CN117197596B - 基于小样本迁移学习的混合底质声学分类方法 - Google Patents
基于小样本迁移学习的混合底质声学分类方法 Download PDFInfo
- Publication number
- CN117197596B CN117197596B CN202311478720.4A CN202311478720A CN117197596B CN 117197596 B CN117197596 B CN 117197596B CN 202311478720 A CN202311478720 A CN 202311478720A CN 117197596 B CN117197596 B CN 117197596B
- Authority
- CN
- China
- Prior art keywords
- feature
- convolution
- model
- classification
- value
- 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.)
- Active
Links
- 238000000034 method Methods 0.000 title claims abstract description 65
- 239000000758 substrate Substances 0.000 title claims abstract description 46
- 238000013526 transfer learning Methods 0.000 title claims abstract description 13
- 230000004927 fusion Effects 0.000 claims abstract description 17
- 238000000926 separation method Methods 0.000 claims abstract description 15
- 238000012876 topography Methods 0.000 claims abstract description 14
- 238000013507 mapping Methods 0.000 claims abstract description 6
- 238000005259 measurement Methods 0.000 claims abstract 2
- 238000005070 sampling Methods 0.000 claims abstract 2
- 239000011159 matrix material Substances 0.000 claims description 32
- 238000012549 training Methods 0.000 claims description 29
- 238000000605 extraction Methods 0.000 claims description 27
- 230000006870 function Effects 0.000 claims description 24
- 238000010276 construction Methods 0.000 claims description 19
- 238000013508 migration Methods 0.000 claims description 19
- 230000005012 migration Effects 0.000 claims description 19
- 238000011156 evaluation Methods 0.000 claims description 16
- 238000001514 detection method Methods 0.000 claims description 13
- 238000010586 diagram Methods 0.000 claims description 13
- 238000004458 analytical method Methods 0.000 claims description 12
- 239000013598 vector Substances 0.000 claims description 12
- 238000005457 optimization Methods 0.000 claims description 9
- 230000009466 transformation Effects 0.000 claims description 9
- 238000003709 image segmentation Methods 0.000 claims description 8
- 238000010606 normalization Methods 0.000 claims description 7
- 230000004913 activation Effects 0.000 claims description 6
- 238000003708 edge detection Methods 0.000 claims description 6
- 239000004576 sand Substances 0.000 claims description 6
- 238000012360 testing method Methods 0.000 claims description 5
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 claims description 5
- 230000003044 adaptive effect Effects 0.000 claims description 4
- 230000001186 cumulative effect Effects 0.000 claims description 4
- 230000010339 dilation Effects 0.000 claims description 4
- 230000007246 mechanism Effects 0.000 claims description 4
