CN109325527A - 一种基于迁移学习与深度学习的侧扫声呐图像目标自动分类方法 - Google Patents

Abstract

本发明属于水下目标自动识别分类领域，具体涉及一种基于迁移学习与深度学习的侧扫声呐图像目标自动分类方法；包括获取带有分割标注的常规光学图像数据集；利用数据集中各个图像对应的标注图像进行轮廓分割；选定一个卷积神经网络结构进行训练，得到源领域目标分类网络；对经过充分训练的源领域目标分类网络前部分的参数进行冻结，同时将分类网络的后部分参数设置为可训练状态；使用训练集对设置好的分类网络继续进行训练；训练完成后，使用验证集评估分类网络性能。本方法使用迁移学习方法，对使用非侧扫声呐图像训练好的卷积神经网络进行迁移，同时根据相似性原理，对源领域数据集进行预处理，从而提高了迁移学习效率，防止负迁移现象。

Description

一种基于迁移学习与深度学习的侧扫声呐图像目标自动分类 方法

技术领域

本发明属于水下目标自动识别分类领域，具体涉及一种基于迁移学习与深度学习的侧扫声呐图像目标自动分类方法。

背景技术

侧扫声呐图像目标自动分类，对海洋探测和水下搜寻具有重要意义，尤其是失事飞机和沉船搜寻方面。目前普遍的搜寻方法是使用AUV搭载的声呐对目标海底进行大面积扫描，然后在完整扫描一片海域后，将数据拷贝出来，然后由人工判读是否存在目标，由于其不具备自主目标检测识别能力，这种搜寻流程的作业效率较低，因此，如何提高声呐图像的目标自主检测识别能力，变得愈发的重要。

目前的声呐图像目标检测技术主要以图像分割、轮廓提取等人工设计特征结合分类器的分类方法为主；这类方法在一定程度上取得了较好的成果，但至今仍未有被广泛认可的有效的方法。

近年来，在常规图像分类识别领域，卷积神经网络的准确率已经达到人工识别的水平。深层的网络结构赋予卷积神经网络强大的特征提取及特征组合能力，然而，训练深度学习网络，需要大量的样本数据。侧扫声呐图像获取难度大、成本高，导致包含特定目标的图像样本过少，直接用少量的侧扫声呐图像样本训练卷积神经网络很容易造成过拟合现象，使卷积神经网络不具备应用价值。

迁移学习的发展很好地解决了这个问题。迁移学习的目标是完成知识在相关领域之间的迁移。对于卷积神经网络而言，迁移学习就是要把在特定数据集上训练得到的“知识”即源领域成功运用到新的领域即目标领域之中，这无疑是解决样本数据量过少导致的无法应用深度学习的最佳解决方案。

发明内容

本发明的目的在于提高一种提高迁移学习效率、防止负迁移现象的基于迁移学习与深度学习的侧扫声呐图像目标自动分类方法。

一种基于迁移学习与深度学习的侧扫声呐图像目标自动分类方法，具体包括如下步骤：

步骤1、获取带有分割标注的常规光学图像数据集；

步骤2、利用数据集中各个图像对应的标注图像进行轮廓分割，对图像进行去细节特征、模糊、灰度化、灰度重映射、添加噪声等处理过程，使其与侧扫声呐图像一致，并将经过处理的数据集命名为源领域数据集；

步骤3、选定一个卷积神经网络结构，使用源领域数据集进行训练，得到源领域目标分类网络；

步骤4、构建侧扫声呐图像数据集，进行数据标注，本发明中，示例的侧扫声呐图像数据集包含两类，分别是飞机沉船类和其他目标类；

步骤5、对侧扫声呐图像数据集进行随机分组，按固定比例分为训练集和验证集；

步骤6、根据侧扫声呐图像数据集中类别数量调整分类网络输出层神经元个数；

步骤7、对经过充分训练的源领域目标分类网络前部分的参数进行冻结，即设置这些网络参数为不可训练状态，同时，将分类网络的后部分参数设置为可训练状态；

步骤8、使用训练集对步骤7中设置好的分类网络继续进行训练；

步骤9、训练完成后，使用验证集评估分类网络性能，若不满足准确率及稳定性要求，则回到步骤7，根据步骤8中训练结果适当调整可训练参数数目及其他网络训练相关参数，直至步骤8得到的分类结果满足要求。

本发明的有益效果在于：

本发明与现有技术相比，其优点在于：使用迁移学习方法，对经过充分训练的深度学习网络进行迁移，利用图像基本特征具有通用性的特点，可以有效降低优化参数数目，避免因训练样本不足无法应用深度学习技术的问题，通过使用卷积神经网络作为特征提取及分类核心技术，可以有效提高分类准确度，同时降低计算时间；通过本方法中对源领域训练样本的预处理，使其与侧扫声呐图像更为相似，增加了可直接迁移的基本特征数目，进一步减小对训练样本数目的需求，同时可以有效提高迁移后网络的稳定性。

附图说明

图1为本发明方法流程图；

图2为源领域训练样本中随机选择的一幅示例图像；

图3为示例图像的分割标注图像；

图4为对示例图像利用分割标注进行预处理后的仿声呐图像；

图5为构建的侧扫声呐图像样本数据库样本示例；

图6为在设置的源领域分类网络可训练参数过多情况下，使用侧扫声呐图像样本微调源领域分类网络后的网络性能评估结果；

图7为在设置的源领域分类网络可训练参数合适情况下，使用侧扫声呐图像样本微调源领域分类网络后的网络性能评估结果。

具体实施方式

下面将结合附图对本发明做进一步描述。

如附图1所示，为本发明方法流程图，具体包括如下步骤：

步骤1、获取带有分割标注的常规光学图像数据集；

步骤2、利用数据集中各个图像对应的标注图像进行轮廓分割，对图像进行去细节特征、模糊、灰度化、灰度重映射、添加噪声等处理过程，使其与侧扫声呐图像一致，并将经过处理的数据集命名为源领域数据集；

