[发明专利]一种基于轻量型卷积网络的多角度声呐图像目标分类方法

权利要求书

1.一种基于轻量型卷积网络的多角度声呐图像目标分类方法，所述方法包括：

将目标的多个角度的单通道声呐图像预处理后进行信息融合，获得目标的多角度声呐图像；

将目标的多角度声呐图像输入预选建立并训练好的基于轻量型卷积网络的多角度声呐图像目标分类模型中，得到目标分类结果；

其中，所述多角度声呐图像目标分类模型通过对轻量型MobileNetV2网络改进得到；所述对轻量型MobileNetV2网络改进，包括：去掉轻量型MobileNetV2网络中特征提取卷积层Conv2之后的网络层，并修改特征提取卷积层Conv2的通道数；添加Flatten层实现降维操作，并且添加Dropout层进行随机丢弃，最后添加一个全连接层对结果进行分类。

2.根据权利要求1所述的基于轻量型卷积网络的多角度声呐图像目标分类方法，其特征在于，所述多角度声呐图像目标分类模型具体包括：特征提取模块和分类模块；其中，

所述特征提取模块包括输入层Input、特征提取卷积层Conv1、瓶颈层Bottleneck1-Bottleneck7、特征提取卷积层Conv2、Flatten层和Dropout层；其中，特征提取卷积层Conv2的通道数为128，Dropout层的丢弃率为0.5；

所述分类模块包括一个全连接层。

3.根据权利要求2所述的基于轻量型卷积网络的多角度声呐图像目标分类方法，其特征在于，所述多角度声呐图像目标分类模型的处理过程具体包括：

输入层Input将目标的多角度声呐图像送入特征提取卷积层Conv1；

具有3×3卷积核的特征提取卷积层Conv1对多角度声呐图像进行特征图提取，并输入瓶颈层Bottleneck1-Bottleneck7；

瓶颈层Bottleneck1-Bottleneck7中每一层Bottleneck均包括：第一标准卷积、一个深度可分离卷积和第二标准卷积；首先，1×1的第一标准卷积进行维度扩展操作，其次，3×3的深度分离卷积进行特征提取，最后，1×1的第二标准卷积将数据进行压缩；瓶颈层Bottleneck1-Bottleneck7中每一层Bottleneck依次对特征图进行处理，并将处理后的特征图输入特征提取卷积层Conv2；

特征提取卷积层Conv2的通道数设置为128，对特征图进行处理并输入到Flatten层；

Flatten层将特征图转化为一维，并输入到Dropout层；

Dropout层对特征图进行随机丢弃处理；

全连接层将目标分类并输出目标分类结果，即目标属于某一类别的概率。

4.根据权利要求3所述的基于轻量型卷积网络的多角度声呐图像目标分类方法，其特征在于，所述第一标准卷积使用函数ReLU6(x)进行激活，表达式为：

ReLU6(x)＝min(6,max(x,0))

其中，x表示激活函数输入值，min(·)表示取最小值函数，max(·)表示取最大值函数；

所述第二标准卷积使用函数Linea(x)进行激活，表达式为：

Linear(x)＝x。

5.根据权利要求4所述的基于轻量型卷积网络的多角度声呐图像目标分类方法，其特征在于，所述深度可分离卷积使用标准化BN层进行正则化，表达式为：

其中，为卷积层的输出结果，m表示当前网络层节点的总个数，x_i表示当前网络层第i个节点的值，μ_B和分别表示均值和方差，y_i为归一化后的输出结果，表示归一化后的x_i值，ε表示正则化因子，γ和β为可学习重构参数；

所述深度可分离卷积使用函数ReLU6(x)进行激活，表达式为：

ReLU6(x)＝min(6,max(x,0))。