CN114444571A - 一种自主学习的声纳目标个体识别方法 - Google Patents
一种自主学习的声纳目标个体识别方法 Download PDFInfo
- Publication number
- CN114444571A CN114444571A CN202111604566.1A CN202111604566A CN114444571A CN 114444571 A CN114444571 A CN 114444571A CN 202111604566 A CN202111604566 A CN 202111604566A CN 114444571 A CN114444571 A CN 114444571A
- Authority
- CN
- China
- Prior art keywords
- template
- sonar
- individual
- historical
- data
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01S—RADIO DIRECTION-FINDING; RADIO NAVIGATION; DETERMINING DISTANCE OR VELOCITY BY USE OF RADIO WAVES; LOCATING OR PRESENCE-DETECTING BY USE OF THE REFLECTION OR RERADIATION OF RADIO WAVES; ANALOGOUS ARRANGEMENTS USING OTHER WAVES
- G01S15/00—Systems using the reflection or reradiation of acoustic waves, e.g. sonar systems
- G01S15/02—Systems using the reflection or reradiation of acoustic waves, e.g. sonar systems using reflection of acoustic waves
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/20—Information retrieval; Database structures therefor; File system structures therefor of structured data, e.g. relational data
- G06F16/23—Updating
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/22—Matching criteria, e.g. proximity measures
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2218/00—Aspects of pattern recognition specially adapted for signal processing
- G06F2218/08—Feature extraction
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2218/00—Aspects of pattern recognition specially adapted for signal processing
- G06F2218/12—Classification; Matching
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- General Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Bioinformatics & Computational Biology (AREA)
- Artificial Intelligence (AREA)
- Life Sciences & Earth Sciences (AREA)
- Radar, Positioning & Navigation (AREA)