- 230000008569 process Effects 0.000 claims description 4
- 238000004364 calculation method Methods 0.000 claims description 3
- 230000008859 change Effects 0.000 claims description 3
- 238000012512 characterization method Methods 0.000 claims description 3
- 238000013145 classification model Methods 0.000 claims description 3
- 238000011478 gradient descent method Methods 0.000 claims description 3
- 238000009499 grossing Methods 0.000 claims description 3
- 239000000203 mixture Substances 0.000 claims description 3
- 230000035772 mutation Effects 0.000 claims description 3
- 238000011176 pooling Methods 0.000 claims description 3
- 230000009467 reduction Effects 0.000 claims description 3
- 238000000844 transformation Methods 0.000 claims description 3
- 239000013049 sediment Substances 0.000 abstract 2
- 239000010410 layer Substances 0.000 description 18
- 238000011160 research Methods 0.000 description 6
- 238000011835 investigation Methods 0.000 description 2
- 239000002344 surface layer Substances 0.000 description 2
- NAWXUBYGYWOOIX-SFHVURJKSA-N (2s)-2-[[4-[2-(2,4-diaminoquinazolin-6-yl)ethyl]benzoyl]amino]-4-methylidenepentanedioic acid Chemical compound C1=CC2=NC(N)=NC(N)=C2C=C1CCC1=CC=C(C(=O)N[C@@H](CC(=C)C(O)=O)C(O)=O)C=C1 NAWXUBYGYWOOIX-SFHVURJKSA-N 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 239000002131 composite material Substances 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000000513 principal component analysis Methods 0.000 description 1
- 230000002195 synergetic effect Effects 0.000 description 1
Landscapes
- Image Analysis (AREA)
Abstract
本发明公开了一种基于小样本迁移学习的混合底质声学分类方法,包括如下步骤:按像素值大小对海底声呐图像进行分割;基于单位矩元,通过计算相邻像素点之间的距离、方向,得到反向散射强度特征及地形特征;通过分离、融合及选择等操作,自适应调整感受野尺寸;通过膨胀卷积等操作,遍历单位矩元,使用多个不同空洞率的空洞卷积核混合;迁移含有权重的卷积层,微调残差网络模型;通过实测海底底质采样数据与该区域分类结果进行验证,评估分类方法的精度及可靠性,实现对海底混合底质的自动分类。该方法能够快速实现浅海小样本海底混合底质的自动分类,高效准确,在海洋测绘及海底地貌学等方面具有实际应用价值。
Description
技术领域
本发明涉及海底声学底质分类、海洋测绘、海底地形地貌探测、海洋地质和海洋工程建设等技术领域,尤其涉及基于小样本迁移学习的混合底质声学分类方法。
背景技术
海底是一个具有重要意义的地质界面,海底表层底质是海洋栖息环境以及海洋基础地理信息的重要组成部分,高质量、全覆盖、高精度的海底底质调查是海洋测绘和海洋空间规划的主要内容。目前,基于多波束反向散射强度的声学底质自动分类研究取得了较快发展,而受到观测条件的限制,对混合底质声学分类的研究仍较为滞后。
当前对海底底质声学分类的研究,从研究对象来看,主要集中在均质底质环境,而对复杂混合底质环境的相关研究则较少。如何深入挖掘其内在特征,有效分类浅海混合底质,是尚未得到解决的技术难题。因此,适用于小样本迁移学习的海底底质精细识别仍有待进一步研究,以构建高效、可靠的海底混合底质声学分类方法。
图像分割、模式识别和深度学习等多种方法被应用到海底声学底质分类研究中,还综合考虑了海底地形、粗糙度等因素,综合利用地形因子、反向散射强度等多元特征。
在底质分类研究中,海底浅表层及空间结构特征也是影响底质分布规律的重要因素。不同类型海底底质在各种因素协同作用下,可能呈现离散或混合等不同的分布形式。因此,考虑海底地形特征可以定量反映地形变化对底质分类结果的影响。
发明内容
为了解决浅海混合底质难以准确分类的问题,本发明公开了基于小样本迁移学习的混合底质声学分类方法。
本发明通过以下技术方案实现:
基于小样本迁移学习的混合底质声学分类方法,包括:反向散射强度镶嵌图像分割、特征提取与组合、感受野自适应调整、迁移学习模型构建;步骤1,按像素值大小对海底声呐图像进行分割;步骤2,基于单位矩元,通过计算相邻像素点之间的距离、方向,得到反向散射强度特征及地形特征;步骤3,通过分离、融合及选择等操作,自适应调整感受野尺寸;步骤4,通过膨胀卷积等操作,遍历单位矩元,使用多个不同空洞率的空洞卷积核混合;步骤5,迁移含有权重的卷积层,微调残差网络模型;步骤6,通过实测海底底质采样数据与该区域分类结果进行验证,评估分类方法的精度及可靠性,实现对海底混合底质的自动分类。