步骤3、选定一个卷积神经网络结构，使用源领域数据集进行训练，得到源领域目标分类网络；

步骤4、构建侧扫声呐图像数据集，进行数据标注，本发明中，示例的侧扫声呐图像数据集包含两类，分别是飞机沉船类和其他目标类；

步骤5、对侧扫声呐图像数据集进行随机分组，按固定比例分为训练集和验证集；

步骤6、根据侧扫声呐图像数据集中类别数量调整分类网络输出层神经元个数；

步骤7、对经过充分训练的源领域目标分类网络前部分的参数进行冻结，即设置这些网络参数为不可训练状态，同时，将分类网络的后部分参数设置为可训练状态；

步骤8、使用训练集对步骤7中设置好的分类网络继续进行训练；

步骤9、训练完成后，使用验证集评估分类网络性能，若不满足准确率及稳定性要求，则回到步骤7，根据步骤8中训练结果适当调整可训练参数数目及其他网络训练相关参数，直至步骤8得到的分类结果满足要求。

一种基于迁移学习与深度学习的侧扫声呐图像目标自动分类方法，其具体实施方法主要包括以下步骤：

1、获取合适的常规光学图像数据集及其分割标注，数据集中示例图像与分割标注如图2及图3所示。

2、利用分割标注提取数据集中对应的图像的轮廓，然后对轮廓内外图像进行去特征处理、灰度范围变化、添加噪声等预处理，经过预处理的数据集称之为源领域数据集。预处理结果如图4所示。

3、选定一种用于分类的卷积神经网络结构，并使用源领域数据集进行充分的训练，将训练得到的网络进行保存，命名为源领域分类网络。

4、构建侧扫声呐图像数据集并进行标注，数据集部分样本如图5所示，本发明中，示例的侧扫声呐图像数据集包含两类，分别是：飞机沉船类和其他目标类。

5、将侧扫声呐图像数据集按一定比例分为训练集和验证集。

6、根据构建的侧扫声呐图像数据集中类别数目，调整分类网络输出层类别数量，本发明中，示例侧扫声呐图像数据集中包含两类目标，因此，在此处将源领域目标分类网络输出端神经元数目设置为2。

7、将源领域分类网络前部分网络参数状态设置为不可训练状态，将网络后部分参数设置为可训练状态。

8、使用侧扫声呐图像训练集训练经过状态设置的分类网络。充分训练后，使用侧扫声呐图像验证集来评估分类网络性能，评估结果示例如图6及图7所示，图中x轴epochnumber表示训练周期，y轴loss value and accuracy value表示在训练阶段和验证网络性能阶段，网络的准确率及损失函数值，图中“-+-”线段表示训练阶段不同训练周期的训练损失函数值(train loss)，“-*-”线段表示训练阶段不同训练周期的网络分类准确率值(train accuracy)，“...”线段表示验证网络性能阶段不同训练周期的验证损失函数值(val loss)，“—”线段表示验证网络性能阶段不同训练周期的网络分类准确率值(valaccuracy)。其中，图6为需要微调的网络参数过多时，网络出现过拟合现象的结果，说明可训练参数过多，图7为需要微调的网络参数较为合适时，验证集表现与训练集基本相同、准确率较高的结果。

9、根据验证集评估结果确定网络是否可用，若验证网络性能阶段，验证损失函数值与训练损失函数值差值较大，且呈发散状，则说明网络不可用，则回到步骤7，减少可训练的网络参数的数目，后继续训练，直至评估结果符合要求。

10、当评估结果如图7所示结果，说明网络训练充分，验证集表现与训练集性能相同，损失函数值为发散，网络可用，保存网络参数，得到针对侧扫声呐图像的自动分类网络。

Claims (1)

1.一种基于迁移学习与深度学习的侧扫声呐图像目标自动分类方法，其特征在于，具体包括如下步骤：

步骤1、获取带有分割标注的常规光学图像数据集；

步骤2、利用数据集中各个图像对应的标注图像进行轮廓分割，对图像进行去细节特征、模糊、灰度化、灰度重映射、添加噪声等处理过程，使其与侧扫声呐图像一致，并将经过处理的数据集命名为源领域数据集；

步骤3、选定一个卷积神经网络结构，使用源领域数据集进行训练，得到源领域目标分类网络；

步骤4、构建侧扫声呐图像数据集，进行数据标注，本发明中，示例的侧扫声呐图像数据集包含两类，分别是飞机沉船类和其他目标类；

步骤5、对侧扫声呐图像数据集进行随机分组，按固定比例分为训练集和验证集；

步骤6、根据侧扫声呐图像数据集中类别数量调整分类网络输出层神经元个数；

步骤7、对经过充分训练的源领域目标分类网络前部分的参数进行冻结，即设置这些网络参数为不可训练状态，同时，将分类网络的后部分参数设置为可训练状态；

步骤8、使用训练集对步骤7中设置好的分类网络继续进行训练；

步骤9、训练完成后，使用验证集评估分类网络性能，若不满足准确率及稳定性要求，则回到步骤7，根据步骤8中训练结果适当调整可训练参数数目及其他网络训练相关参数，直至步骤8得到的分类结果满足要求。