- Remote Sensing (AREA)
- Acoustics & Sound (AREA)
- Computer Networks & Wireless Communication (AREA)
- Databases & Information Systems (AREA)
- Measurement Of Velocity Or Position Using Acoustic Or Ultrasonic Waves (AREA)
Abstract
本发明公开了一种自主学习的声纳目标个体识别方法,构建面向声纳目标个体识别的深度学习网络模型,利用历史数据对模型进行训练得到初始模型和模板库,然后接收新数据,利用初始模型对新数据进行预测,提取个体特征模版,在模板库中进行检索匹配,实现对新目标的快速个体识别或同一性认定,并更新模板库,然后再根据声纳平台特点选择模型自主学习更新方法,若为硬件资源充足的平台,则选择基于全历史数据联合学习的更新方法,若为硬件有限的平台,则选择基于现场数据增量学习的更新方法,通过不断学习新数据,实现模型性能提升,更好地满足实战环境需求。
Description
技术领域
本发明属于声纳信号处理领域,具体来说涉及一种声纳信号处理方法,更具体来说涉及一种自主学习的声纳目标个体识别方法。
背景技术
在众多干扰和同平台互扰背景下,如何精确识别个体目标意义重大。传统的声纳目标个体识别通过提取线谱等个体差异性特征,构造特征模板的方法来实现个体目标匹配识别。然而,传统的声纳目标个体识别方法在低信噪比或多干扰条件下,线谱特征被污染、线谱弱或不可见,会导致个体识别性能严重下降。
深度学习是突破传统声纳目标个体识别性能,实现高性能自主、智能化水下目标识别的重要手段。但现阶段以及未来很长一段时间内,基于深度学习的声纳目标个体识别将面临数据样本少、数据质量不高等问题,导致利用现有数据训练的模型泛化能力不够,实际应用过程中会遇到从未见过的个体目标型号,或者同一个个体目标在新环境下出现时,由于海洋环境、水温条件、目标工况等变化,导致与历史数据存在不同的数据分布,此时,利用历史数据训练的模型对新目标识别效果不佳,无法满足实际应用环境下对未知个体目标或新环境下个体目标的识别需求。
发明内容
本发明的目的在于提供一种自主学习的声纳目标个体识别方法,以解决背景技术中基于深度学习的声纳目标个体识别面临数据样本少、数据质量不高而导致的模型泛化能力不够的问题。
为实现上述目的,本发明提供技术方案如下:
一种自主学习的声纳目标个体识别方法,所述方法包括以下步骤:模型获取,构建面向声纳目标的个体识别网络模型,利用历史声纳目标数据库对模型进行训练,得到初始模型;模板库构建,利用初始模型对历史声纳目标数据提取对应的历史个体特征模板,构建模板库;模板匹配,对获取的每一当前声纳数据,利用初始模型提取当前声纳数据对应的当前个体特征模板,并在模板库中进行检索匹配,获得目标个体识别结果;数据更新,将当前个体特征模板存入模板库,将当前声纳数据存入预设的现场声纳目标数据库;模型更新,在预设时间后,基于历史声纳目标数据库和/或现场声纳目标数据库训练初始模型,基于训练后的初始模型更新模板库,并返回模板匹配步骤。
优选地,所述模型获取步骤中,利用历史声纳目标数据库对模型进行训练包括以下步骤:对历史声纳目标数据库中任一历史声纳目标数据预处理,获得历史目标谱图;基于历史目标谱图和声纳个体标签对个体识别网络模型进行训练,得到初始模型。
优选地,所述历史目标谱图为LOFAR谱、DEMON谱或功率谱。
优选地,所述模板匹配步骤包括以下步骤:对获取的当前声纳数据预处理,获得当前目标谱图;对当前目标谱图利用初始模型进行特征提取,得到对应的当前个体特征模板;判断当前个体特征模板与模板库中的历史个体特征模板是否一致,若一致,则执行下一步,若不一致则目标个体识别结果失败;判断模板库中与当前个体特征模板一致的历史个体特征模板是否有标签,若有标签则输出对应的标签,若无标签,则当前个体特征模板与对应的历史个体特征模板进行同一性认定。
优选地,所述判断当前个体特征模板与模板库中的历史个体特征模板是否一致为计算当前个体特征模板与模板库中的历史个体特征模板的特征距离,若特征距离小于设定的阈值,则认为当前个体特征模板与历史个体特征模板一致,否则不一致。