所述的反向散射强度镶嵌图像分割,依次包括阈值点检测、单位矩元构建;其中,所述的阈值点检测,是利用边缘检测算子对反向散射强度镶嵌图像进行阈值检测,进而得到平滑后的图像;所述的单位矩元构建,是给定单位像素值大小,将反向散射强度镶嵌图像按单位像素值划分为相同大小的单位矩元。
所述的特征提取与组合,依次包括反向散射强度特征提取、地形特征提取、特征组合优化;其中,所述的反向散射强度特征提取,是通过计算图像上相邻像素点之间的距离和方向,得到基本统计量及灰度共生矩阵特征;所述的地形特征提取,是对局部范围内高程突变点进行识别及定位,利用二维离散小波变换来提取地形特征点反映在频域空间的高频信号;所述的特征组合优化,是通过主成分特征分析,选取最优特征进行组合。
所述的感受野自适应调整,依次包括分离、融合、选择、膨胀卷积等操作;其中,所述的分离操作,是将输入特征图分离为多个分支,各分支分别进行卷积运算;所述的融合操作,是利用跨通道的软注意力机制,对分离出的不同核大小的多个分支进行融合;所述的选择操作,是根据选择权重聚合不同大小内核的特征映射;所述的膨胀卷积操作,是对不同的卷积层设置不同的膨胀率,从而自适应调整感受野大小。
所述的迁移学习模型构建,依次包括模型预训练、模型微调、混淆矩阵分析、分类精度评价;其中,所述的模型预训练,是在大型基准数据库上训练选择性核混合膨胀卷积网络(SKHD-ResNet-50),得到预训练模型;所述的模型微调,是引入预训练模型的参数并将其作为学习的起点,在此基础上对网络高层的参数进行微调;所述的混淆矩阵分析,是统计、分析预测标签与实际标签之间的关联度;所述的分类精度评价,是通过计算生产者精度、用户精度等评价分类准确率。
所述的反向散射强度镶嵌图像分割,包括下列步骤:
步骤1.1阈值点检测:
利用高斯函数对反向散射镶嵌图像进行平滑处理,对平滑后的图像计算梯度值和方向,如公式(2)所示:,其中,/>为梯度幅值,/>为/>在x方向的偏导数,/>为/>在y方向的偏导数,θ为方向值;沿图像梯度变化方向,比较像素点前后的梯度值,寻找其局部最大值/>;选取双阈值进行边缘检测,即高阈值T H 和低阈值T L ,两者满足关系式,如果/>,则将该像素点赋值为1,如果,则将该像素点赋值为0,从而提取出图像完整边缘/>。
步骤1.2:单位矩元构建
按像素值大小对平滑后的反向散射镶嵌图像/>进行遍历,将其划分为相同大小的矩元/>,即单位矩元/>。
所述的特征提取与组合,包括下列步骤:
步骤2.1:反向散射强度特征提取
取单位矩元中任意一点/>及偏离它的另一点/>,设该像元对的灰度值为(i,j),则灰度共生矩阵表示沿α方向(/>)间距为d时,灰度为i和j的像元对出现的概率P;所提取的灰度共生矩阵特征包括:均值C mean 、标准差C std 、熵C entropy 、同质度C homogeneity 、对比度C contrast 、角二阶矩C asm 、相关性C correlation 、非相似性C dissimilarity 。
步骤2.2:地形特征提取
基于最小二乘准则建立海底曲面拟合模型,如公式(11)所示:,其中,(x,y)为地理坐标系中海底点的平面位置坐标,/>为拟合参数;所提取的地形特征主要包括:水深均值C depth 、坡度C slope 、地表曲率C curvature 、粗糙度C roughness ;
步骤2.3:特征组合优化
对于一组包含m维特征的样本数据集X,则有,对原始数据中的每个特征进行中心化处理后,得到的新特征F,其中,每个维度代表一个数据特征C,矩阵形式表示为公式(15):,其中,A为特征变换矩阵,通过求解正交变换A,使新特征x i 的方差达到极值;对于第一个特征C 1 ,其方差Var(C 1 )如公式(16)所示:/>,其中,;对于第二个特征C 2 ,除满足上述计算过程外,还要保证与第一主成分不相关,即/>,进而得到F 2 为第二主成分,以此类推,可得协方差矩阵m个特征值分别对应的m个主成分;通过衡量C i 的方差判断信息的贡献程度,方差越大,原始数据x中保存的信息就越多,主成分分析后得到m个主成分,根据各个主成分的累计贡献率的大小来选取前p个主成分,在进行主成分分析时,利用各主成分累计贡献率确定系统综合得分,从而确定主成分的个数k,实现特征选择性评估及最优组合。
所述的感受野自适应调整,包括下列步骤:
步骤3.1:分离操作
分离操作是对输入特征图X分别作不同卷积核大小的完整卷积操作,包括卷积、批量归一化和激活函数,对于任意给定的特征图,进行两次变换,即和/>,其中,/>的卷积核大小为3×3,/>的卷积核大小为5×5,/>和/>均由深层卷积所构成;依次进行批量归一化、激活函数:输入/>,计算批处理数据均值/>,计算批处理数据方差/>,规范化/>,尺度变换和偏移,返回学习参数w和β,激活函数运算;5×5的卷积核由3×3的空洞卷积所替代;
步骤3.2:融合操作
融合操作是利用阈值来控制来自多个分支的信息流,通过逐元素求和融合不同分支的结果,如公式(19)所示:;对特征图U做全局平均池化操作F gp ,生成特征向量/>来嵌入全局信息,每一数值代表着相应通道的全局信息,如公式(20)所示:,其中,S c 表示特征向量S的第c个元素,H和W表示空间维度;经过全连接层F fc ,得到紧凑特征向量z,同时进行降维处理;
步骤3.3:选择操作
选择操作是自适应地选择不同空间尺度的信息,将Softmax运算符应用于紧凑特征向量z,如公式(22)所示:,其中,/>,a和b分别表示/>和/>两个特征图的权重,a+b=1,将特征图/>和/>与各自权重a和b分别相乘后再相加,得到特征图V;
步骤3.4:膨胀卷积操作
膨胀卷积操作是通过增大卷积核尺寸以调整感受野大小,如公式(24)所示:,其中,/>为输出卷积核尺寸,为输入卷积核尺寸,r为膨胀率,进而对输出结果进行叠加,并经过1×1卷积使维度升高到与输入维度相同。
所述的迁移学习模型构建,包括下列步骤:
步骤4.1:模型预训练
输入的特征数据以逐层训练的方式进行学习,以确定整个网络的初始权值,从而实现模型的预训练过程;在ImageNet数据集上预训练选择性核混合膨胀卷积网络模型,除最后的全连接层和Softmax层外,迁移其他已训练的层,并增加一个包含实际底质类别数的输出层,从而构建一个新的选择性核混合膨胀卷积网络模型;
