类错误样本的集合输入训练好的原始模型内，对分类错误样本的特征进行聚类和特征补偿，得到分类错误样本的特征补偿；将特征补偿输入训练好的原始模型内得到特征补偿后的原始模型；将水下目标数据训练集输入特征补偿后的原始模型内，输出分类错误的样本；建立对抗训练模型，得到训练好的对抗训练模型；将对抗训练模型与特征补偿后的原始模型加权组合生成深度学习模型；属于水下目标分类领域。

技术领域

本发明涉及一种水下目标分类方法，具体涉及一种考虑深度学习模型健壮性的水下目标分类的方法，属于水下目标分类领域。

背景技术

利用传统方法进行水下分类任务逐渐难以适用，而近年来深度学习模型在识别分类任务中取得显著成效，因此深度学习方法也被用于水下分类任务。但由于水下环境的特殊性，用于识别分类的水下目标数据受环境干扰也较大，且深度学习模型对于被扰动的水下目标数据输入较为敏感，尤其容易受到对抗样本的影响，导致模型输出结果不够稳定，水下目标分类准确率低。因此用于水下分类的深度学习模型健壮性需要提升。

发明内容

本发明为了解决现有深度学习模型对水下目标分类准确率低的问题，进而提出了一种考虑深度学习模型健壮性的水下目标分类的方法。

本发明采取的技术方案是：

一种考虑深度学习模型健壮性的水下目标分类的方法，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。

优选的，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。

优选的，所述S22中得到的任意两个聚类集合之间没有重叠。