优选地,所述特征距离为余弦距离、欧式距离或马氏距离。
优选地,所述数据更新步骤中,将当前声纳数据存入预设的现场声纳目标数据库为人为确定当前声纳数据的目标属性,将当前声纳数据存入现场带标签数据库,若无法人为确定当前声纳数据的目标属性,则直接存入现场无标签数据库。
优选地,所述模型更新包括以下步骤:通过人为判断当前平台是否为水下无人平台,若是执行基于全数据的模型更新步骤,否则执行基于增量数据的模型更新步骤;基于全数据的模型更新步骤为基于历史声纳目标数据库和现场声纳目标数据库对初始模型进行训练,基于训练后的初始模型对历史声纳目标数据库、现场声纳目标数据库中任一数据提取个体特征模板,更新模板库;基于增量数据的模型更新步骤,基于现场声纳目标数据库对初始模型进行训练,基于训练后的初始模型对现场声纳目标数据库中任一数据提取个体特征模板,更新模板库。
与现有技术相比,本发明的有益效果为:
(1)本发明通过深度学习方法实现目标个体识别,相比与传统算法,在线谱弱、无线谱条件下具有更好的个体识别性能;
(2)通过模板检索匹配的方法实现对当前声纳数据的目标个体识别,对未知的目标,也可以让个体识别网络模型在再次见到该目标时实现快速同一性认定。
(3)本发明充分考虑现有声纳探测平台特点,提供两种模型的自学习机制,其中基于全数据的模型更新方法可以达到现有数据基础上的最佳识别性能,适合硬件资源充足的大型水面舰平台等,而基于增量数据的模型更新方法,占用计算资源少,更新速度更快,适合硬件资源有限的水下无人平台等。
附图说明
图1为本发明实施例的工作流程图。
图2为本发明的方案示意图。
图3位实施例中不同自主学习机制识别率对比图。
具体实施方式
下面将结合附图,对本发明实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例仅是本发明一部分实施例,而不是全部的实施例。基于本发明的实施例,本领域普通技术人员在没有作出创造性劳动的前提下所获得的所有其他实施例,都属于本发明的保护范围。
实施例1:
图1为本发明实施例的工作流程图。参照图1,一种自主学习的声纳目标个体识别方法,该方法包括以下5个步骤。
(1)模型获取步骤:构建面向声纳目标的个体识别网络模型,利用历史声纳目标数据库对模型进行训练,得到初始模型。
(2)模板库构建步骤:利用初始模型对历史声纳目标数据提取对应的历史个体特征模板,构建模板库。
(3)模板匹配步骤:对获取的每一当前声纳数据,利用初始模型提取当前声纳数据对应的当前个体特征模板,并在模板库中进行检索匹配,获得目标个体识别结果。
(4)数据更新步骤,将当前个体特征模板存入模板库,将当前声纳数据存入预设的现场声纳目标数据库。
(5)模型更新步骤:在预设时间后,基于历史声纳目标数据库和/或现场声纳目标数据库训练初始模型,基于训练后的初始模型更新模板库,并返回模板匹配步骤。
本发明步骤(1)中,该历史声纳目标数据库中包括若干历史声纳目标数据,每一历史声纳目标数据为带标签的历史声纳数据,该标签为个体标签,举例来说,该目标个体标签为某型渔船、某型商船、某型水面舰船等,该历史声纳数据可以为目标的辐射噪声时域信号。
步骤(1)中,利用历史声纳目标数据库对模型进行训练包括以下步骤:
(1-1)对历史声纳目标数据库中任一历史声纳目标数据预处理,获得历史目标谱图;
(1-2)基于历史目标谱图和个体标签对个体识别网络模型进行训练,得到初始模型。
本发明步骤(1-1)中,由于历史声纳目标数据包括历史声纳数据和对应的个体标签,对历史声纳数据进行预处理后,得到对应的历史目标谱图,该历史声纳数据所对应的历史目标谱图及个体标签则构成了个体识别网络模型的输入和输出,从而可以对个体识别网络模型进行训练以更新个体识别网络模型的参数,得到初始模型。
本发明中,历史目标谱图可以为LOFAR谱、DEMON谱或功率谱,本领域技术人员可根据实际情况自行设置。如何通过预处理获得LOFAR谱、DEMON谱或功率谱为本领域的常规技术手段,本领域技术人员可根据实际情况自行设置。
本发明(3)的模板匹配步骤具体包括以下5个子步骤:
(3-1)对获取的当前声纳数据预处理,获得当前目标谱图;本发明中对当前声纳数据预处理后得到的当前目标谱图与(1-1)中的历史目标谱图的类型一致,举例来说,当(1-1)中的历史目标谱图为LOFAR谱时,则当前目标谱图也需要为LOFAR谱。