步骤4.2:模型微调
将源域样本的高维特征和目标域样本的高维特征/>通过域自适应迁移学习网络迁移到同一公共特征空间内/>,并且构造域自适应迁移学习网络的特征迁移损失函数/>,其中,/>为模型预测值,Y为真实值;利用由源域有标签的样本构建的分类器对同分布的目标域待测样本进行分类,并且构造分类损失函数/>,其中,/>为模型预测值,Y为真实值;采用随机梯度下降法将联合损失函数/>训练至收敛,完成对模型参数的微调;
步骤4.3:混淆矩阵分析
根据真实值Y与预测值构建混淆矩阵/>,其中,label TP表示正样本被正确识别的数量,label FP 表示误报的负样本数量,label FN 表示漏报的正样本数量,label TN 表示负样本被正确识别的数量;
步骤4.4:分类精度评价
分类精度评价指标包括:准确率Accuracy、精确率Precision、召回率Recall、特异度Specificity,其中,准确率Accuracy如公式(25)所示:,准确率Precision如公式(26)所示:,召回率Recall如公式(27)所示:,特异度Specificity如公式(28)所示:,至此,完成分类模型的精度评价,输出最终分类结果。
本发明有益效果是:
本发明基于实测多波束水深及反向散射强度数据,提供了基于小样本迁移学习的混合底质声学分类方法,结合注意力机制和迁移学习方法构建选择性核混合膨胀卷积网络模型,从多元声学特征融合的角度为海底底质分类提供更具价值的信息,解决了海底混合底质难以精细识别、分类等难题。本发明可在海底混合底质特征提取与自动分类、海底地形地貌探测和海洋工程建设等领域发挥重要作用。
附图说明
图1是本发明的基于小样本迁移学习的混合底质声学分类方法流程图。
图2是反向散射强度图。
图3是选择性核混合膨胀卷积网络示意图。
图4是混淆矩阵示意图。
图5是原始多波束测深数据生成的海底地形图。
图6是模型训练及测试过程。
图7是海底混合底质分类结果。
具体实施方式
下面结合附图和实施例对本发明作具体阐述。
实施例1
如附图1所示,本发明提供了基于小样本迁移学习的混合底质声学分类方法,步骤包括反向散射强度镶嵌图像分割、特征提取与组合、感受野自适应调整、迁移学习模型构建。步骤1,按像素值大小对海底声呐图像进行分割;步骤2,基于单位矩元,通过计算相邻像素点之间的距离、方向,得到反向散射强度特征及地形特征;步骤3,通过分离、融合及选择等操作,自适应调整感受野尺寸;步骤4,通过膨胀卷积等操作,遍历单位矩元,使用多个不同空洞率的空洞卷积核混合;步骤5,迁移含有权重的卷积层,微调残差网络模型;步骤6,通过实测海底底质采样数据与该区域分类结果进行验证,评估分类方法的精度及可靠性,实现对海底混合底质的自动分类。
步骤1:反向散射强度镶嵌图像分割。依次包括阈值点检测、单位矩元构建;其中,所述的阈值点检测,是利用边缘检测算子对反向散射强度镶嵌图像进行阈值检测,进而得到平滑后的图像;所述的单位矩元构建,是给定单位像素值大小,将反向散射强度镶嵌图像按单位像素值划分为相同大小的单位矩元。具体步骤为:
步骤1.1:阈值点检测
利用高斯函数对反向散射镶嵌图像进行平滑处理,如公式(1)所示:,其中,I(x,y)为平滑图像后的结果,G(x,y)为高斯函数,F(x,y)为原图像,(x,y)为像平面坐标系中像素点的平面位置坐标。
对平滑后的图像计算梯度值和方向,如公式(2)所示:,其中,/>为梯度幅值,/>为/>在x方向的偏导数,/>为/>在y方向的偏导数,θ为方向值;沿图像梯度变化方向,比较像素点前后的梯度值,寻找其局部最大值/>。
选取双阈值进行边缘检测,即高阈值T H 和低阈值T L ,两者满足关系式,如果/>,则将该像素点赋值为1,如果,则将该像素点赋值为0,从而提取出图像完整边缘/>。处理后的反向散射图像如附图2所示。
步骤1.2:单位矩元构建
按像素值大小对平滑后的反向散射镶嵌图像/>进行遍历,将其划分为相同大小的矩元/>,即单位矩元/>。
步骤2:特征提取与组合
依次包括反向散射强度特征提取、地形特征提取、特征组合优化;其中,所述的反向散射强度特征提取,是通过计算图像上相邻像素点之间的距离和方向,得到基本统计量及灰度共生矩阵特征;所述的地形特征提取,是对局部范围内高程突变点进行识别及定位,利用二维离散小波变换来提取地形特征点反映在频域空间的高频信号;所述的特征组合优化,是通过主成分特征分析,选取最优特征进行组合。具体步骤为:
步骤2.1:反向散射强度特征提取
取单位矩元中任意一点/>及偏离它的另一点/>,设该像元对的灰度值为(i,j),则灰度共生矩阵表示沿α方向(/>)间距为d时,灰度为i和j的像元对出现的概率P;所提取的灰度共生矩阵特征包括:均值C mean 、标准差C std 、熵C entropy 、同质度C homogeneity 、对比度C contrast 、角二阶矩C asm 、相关性C correlation 、非相似性C dissimilarity 。
其中,均值C mean 如公式(3)所示:,标准差C std 如公式(4)所示:/>,熵C entropy 如公式(5)所示:/>,同质度C homogeneity 如公式(6)所示:/>,对比度C contrast 如公式(7)所示:/>,角二阶矩C asm 如公式(8)所示:/>,相关性C correlation 如公式(9)所示:/>,非相似性C dissimilarity 如公式(10)所示:/>,其中,N为灰度级,/>表示概率。
步骤2.2:地形特征提取
基于最小二乘准则建立海底曲面拟合模型,如公式(11)所示:,其中,(x,y)为地理坐标系中海底点的平面位置坐标,/>为拟合参数;所提取的地形特征主要包括:水深均值C depth 、坡度C slope 、地表曲率C curvature 、粗糙度C roughness 。
其中,水深均值C depth 如公式(12)所示:,坡度C slope 如公式(13)所示:/>,其中,,/>,设海底点具有最大曲率/>和最小曲率/>,对应的曲率半径分别为R max 和R min ,其分别为公式(14)的两个根:,其中,,/>,/>,/>,/>,,则最大曲率/>,最小曲率,粗糙度C roughness 由海底实际面积A r 与投影面积A p 的比值表示:。
步骤2.3:特征组合优化
