申请/专利权人：西北工业大学

申请日：2021-09-09

公开（公告）日：2024-06-14

公开（公告）号：CN113688941B

主分类号：G06V10/764

分类号：G06V10/764;G06V20/05;G06V10/30;G06V10/36;G06V10/44;G06V10/82;G06N3/0464;G06N3/0475;G06N3/094;G06N3/048

优先权：

专利状态码：有效-授权

法律状态：2024.06.14#授权;2021.12.10#实质审查的生效;2021.11.23#公开

摘要：本发明涉及一种基于生成对抗网络的小样本声呐图像分类识别优化方法，利用真实声呐图像样本通过生成对抗网络进行数据合成，合成数据作为真实训练样本的扩充数据用于深层卷积神经网络训练，完成对水下目标声呐图像更加准确的分类与识别。使用合成图像数据对原有小样本情况下的数据集互补增强后进行网络训练，能够避免深层卷积神经网络过拟合问题，获得86.85％的识别准确率，识别精度有明显提升，有效解决了水下目标识别研究中声呐图像样本不足的问题，具有广泛的应用前景，可进一步应用于实测水下目标声呐图像的分类识别。

主权项：1.一种基于生成对抗网络的小样本声呐图像分类识别优化方法，其特征在于步骤如下：步骤1：搜集水下目标声呐图像，建立水下目标声呐图像数据集；对声呐图像采用3×3中值滤波处理，去除声呐图像中的椒盐噪声图像；对滤波后数据集进行规范化操作：1、使用Lanczos插值法将搜集到的尺寸不一的声呐图片进行重置，统一数据集中声呐图像的输入大小；2、通过公式Gray＝0.299R+0.587G+0.114B将RGB图像转化为灰度图像，对声呐图片进行灰度化处理；3、将像素值由[0,255]归一化为[0,1]，进行像素值归一化预处理；将处理后的数据分为训练集、验证集和测试集；步骤2、搭建生成对抗网络模型：模型包含生成器和判别器D；所述生成器G的结构为一个全连接层连接五个串联的反卷积层，用来捕获数据特点分布细节的模型，最终输出为图像的像素值，将像素值归一化在[-1,1]区间内，最后一层输出的激活函数使用tanh函数，其表达式为： 生成器G使用反卷积操作对输入矩阵的长和宽进行拓展，反卷积作为卷积的逆操作，其输入输出尺寸变换原则为：若o+2p-k％s＝0，则反卷积后输出图像尺寸o＝si-1-2p+k；若o+2p-k％s≠0，则反卷积后输出图像尺寸o＝si-1-2p+k+1；其中，i表示输入矩阵尺寸，o表示输出矩阵尺寸，k表示卷积核大小，d表示卷积核数量，s表示步长，p表示反卷积过程中的填充参数；所述判别器D的结构为四个串联的卷积层连接一个全连接层，用来估计样本数据来自真实训练数据还是生成器的模型，即进行二分类任务，最后一层输出为一个元素，输出结果为0到1之间的数值，其中0表示数据来源于生成器的生成图像，1表示数据来源于真实图像样本；判别器的最后一层使用Sigmoid函数作为分类函数，其表达式为： 各层之间的激活函数使用PReLU函数，表达式为：fPReLUx＝maxαx,x其一阶导函数的表达式为： 其中参数α随着网络的训练而改变能够更好地适应网络，加速网络收敛；步骤3、训练及生成声呐图像：将训练集数据输入生成对抗网络训练，训练结束后生成与真实图像结构相似的声呐图像为合成数据；步骤4：将合成数据加入原训练集中对原来小样本情况下的声呐图像训练集样本进行扩充增加得到样本扩充后的声呐图像数据集；步骤5：以样本扩充后的声呐图像数据集对经典网络结构进行训练，并观测训练过程中训练集的损失变化曲线以及验证集的识别准确率变化曲线，若训练集损失逐渐减小，网络对验证集的分类准确率不断上升，最终趋于稳定，表明训练完成后的网络结构能够对声呐图像数据进行正确分类；若曲线变化未达到预期，需重新训练网络；步骤6：以步骤5训练后的经典网络结构对原声呐图像数据集中的测试集样本进行分类与识别；完成对小样本声呐图像分类识别的优化后，根据真实样本生成更多声呐图像作为训练集，使网络结构能够得到充分训练，从而在真实测试集样本上识别更加准确。

全文数据：

权利要求：

百度查询： 西北工业大学 基于生成对抗网络的小样本声呐图像分类识别优化方法

免责声明
1、本报告根据公开、合法渠道获得相关数据和信息，力求客观、公正，但并不保证数据的最终完整性和准确性。
2、报告中的分析和结论仅反映本公司于发布本报告当日的职业理解，仅供参考使用，不能作为本公司承担任何法律责任的依据或者凭证。

阅读全文 双屏查看 官方信息 专利公告 收藏专利 下载PDF 下载WORD