(3-2)对当前目标谱图利用初始模型进行特征提取,得到对应的当前个体特征模板。
(3-3)判断当前个体特征模板与模板库中的历史个体特征模板是否一致,若一致,则执行(3-4),若不一致则目标个体识别结果失败。
(3-4)判断模板库中与当前个体特征模板一致的历史个体特征模板是否有标签,若有标签则输出对应的标签,若无标签,则当前个体特征模板与对应的历史个体特征模板进行同一性认定。
本发明通过步骤(3-3)和(3-4)用于将当前个体特征模板与模板库进行匹配检索,当当前个体特征模板与历史个体特征模板一致时,那么说明该当前个体特征模板与该历史个体特征模板的个体标签一致,该个体标签则为该当前个体特征模板的最终个体识别结果;若与当前个体特征模板的历史个体特征模板是不带有个体标签的,那么无法直接获得该当前个体特征模板的个体标签,只能说明当前个体特征模板和历史个体特征模板属于同一个个体。
本发明(4)数据更新步骤中,将当前个体特征模板存入模板库。这里,不管模板库中是否存在与当前个体特征模板一致的历史个体特征模板,均需要将该当前个体特征模板存入模板库中,实现模板库中历史个体特征模板的扩充,随着时间的推进,模板库将不断壮大,个体识别系统将掌握越来越多的目标信息。由于不管模板库中是否存在与当前个体特征模板一致的历史个体特征模板,均需要将该当前个体特征模板存入模板库中,因此该模板库中会存在不带个体标签的历史个体特征模板,也即(3-4)中与当前个体特征模板一致的历史个体特征模板有可能会不带个体标签。
本发明步骤(3-4)中,判断当前个体特征模板与模板库中的历史个体特征模板是否一致具体为:计算当前个体特征模板与模板库中的历史个体特征模板的特征距离,可以采用余弦距离、欧式距离、马氏距离等方法、若其特征距离小于设定的阈值,则认为当前个体特征模板与历史个体特征模板一致,否则不一致。
本发明(4)数据更新步骤中,将当前声纳数据存入预设的现场声纳目标数据库为:
人为确定当前声纳数据的目标属性,将当前声纳数据存入现场带标签数据库,若无法人为确定当前声纳数据的目标属性,则直接存入现场无标签数据库。
本发明中,将当前声纳数据存入现场声纳目标数据库,用于进行声纳数据的扩充,便于后期充足的声纳数据对模型的优化更新,提高模型的性能。
本发明(5)模型更新步骤中,根据声纳平台选择对初始模型的更新方式,实现模型性能自主提升,具体包括以下子步骤:
(5-1)通过人为判断当前平台是否为水下无人平台,若是执行基于全数据的模型更新步骤(5-2),否则执行基于增量数据的模型更新步骤(5-3)。
(5-2)基于全数据的模型更新步骤为基于历史声纳目标数据库和现场声纳目标数据库对初始模型进行训练,基于训练后的初始模型对历史声纳目标数据库、现场声纳目标数据库中任一数据提取个体特征模板,更新模板库并返回模板匹配步骤(3)。
(5-3)基于增量数据的模型更新步骤,基于现场声纳目标数据库对初始模型进行训练,基于训练后的初始模型对现场声纳目标数据库中任一数据提取个体特征模板,更新模板库并返回模板匹配步骤(3)。具体来说,该(5-3)中,通过一定的方式保留原数据信息,不需要携带历史声纳目标数据库,仅利用现场声纳目标数据库对该初始模型Y进行训练即可;其中,保留原数据信息可以通过知识蒸馏或保留典型样本等方法。
本发明步骤(5)的模型更新方法中,有标签数据可以对初始模型进行有监督训练,无标签数据可以通过无监督学习、对比学习等方法对模型进行训练。至于如何通过带标签数据和无标签数据对模型进行训练,此为本领域常规技术手段,本领域技术人员可根据实际情况自行设置。
实施例2:
(1)获取历史声纳目标数据库,所述历史声纳目标数据库包括N个历史声纳目标数据,每一历史声纳目标数据包括历史声纳数据和对应的个体标签,对每一历史声纳数据进行预处理从而生成目标谱图(LOFAR谱图、DEMON谱或功率谱);构建基于InceptionResnet模型的个体识别网络模型,以历史声纳数据对应的历史目标谱图及个体标签分别作为个体识别网络模型的目标输入和目标输出,对该个体识别网络模型进行训练,待该个体识别模型收敛后,得到训练好的模型Y并将其作为初始模型。这里需要注意的是,虽然个体识别网络模型的输出为个体标签,但是在后续的操作过程中提取的特征模板为个体识别网络模型中某一层的输出,举例来说,个体识别网络模型中的部分网络(比如sigmod之前)的网络作为模板提取部分来获取特征模板。