对于一组包含m维特征的样本数据集X,则有,对原始数据中的每个特征进行中心化处理后,得到的新特征F,其中,每个维度代表一个数据特征C,矩阵形式表示为公式(15):,其中,A为特征变换矩阵,通过求解正交变换A,使新特征x i 的方差达到极值;对于第一个特征C 1 ,其方差Var(C 1 )如公式(16)所示:/>,其中,。对于第二个特征C 2 ,除满足上述计算过程外,还要保证与第一主成分不相关,即/>,进而得到F 2 为第二主成分,以此类推,可得协方差矩阵m个特征值分别对应的m个主成分。
通过衡量C i 的方差判断信息的贡献程度,方差越大,原始数据x中保存的信息就越多,主成分分析后得到m个主成分,根据各个主成分的累计贡献率的大小来选取前p个主成分,贡献率和累计贡献率如公式(17)和(18)所示:,,在进行主成分分析时,利用各主成分累计贡献率确定系统综合得分,从而确定主成分的个数k,实现特征选择性评估及最优组合。
步骤3:感受野自适应调整
依次包括分离、融合、选择、膨胀卷积等操作;其中,所述的分离操作,是将输入特征图分离为多个分支,各分支分别进行卷积运算;所述的融合操作,是利用跨通道的软注意力机制,对分离出的不同核大小的多个分支进行融合;所述的选择操作,是根据选择权重聚合不同大小内核的特征映射;所述的膨胀卷积操作,是对不同的卷积层设置不同的膨胀率,从而自适应调整感受野大小。具体步骤为:
步骤3.1:分离操作。
如附图3所示,分离操作是对输入特征图X分别作不同卷积核大小的完整卷积操作,包括卷积、批量归一化和激活函数等,对于任意给定的特征图,进行两次变换,即/>和/>,其中,/>的卷积核大小为3×3,/>的卷积核大小为5×5,/>和/>均由深层卷积所构成;依次进行批量归一化、激活函数:输入/>,计算批处理数据均值/>,计算批处理数据方差/>,规范化/>,尺度变换和偏移/>,返回学习参数w和β,激活函数运算;5×5的卷积核由3×3的空洞卷积所替代。
步骤3.2:融合操作
如附图3所示,融合操作是利用阈值来控制来自多个分支的信息流,通过逐元素求和融合不同分支的结果,如公式(19)所示:;对特征图U做全局平均池化操作F gp ,生成特征向量/>来嵌入全局信息,每一数值代表着相应通道的全局信息,如公式(20)所示:/>,其中,S c 表示特征向量S的第c个元素,H和W表示空间维度;经过全连接层F fc ,得到紧凑特征向量z,如公式(21)所示:,其中,δ为激活函数,BN表示批量归一化,/>,同时进行降维处理。
步骤3.3:选择操作
如附图3所示,选择操作是自适应地选择不同空间尺度的信息,将Softmax运算符应用于紧凑特征向量z,如公式(22)所示:,其中,,a和b分别表示/>和/>两个特征图的权重,a+b=1,将特征图/>和/>与各自权重a和b分别相乘后再相加,得到特征图V,如公式(23)所示:/>,其中,。
步骤3.4:膨胀卷积操作
如附图3所示,膨胀卷积操作是通过增大卷积核尺寸以调整感受野大小,如公式(24)所示:,其中,/>为输出卷积核尺寸,/>为输入卷积核尺寸,r为膨胀率,进而对输出结果进行叠加,并经过1×1卷积使维度升高到与输入维度相同。
步骤4:迁移学习模型构建。依次包括模型预训练、模型微调、混淆矩阵分析、分类精度评价;其中,所述的模型预训练,是在大型基准数据库上训练选择性核混合膨胀卷积网络(SKHD-ResNet-50),得到预训练模型;所述的模型微调,是引入预训练模型的参数并将其作为学习的起点,在此基础上对网络高层的参数进行微调;所述的混淆矩阵分析,是统计、分析预测标签与实际标签之间的关联度;所述的分类精度评价,是通过计算生产者精度、用户精度等评价分类准确率。具体步骤为:
步骤4.1:模型预训练
输入的特征数据以逐层训练的方式进行学习,以确定整个网络的初始权值,从而实现模型的预训练过程;在ImageNet数据集上预训练选择性核混合膨胀卷积网络模型,除最后的全连接层和Softmax层外,迁移其他已训练的层,并增加一个包含实际底质类别数的输出层,从而构建一个新的选择性核混合膨胀卷积网络模型。
步骤4.2:模型微调
将源域样本的高维特征和目标域样本的高维特征/>通过域自适应迁移学习网络迁移到同一公共特征空间内/>,并且构造域自适应迁移学习网络的特征迁移损失函数/>,其中,/>为模型预测值,Y为真实值;利用由源域有标签的样本构建的分类器对同分布的目标域待测样本进行分类,并且构造分类损失函数/>,其中,/>为模型预测值,Y为真实值;采用随机梯度下降法将联合损失函数/>训练至收敛,完成对模型参数的微调。
步骤4.3:混淆矩阵分析
如附图4所示,根据真实值Y与预测值构建混淆矩阵,其中,label TP表示正样本被正确识别的数量,label FP 表示误报的负样本数量,label FN 表示漏报的正样本数量,label TN 表示负样本被正确识别的数量。
步骤4.4:分类精度评价。
分类精度评价指标包括:准确率Accuracy、精确率Precision、召回率Recall、特异度Specificity,其中,准确率Accuracy如公式(25)所示:,准确率Precision如公式(26)所示:,召回率Recall如公式(27)所示:,特异度Specificity如公式(28)所示:/>,至此,完成分类模型的精度评价,输出最终分类结果。
为了验证提取特征的有效性,本例使用了某外海收集的多波束测深数据集,由原始多波束测深数据生成的海底地形图如附图5所示。
在步骤2输出最优特征组合的基础上,随机生成 10 个数据子集测试分类器的性能,在每个数据集上分别进行 10 次重复测试,并取平均值作为最终分类结果。对于每种底质类型,随机选取 70%作为训练样本,剩余 30%作为测试样本(如附图6所示),完成对海底混合底质的自动分类(如附图7所示)。
在附图7中,不同灰度级别代表了不同海底混合底质的分类结果,从图中可以看出,砾质砂(gS)、砂(S)、砾质泥质砂(gmS)等3类海底底质实现了较好的分类。
以上所述实施例仅表达了本发明的几种实施方式,其描述较为具体和详细,但并不能因此而理解为对发明范围的限制。应当指出的是,对于本领域的普通技术人员来说,在不脱离本发明构思的前提下,还可以做出若干变形和改进,均属于本发明的保护范围。本发明的保护范围由所附权利要求及其任何等同技术方案给出。
Claims (1)
