[发明专利]基于自注意力卷积神经网络的声呐图像分类系统及方法

说明书

本发明提出了一种基于自注意力卷积神经网络的声呐图像分类系统及方法，能够提高目标分类准确率、目标处理能力和目标分类效率，同时模型复杂度较低。本发明通过构建声呐图像预处理模块，能够更好地消除原始声呐图像数据中的干扰；能够有效地捕获不同尺度的图像细粒度特征，构建多层二维卷积神经网络，其模型复杂度与传统的图像分类模型相比显著降低，同时分类准确率能保持较高水平；通过引入自注意力机制来帮助模型自动关注目标的关键特征；通过引入多层感知机来进一步凝练特征以及目标分类结果输出。

技术领域

本发明涉及人工智能技术领域，具体涉及一种基于自注意力卷积神经网络的声呐图像分类系统及方法。

背景技术

随着科技的巨大进步，基于人工智能的声呐图像分类已成为相关领域的研究热点。声呐作为水下探测的一种重要装置，其在水下目标探测、定位和通信起着及其重要的作用，被广泛应用于舰船、潜艇以及无人水下潜航器(UUV)等装备。然而，面对复杂的现代战场环境、海洋环境以及大量的目标分类任务，传统的声呐图像分类方法往往效率低下，模型复杂度相对较高，处理目标能力有限，目标分类能力较弱，这使得传统的声呐图像分类方法已不能很好适应当前的使用需求。

发明内容

有鉴于此，本发明提出了一种基于自注意力卷积神经网络的声呐图像分类系统及方法，能够提高目标分类准确率、目标处理能力和目标分类效率，同时模型复杂度较低。

为实现上述目的，本发明的技术方案为：

一种基于自注意力卷积神经网络的声呐图像分类系统，包括声呐图像预处理模块、多层二维卷积神经网络、自注意力层以及多层感知机；

其中声呐图像预处理模块用来对原始声呐图像进行预处理，消除原始声呐图像数据中的干扰，预处理后的声呐图像作为多层二维卷积神经网络输入；所述多层二维卷积神经网络包括五个二维卷积层和三个最大池化层，该网络共划分为三个Block块，每个Block块均由一定数量的二维卷积层和最大池化层组成，在每个Block均使用了不同卷积核大小的卷积层；所述自注意力层放置于多层二维卷积神经网络之后，与多层二维卷积神经网络相匹配和适应，在训练中自动更新相应的参数，实现重要特征的捕获；所述多层感知机包括两层全连接神经网络层以及一个Softmax层，用于提取和处理多层二维卷积神经网络的输出特征，同时根据特征进行目标输出。

其中，所述多层二维卷积神经网络的三个Block块为Block1、Block2和Block3，Block1由两个卷积核大小为3×3的二维卷积层以及一个步长为2的最大池化层组成；Block2由两个卷积核大小为5×5的二维卷积层以及一个步长为2的最大池化层组成；Block3由一个卷积核大小为7×7的二维卷积层以及一个步长为2的最大池化层组成。

其中，所述声呐图像预处理包括声呐图像滤波与几何校正。

其中，利用引导滤波对原始声呐图像进行相应的去噪处理。

其中，通过分析声呐数据将多种几何校正系统相结合，有针对性的对不同原因产生的几何畸变分别进行校正。

其中，所述多层感知机中，第一个全连接层其神经元数量设置为160；第二个全连接层其神经元数量根据目标分类数量来进行设置，不同的目标分类数对应的神经元不同。

其中，所述多层感知机中，在两个全连接中之间设置了一个丢弃层，其丢弃率设置为0.6。

其中，使用交叉损失函数来训练神经网络，使用梯度优化函数来对神经网络进行优化。

本发明还提供了一种基于自注意力卷积神经网络的声呐图像分类方法，采用如本发明所述系统实现分类，包括如下步骤：

步骤1：输入声呐原始图像到声呐图像预处理模块；所述声呐原始图像由相应的声呐设备进行声呐数据采集，然后转换成相应的声呐图像作为预处理的输入；