(2)利用(1)中获取的初始模型提取每一历史目标谱图的个体特征模板,由于历史声纳目标数据有N个,因此模板库中有N个历史个体特征模板。
(3)获取M个现场声纳数据,对当前声纳数据进行预处理以获取当前目标谱图(这里的目标谱图类型与(1)中的目标谱图类型一致);利用(1)中获取的初始模型提取当前目标谱图的当前个体特征模板x;将当前个体特征模板x与模板库中的历史个体特征模板进行匹配检索,判断是否存在与当前个体特征模板x一致的历史个体特征模板,所存在与当前个体特征模板x一致的历史个体特征模板x′,则需要判断该历史个体特征模板x′是否存在个体标签,若没有个体标签,那么输出的则是同一性认定结果,如“当前个体特征模板x与历史个体特征模板x′一致”;若有个体标签那么输出的则为个体标签。当不存在与当前个体特征模板x一致的历史个体特征模板时,则只能输出“目标个体识别结果失败”。
(4)将(3)中的当前个体特征模板存至模板库以扩充历史个体特征模板数量,此时该模板库中的历史个体特征模板数量为N+1个;人为判断该当前声纳数据的目标属性后将当前声纳数据存入预设的现场声纳目标数据库,具体来说,人为判断该当前声纳数据对应个体标签α,则将该当前声纳数据和对应的个体标签存入预设的现场带标签数据库,若无法人为判断或者没有人判断当前声纳数据对应的个体标签,则将该当前声纳数据存入预设的现场无标签数据库。
本实施例中,由于有M个现场声纳数据,当前声纳数据为该M个现场声纳数据的其中之一,对每一当前声纳数据执行步骤(3)-(4),直至M个现场声纳数据都执行步骤(3)-(4)。这里M个现场声纳数据对应的当前个体特征模板均与模板库中每一历史个体特征模板不一致,因此只能只能输出“目标个体识别结果失败”;模板库中的历史个体特征模板数量为N+M个。现场声纳目标数据库中的现场声纳数据为M个。
(5)通过人为判断当前平台为硬件资源充足的大型水面舰平台还是硬件资源有限的水下无人平台,若为大型水面舰平台则执行基于全数据的模型更新步骤,若为水下无人平台则执行基于增量数据的模型更新步骤;
基于全数据的模型更新步骤为将历史声纳目标数据库和现场声纳目标数据库合并,基于该合并的数据库对初始模型进行训练,待初始模型收敛后,得到训练后的初始模型Y_new1,利用该训练后的初始模型Y_new1对历史声纳目标数据库中任一历史声纳数据对应的历史目标谱图、现场声纳目标数据库中任一现场声纳数据对应的当前目标谱图提取个体特征模板,得到N+M个个体特征模板,将该N+M个个体特征模板存入模板库中以扩充模板库,此时模板库中有2(N+M)个个体特征模板;返回步骤(3);
基于增量数据的模型更新步骤为基于现场声纳目标数据库对初始模型进行训练,待模型收敛后得到训练后的初始模型Y_new2,利用该训练后的初始模型Y_new2对现场声纳目标数据库中任一现场声纳数据对应的当前目标谱图提取个体特征模板,得到M个个体特征模板,将该M个个体特征模板存入模板库中以扩充模板库,此时模板库中有N+2M个个体特征模板;返回步骤(3)。
图3给出了初始模型Y与采用两种自学习机制更新后的模型Y_new1、Y_new2在历史数据(历史声纳目标数据)与新数据(现场声纳目标数据)上的个体识别正确率对比,可以看到,更新后的模型个体识别性能有一定程度的提升。其中,基于全数据联合训练的更新模型Y_new1在历史数据与新数据上的个体识别正确率均有一定的提升,而基于现场数据增量学习的更新模型Y_new2虽然在历史数据上的个体识别正确率略有下降,但在新数据上的个体识别正确率有了较大程度提升。
Claims (8)
1.一种自主学习的声纳目标个体识别方法,其特征在于,所述方法包括以下步骤:
模型获取,构建面向声纳目标的个体识别网络模型,利用历史声纳目标数据库对模型进行训练,得到初始模型;
模板库构建,利用初始模型对历史声纳目标数据提取对应的历史个体特征模板,构建模板库;
模板匹配,对获取的每一当前声纳数据,利用初始模型提取当前声纳数据对应的当前个体特征模板,并在模板库中进行检索匹配,获得目标个体识别结果;