1.一种基于小样本迁移学习的混合底质声学分类方法,其特征在于,包括:反向散射强度镶嵌图像分割、特征提取与组合、感受野自适应调整、迁移学习模型构建;步骤1,按像素值大小对海底声呐图像进行分割;步骤2,基于单位矩元,通过计算相邻像素点之间的距离、方向,得到反向散射强度特征及地形特征;步骤3,通过分离、融合及选择操作,自适应调整感受野尺寸;步骤4,通过膨胀卷积操作,遍历单位矩元,使用多个不同空洞率的空洞卷积核混合;步骤5,迁移含有权重的卷积层,微调残差网络模型;步骤6,通过实测海底底质采样数据与目标域分类结果进行验证,评估分类方法的精度及可靠性,实现对海底混合底质的自动分类;
所述的反向散射强度镶嵌图像分割,依次包括阈值点检测、单位矩元构建;其中,所述的阈值点检测,是利用边缘检测算子对反向散射强度镶嵌图像进行阈值检测,进而得到平滑后的图像;所述的单位矩元构建,是给定单位像素值大小,将反向散射强度镶嵌图像按单位像素值划分为相同大小的单位矩元;
所述的特征提取与组合,依次包括反向散射强度特征提取、地形特征提取、特征组合优化;其中,所述的反向散射强度特征提取,是通过计算图像上相邻像素点之间的距离和方向,得到基本统计量及灰度共生矩阵特征;所述的地形特征提取,是对局部范围内高程突变点进行识别及定位,利用二维离散小波变换来提取地形特征点反映在频域空间的高频信号;所述的特征组合优化,是通过主成分特征分析,选取最优特征进行组合;
所述的感受野自适应调整,依次包括分离、融合、选择、膨胀卷积操作;其中,所述的分离操作,是将输入特征图分离为多个分支,各分支分别进行卷积运算;所述的融合操作,是利用跨通道的软注意力机制,对分离出的不同核大小的多个分支进行融合;所述的选择操作,是根据选择权重聚合不同大小内核的特征映射;所述的膨胀卷积操作,是对不同的卷积层设置不同的膨胀率,从而自适应调整感受野大小;
所述的迁移学习模型构建,依次包括模型预训练、模型微调、混淆矩阵分析、分类精度评价;其中,所述的模型预训练,是在大型基准数据库上训练选择性核混合膨胀卷积网络,得到预训练模型;所述的模型微调,是引入预训练模型的参数并将其作为学习的起点,在此基础上对网络高层的参数进行微调;所述的混淆矩阵分析,是统计、分析预测标签与实际标签之间的关联度;所述的分类精度评价,是通过计算生产者精度、用户精度评价分类准确率;
所述的反向散射强度镶嵌图像分割,包括下列步骤:
步骤1.1阈值点检测:
利用高斯函数对反向散射镶嵌图像进行平滑处理,对平滑后的图像计算梯度值和方向,如公式(2)所示: ,其中,/>为梯度幅值,/>为/>在x方向的偏导数,/>为/>在y方向的偏导数,θ为方向值;沿图像梯度变化方向,比较像素点前后的梯度值,寻找其局部最大值/>;选取双阈值进行边缘检测,即高阈值T H 和低阈值T L ,两者满足关系式,如果/>,则将该像素点赋值为1,如果,则将该像素点赋值为0,从而提取出图像完整边缘/>;
步骤1.2单位矩元构建:
按像素值大小对平滑后的反向散射镶嵌图像/>进行遍历,将其划分为相同大小的矩元/>,即单位矩元/>;
所述的特征提取与组合,包括下列步骤:
步骤2.1反向散射强度特征提取:
取单位矩元中任意一点/>及偏离它的另一点/>组成像元对,设该像元对的灰度值为(i, j),则灰度共生矩阵表示沿α方向(/>)间距为d时,灰度为i和j的像元对出现的概率P;所提取的灰度共生矩阵特征包括:均值C mean 、标准差C std 、熵C entropy 、同质度C homogeneity 、对比度C contrast 、角二阶矩C asm 、相关性C correlation 、非相似性C dissimilarity ;
步骤2.2地形特征提取:
基于最小二乘准则建立海底曲面拟合模型,如公式(11)所示:,其中,(x, y)为地理坐标系中海底点的平面位置坐标,/>为拟合参数;所提取的地形特征主要包括:水深均值C depth 、坡度C slope 、地表曲率C curvature 、粗糙度C roughness ;
步骤2.3特征组合优化:
对于一组包含m维特征的样本数据集X,则有,对原始数据中的每个特征进行中心化处理后,得到的新特征F,其中,每个维度代表一个数据特征C,矩阵形式表示为公式(15):,其中,A为特征变换矩阵,通过求解正交变换A,使新特征x i 的方差达到极值;对于第一个特征C 1 ,其方差Var(C 1 )如公式(16)所示:/>,其中,;对于第二个特征C 2 ,除满足上述计算过程外,还要保证与第一主成分不相关,即/>,进而得到F 2 为第二主成分,以此类推,可得协方差矩阵m个特征值分别对应的m个主成分;通过衡量C i 的方差判断信息的贡献程度,方差越大,原始数据x中保存的信息就越多,主成分分析后得到m个主成分,根据各个主成分的累计贡献率的大小来选取前p个主成分,在进行主成分分析时,利用各主成分累计贡献率确定系统综合得分,从而确定主成分的个数k,实现特征选择性评估及最优组合;
所述的感受野自适应调整,包括下列步骤:
步骤3.1分离操作:
分离操作是对输入特征图X分别作不同卷积核大小的完整卷积操作,包括卷积、批量归一化和激活函数,对于任意给定的特征图,进行两次变换,即和/>,其中,/>的卷积核大小为3×3,/>的卷积核大小为5×5,/>和/>均由深层卷积所构成;依次进行批量归一化、激活函数:输入/>,计算批处理数据均值/>,计算批处理数据方差/>,规范化/>,尺度变换和偏移,返回学习参数w和β,激活函数运算;5×5的卷积核由3×3的空洞卷积所替代;
步骤3.2融合操作:
融合操作是利用阈值来控制来自多个分支的信息流,通过逐元素求和融合不同分支的结果,如公式(19)所示:;对特征图U做全局平均池化操作F gp ,生成特征向量来嵌入全局信息,每一数值代表着相应通道的全局信息,如公式(20)所示:,其中,S c 表示特征向量S的第c个元素,H和W表示空间维度;经过全连接层F fc ,得到紧凑特征向量z,同时进行降维处理;
步骤3.3选择操作:
选择操作是自适应地选择不同空间尺度的信息,将Softmax运算符应用于紧凑特征向量z,如公式(22)所示:,其中,/>,a和b分别表示/>和/>两个特征图的权重,a+b=1,将特征图/>和/>与各自权重a和b分别相乘后再相加,得到特征图V;
步骤3.4膨胀卷积操作:
膨胀卷积操作是通过增大卷积核尺寸以调整感受野大小,如公式(24)所示:,其中,/>为输出卷积核尺寸,为输入卷积核尺寸,r为膨胀率,进而对输出结果进行叠加,并经过1×1卷积使维度升高到与输入维度相同;
所述的迁移学习模型构建,包括下列步骤:
步骤4.1模型预训练:
输入的特征数据以逐层训练的方式进行学习,以确定整个网络的初始权值,从而实现模型的预训练过程;在ImageNet数据集上预训练选择性核混合膨胀卷积网络模型,除最后的全连接层和Softmax层外,迁移其他已训练的层,并增加一个包含实际底质类别数的输出层,从而构建一个新的选择性核混合膨胀卷积网络模型;
步骤4.2模型微调:
将源域样本的高维特征和目标域样本的高维特征/>通过域自适应迁移学习网络迁移到同一公共特征空间内/>,并且构造域自适应迁移学习网络的特征迁移损失函数/>,其中,/>为模型预测值,Y为真实值;利用由源域有标签的样本构建的分类器对同分布的目标域待测样本进行分类,并且构造分类损失函数/>,其中,/>为模型预测值,Y为真实值;采用随机梯度下降法将联合损失函数/>训练至收敛,完成对模型参数的微调;
步骤4.3混淆矩阵分析:
根据真实值Y与预测值构建混淆矩阵,其中,label TP表示正样本被正确识别的数量,label FP 表示误报的负样本数量,label FN 表示漏报的正样本数量,label TN 表示负样本被正确识别的数量;
步骤4.4类精度评价:
分类精度评价指标包括:准确率Accuracy、精确率Precision、召回率Recall、特异度Specificity,其中,准确率Accuracy如公式(25)所示:,准确率Precision如公式(26)所示:,召回率Recall如公式(27)所示:,特异度Specificity如公式(28)所示:,至此,完成分类模型的精度评价,输出最终分类结果;
训练完成后,结合真实海底采样数据,将测试样本分别标记为砾质砂、砂、砾质泥质砂3类海底底质,从而实现对浅海混合底质的自动分类。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311478720.4A CN117197596B (zh) | 2023-11-08 | 2023-11-08 | 基于小样本迁移学习的混合底质声学分类方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311478720.4A CN117197596B (zh) | 2023-11-08 | 2023-11-08 | 基于小样本迁移学习的混合底质声学分类方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN117197596A CN117197596A (zh) | 2023-12-08 |
CN117197596B true CN117197596B (zh) | 2024-02-13 |
Family
ID=89005663
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202311478720.4A Active CN117197596B (zh) | 2023-11-08 | 2023-11-08 | 基于小样本迁移学习的混合底质声学分类方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN117197596B (zh) |
Families Citing this family (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117765264A (zh) * | 2024-02-22 | 2024-03-26 | 北京理工大学 | 基于频率自适应膨胀卷积的图像语义分割方法及系统 |
CN117953314A (zh) * | 2024-03-26 | 2024-04-30 | 自然资源部第三海洋研究所 | 一种多维特征优选海洋底质分类方法及系统 |
Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109086824A (zh) * | 2018-08-01 | 2018-12-25 | 哈尔滨工程大学 | 一种基于卷积神经网络的海底底质声呐图像分类方法 |
CN111738332A (zh) * | 2020-06-22 | 2020-10-02 | 黄河勘测规划设计研究院有限公司 | 基于特征级融合的水下多源声学图像底质分类方法及系统 |
CN112149755A (zh) * | 2020-10-12 | 2020-12-29 | 自然资源部第二海洋研究所 | 基于深度学习的小样本海底水声图像底质分类方法 |
CN113642591A (zh) * | 2020-04-27 | 2021-11-12 | 中国科学院声学研究所 | 一种基于迁移学习的多波束海底沉积层类型的估计方法及系统 |
CN114722900A (zh) * | 2022-03-08 | 2022-07-08 | 山东科技大学 | 一种机载雷达测深浅海底质分类方法 |
CN114821106A (zh) * | 2022-05-05 | 2022-07-29 | 浙江工业大学 | 一种基于特征金字塔的圣女果检测识别方法 |
CN115170943A (zh) * | 2022-07-27 | 2022-10-11 | 哈尔滨工程大学 | 一种基于迁移学习的改进视觉Transformer海底底质声呐图像分类方法 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110555273B (zh) * | 2019-09-05 | 2023-03-24 | 苏州大学 | 基于隐马尔科夫模型和迁移学习的轴承寿命预测方法 |
-
2023
- 2023-11-08 CN CN202311478720.4A patent/CN117197596B/zh active Active
Patent Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109086824A (zh) * | 2018-08-01 | 2018-12-25 | 哈尔滨工程大学 | 一种基于卷积神经网络的海底底质声呐图像分类方法 |
CN113642591A (zh) * | 2020-04-27 | 2021-11-12 | 中国科学院声学研究所 | 一种基于迁移学习的多波束海底沉积层类型的估计方法及系统 |
CN111738332A (zh) * | 2020-06-22 | 2020-10-02 | 黄河勘测规划设计研究院有限公司 | 基于特征级融合的水下多源声学图像底质分类方法及系统 |
CN112149755A (zh) * | 2020-10-12 | 2020-12-29 | 自然资源部第二海洋研究所 | 基于深度学习的小样本海底水声图像底质分类方法 |
CN114722900A (zh) * | 2022-03-08 | 2022-07-08 | 山东科技大学 | 一种机载雷达测深浅海底质分类方法 |
CN114821106A (zh) * | 2022-05-05 | 2022-07-29 | 浙江工业大学 | 一种基于特征金字塔的圣女果检测识别方法 |
CN115170943A (zh) * | 2022-07-27 | 2022-10-11 | 哈尔滨工程大学 | 一种基于迁移学习的改进视觉Transformer海底底质声呐图像分类方法 |
Non-Patent Citations (2)
Title |
---|
Mixed Seabed Sediment Classification Based on Transferred Convolutional Neural Network: A Case Study in the Ancient River Valley;Mingwei Wang et al.;IEEE;第61卷;全文 * |
基于迁移学习的海底底质声呐图像分类;陈佳辉, 陈岚萍, 夏小云等;计算机仿真;第39卷(第01期);全文 * |
Also Published As
Publication number | Publication date |
---|---|
CN117197596A (zh) | 2023-12-08 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN117197596B (zh) | 基于小样本迁移学习的混合底质声学分类方法 | |
CN110287932B (zh) | 基于深度学习图像语义分割的道路阻断信息提取方法 | |
CN101329736B (zh) | 基于特征选择和隐马尔科夫模型的图像分割方法 | |
CN109284786B (zh) | 基于分布和结构匹配生成对抗网络的sar图像地物分类方法 | |
Ghiasi-Freez et al. | Semi-automated porosity identification from thin section images using image analysis and intelligent discriminant classifiers | |
RU2012152447A (ru) | Выполняемый в окне статистический анализ для обнаружения аномалий в наборах геофизических данных | |
Oh et al. | Salt delineation from electromagnetic data using convolutional neural networks | |
CN109001801B (zh) | 基于多次迭代蚁群算法的断层变尺度识别方法 | |
Janowski et al. | Seafloor mapping based on multibeam echosounder bathymetry and backscatter data using Object-Based Image Analysis: a case study from the Rewal site, the Southern Baltic | |
CN111639878A (zh) | 一种基于知识图谱构建的滑坡风险预测方法及系统 | |
CN111582403A (zh) | 一种零样本侧扫声呐图像目标分类方法 | |
CN110363299A (zh) | 面向露头岩层分层的空间案例推理方法 | |
CN111709487A (zh) | 基于决策级融合的水下多源声学图像底质分类方法及系统 | |
CN108871342A (zh) | 基于纹理特征的水下重力辅助惯性导航适配区选取方法 | |
CN106960433B (zh) | 一种基于图像熵以及边缘的全参考声纳图像质量评测方法 | |
CN109000656A (zh) | 基于空间聚类的水下地形匹配导航适配区选择方法 | |
CN113298007A (zh) | 一种小样本sar图像目标识别方法 | |
CN117351321A (zh) | 一种单阶段轻量化的地铁衬砌空洞识别方法及相关设备 | |
Chamorro et al. | Deep learning‐based extraction of surface wave dispersion curves from seismic shot gathers | |
Sahragard et al. | Comparison of logistic regression and machine learning techniques in prediction of habitat distribution of plant species | |
CN116542912A (zh) | 一种多目标视觉跟踪的柔性体桥梁振动检测模型、应用 | |
Nathalie et al. | Outlier detection for Multibeam echo sounder (MBES) data: From past to present | |
CN110806444B (zh) | 基于浅地层剖面仪与svm的海底底质识别与分类方法 | |
CN113553708A (zh) | 一种溯源仿真模型关键影响因素的方法和装置 | |
CN112801955A (zh) | 种群分布不平衡条件下的浮游生物检测方法 |
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 | ||
GR01 | Patent grant | ||
GR01 | Patent grant |