数据更新,将当前个体特征模板存入模板库,将当前声纳数据存入预设的现场声纳目标数据库;
模型更新,在预设时间后,基于历史声纳目标数据库和/或现场声纳目标数据库训练初始模型,基于训练后的初始模型更新模板库,并返回模板匹配步骤。
2.如权利要求1所述的一种自主学习的声纳目标个体识别方法,其特征在于,所述模型获取步骤中,利用历史声纳目标数据库对模型进行训练包括以下步骤:
对历史声纳目标数据库中任一历史声纳目标数据预处理,获得历史目标谱图;
基于历史目标谱图和个体标签对个体识别网络模型进行训练,得到初始模型。
3.如权利要求2所述的一种自主学习的声纳目标个体识别方法,其特征在于,所述历史目标谱图为LOFAR谱、DEMON谱或功率谱。
4.如权利要求2所述的一种自主学习的声纳目标个体识别方法,其特征在于,所述模板匹配步骤包括以下步骤:
对获取的当前声纳数据预处理,获得当前目标谱图;
对当前目标谱图利用初始模型进行特征提取,得到对应的当前个体特征模板;
判断当前个体特征模板与模板库中的历史个体特征模板是否一致,若一致,则执行下一步,若不一致则目标个体识别结果失败;
判断模板库中与当前个体特征模板一致的历史个体特征模板是否有标签,若有标签则输出对应的标签,若无标签,则当前个体特征模板与对应的历史个体特征模板进行同一性认定。
5.如权利要求4所述的一种自主学习的声纳目标个体识别方法,其特征在于,所述判断当前个体特征模板与模板库中的历史个体特征模板是否一致为
计算当前个体特征模板与模板库中的历史个体特征模板的特征距离,若特征距离小于设定的阈值,则认为当前个体特征模板与历史个体特征模板一致,否则不一致。
6.如权利要求5所述的一种自主学习的声纳目标个体识别方法,其特征在于,所述特征距离为余弦距离、欧式距离或马氏距离。
7.如权利要求2所述的一种自主学习的声纳目标个体识别方法,其特征在于,所述数据更新步骤中,将当前声纳数据存入预设的现场声纳目标数据库为
人为确定当前声纳数据的目标属性,将当前声纳数据存入现场带标签数据库,若无法人为确定当前声纳数据的目标属性,则直接存入现场无标签数据库。
8.如权利要求1-7任一项所述的一种自主学习的声纳目标个体识别方法,其特征在于,所述模型更新包括以下步骤:
通过人为判断当前平台是否为水下无人平台,若是执行基于全数据的模型更新步骤,否则执行基于增量数据的模型更新步骤;
基于全数据的模型更新步骤为基于历史声纳目标数据库和现场声纳目标数据库对初始模型进行训练,基于训练后的初始模型对历史声纳目标数据库、现场声纳目标数据库中任一数据提取个体特征模板,更新模板库;
基于增量数据的模型更新步骤,基于现场声纳目标数据库对初始模型进行训练,基于训练后的初始模型对现场声纳目标数据库中任一数据提取个体特征模板,更新模板库。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111604566.1A CN114444571A (zh) | 2021-12-23 | 2021-12-23 | 一种自主学习的声纳目标个体识别方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111604566.1A CN114444571A (zh) | 2021-12-23 | 2021-12-23 | 一种自主学习的声纳目标个体识别方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN114444571A true CN114444571A (zh) | 2022-05-06 |
Family
ID=81363988
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202111604566.1A Pending CN114444571A (zh) | 2021-12-23 | 2021-12-23 | 一种自主学习的声纳目标个体识别方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114444571A (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115294832A (zh) * | 2022-07-06 | 2022-11-04 | 中国船舶重工集团公司第七一五研究所 | 一种声呐设备训练数据生成方法 |
CN115685170A (zh) * | 2023-01-04 | 2023-02-03 | 青岛国数信息科技有限公司 | 基于强化学习的主动声纳目标回波检测方法 |
-
2021
- 2021-12-23 CN CN202111604566.1A patent/CN114444571A/zh active Pending
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115294832A (zh) * | 2022-07-06 | 2022-11-04 | 中国船舶重工集团公司第七一五研究所 | 一种声呐设备训练数据生成方法 |
CN115294832B (zh) * | 2022-07-06 | 2024-02-27 | 中国船舶重工集团公司第七一五研究所 | 一种声呐设备训练数据生成方法 |
CN115685170A (zh) * | 2023-01-04 | 2023-02-03 | 青岛国数信息科技有限公司 | 基于强化学习的主动声纳目标回波检测方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111967294A (zh) | 一种无监督域自适应的行人重识别方法 | |
CN112069310B (zh) | 基于主动学习策略的文本分类方法及系统 | |
CN114444571A (zh) | 一种自主学习的声纳目标个体识别方法 | |
CN111914644A (zh) | 一种基于双模态协同的弱监督时序动作定位方法及系统 | |
CN108446334B (zh) | 一种无监督对抗训练的基于内容的图像检索方法 | |
CN111274958B (zh) | 一种网络参数自纠正的行人重识别方法及系统 | |
CN109581339B (zh) | 一种基于头脑风暴自动调整自编码网络的声呐识别方法 | |
CN111291705B (zh) | 一种跨多目标域行人重识别方法 | |
CN113377981A (zh) | 基于多任务深度哈希学习的大规模物流商品图像检索方法 | |
CN113313166B (zh) | 基于特征一致性学习的船舶目标自动标注方法 | |
CN113869418A (zh) | 一种基于全局注意力关系网络的小样本船舶目标识别方法 | |
CN117516937A (zh) | 基于多模态特征融合增强的滚动轴承未知故障检测方法 | |
CN116910571A (zh) | 一种基于原型对比学习的开集域适应方法及系统 | |
CN116343825A (zh) | 一种基于样本映射的少样本水声目标识别方法 | |
CN111159456A (zh) | 基于深度学习与传统特征的多尺度服装检索方法及系统 | |
CN113516118B (zh) | 一种图像与文本联合嵌入的多模态文化资源加工方法 | |
CN114943741A (zh) | 一种动态场景下基于目标检测和几何概率的视觉slam方法 | |
CN116580272A (zh) | 一种基于模型融合推理的雷达目标分类方法及系统 | |
CN114638277A (zh) | 一种基于判别决策树的工业部件分类方法 | |
CN113469267A (zh) | 一种基于深度特征检索的文本图像字符识别方法与系统 | |
CN113886602A (zh) | 一种基于多粒度认知的领域知识库实体识别方法 | |
Meena Deshpande | License plate detection and recognition using yolo v4 | |
CN117911793B (zh) | 基于深度学习的海洋生物智能检测方法 | |
CN113705439B (zh) | 基于弱监督和度量学习的行人属性识别方法 | |
CN113283242B (zh) | 一种基于聚类与预训练模型结合的命名实体识别方法 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination |