[發(fā)明專利]一種基于全卷積神經(jīng)網(wǎng)絡(luò)的側(cè)掃聲納圖像特征提取方法

有效

• 申請?zhí)枺?/td>: 201910932848.0
• 申請日: 2019-09-29
• 公開（公告）號: CN110781924B
• 公開（公告）日: 2023-02-14
• 發(fā)明（設(shè)計(jì)）人: 王宏健;高娜;陳濤;肖瑤;阮力;李本銀
• 申請（專利權(quán)）人: 哈爾濱工程大學(xué)
• 主分類號: G06V10/764
• 分類號: G06V10/764;G06V10/774;G06V10/82;G06N3/04;G06N3/08
• 代理公司: 暫無信息
• 代理人: 暫無信息

1.一種基于全卷積神經(jīng)網(wǎng)絡(luò)的側(cè)掃聲納圖像特征提取方法，其特征在于，具體的實(shí)現(xiàn)步驟為：

步驟1：利用原有的聲納圖像進(jìn)行數(shù)據(jù)增廣，獲得模型訓(xùn)練和測試所需的樣本集；對樣本集中的每幅圖像的海底地形的邊緣區(qū)域進(jìn)行人工標(biāo)注，將目標(biāo)和背景用不同的類別區(qū)分，獲得模型訓(xùn)練和測試所需的標(biāo)簽圖；

步驟2：構(gòu)建全卷積神經(jīng)網(wǎng)絡(luò)模型，即構(gòu)建FCNs模型；

所述FCNs模型以VGG16為基礎(chǔ)網(wǎng)絡(luò)，利用與對應(yīng)全連接層輸入數(shù)據(jù)尺寸相同的卷積核，將VGG16的全連接層轉(zhuǎn)化為三個(gè)卷積層，其中最后一層卷積層輸出結(jié)果為熱圖，熱圖個(gè)數(shù)對應(yīng)類別個(gè)數(shù)；FCNs模型在熱圖之后增加反卷積層，對熱圖進(jìn)行上采樣以恢復(fù)原始圖像尺寸；FCNs模型增加跳層結(jié)構(gòu)，通過跳層結(jié)構(gòu)融合淺層與深層的特征信息，獲得更加準(zhǔn)確的特征輸出；步驟3：將海底地形圖像及對應(yīng)的標(biāo)簽圖輸入FCNs模型，采用帶動(dòng)量項(xiàng)的小批量梯度下降法訓(xùn)練，保存最優(yōu)的FCNs模型；

FCNs模型的訓(xùn)練過程可以抽象為尋找最佳的參數(shù)值使得損失函數(shù)值最小；損失函數(shù)softmaxwithloss由softmax和loss組成，softmax為：

其中，a_k(x)表示在x點(diǎn)上第k類的輸出值；表示在x點(diǎn)上所有類的輸出值之和；p_k(x)表示在x點(diǎn)上第k類的概率；

loss為：

loss＝-log p_j(x)

p_j(x)表示在x點(diǎn)上最大的概率值；

采用沖量項(xiàng)的小批量梯度下降算法優(yōu)化損失函數(shù)；小批量梯度下降算法的核心思想是利用梯度確定參數(shù)更新的方向，即在每次迭代中，對每個(gè)變量，按照目標(biāo)函數(shù)在該變量梯度的相反方向，更新對應(yīng)的參數(shù)值，通過對目標(biāo)函數(shù)中的參數(shù)不斷迭代更新，使得目標(biāo)函數(shù)逐漸靠近最小值；每次計(jì)算一小部分訓(xùn)練數(shù)據(jù)的損失函數(shù)，根據(jù)這一部分?jǐn)?shù)據(jù)的平均梯度更新參數(shù)；

FCNs模型的訓(xùn)練分為三個(gè)階段，第一階段為FCN-32s模型的訓(xùn)練；第二階段為FCN-16s模型的訓(xùn)練，采用第一階段訓(xùn)練好的FCN-32s模型初始化網(wǎng)絡(luò)；第三階段為FCN-8s模型的訓(xùn)練，采用第二階段訓(xùn)練好的FCN-16s模型初始化網(wǎng)絡(luò)；

FCNs模型中所有的反卷積層都采用雙線性插值的方式進(jìn)行初始化，中間的反卷積層的參數(shù)在網(wǎng)絡(luò)的訓(xùn)練過程中作為網(wǎng)絡(luò)的學(xué)習(xí)參數(shù)不斷進(jìn)行更新，最后的反卷積層的參數(shù)為固定值，訓(xùn)練過程中不學(xué)習(xí)；

步驟4：利用訓(xùn)練好的FCNs模型進(jìn)行聲納圖像海底地形邊緣輪廓的特征提取并輸出特征提取結(jié)果。

2.根據(jù)權(quán)利要求1所述的一種基于全卷積神經(jīng)網(wǎng)絡(luò)的側(cè)掃聲納圖像特征提取方法，其特征在于，所述步驟1的具體步驟為：

步驟1.1.將原有海底地形圖像通過旋轉(zhuǎn)、翻轉(zhuǎn)變化進(jìn)行擴(kuò)充；

步驟1.2.模擬實(shí)現(xiàn)聲納圖像噪聲，聲納圖像噪聲大部分為服從瑞利分布的散斑噪聲，模擬實(shí)現(xiàn)散斑噪聲的公式為

其中a表示噪聲強(qiáng)度，b表示光斑大小，U(0,1)代表平均噪聲，z代表散斑噪聲；

步驟1.3.利用labelme標(biāo)注圖像，將海底地形的輪廓用像素1表示，海底地形的背景用像素0表示，得到標(biāo)簽圖。

3.根據(jù)權(quán)利要求1所述的一種基于全卷積神經(jīng)網(wǎng)絡(luò)的側(cè)掃聲納圖像特征提取方法，其特征在于，所述步驟2中為使輸出的特征圖與原圖尺寸相同，F(xiàn)CNs模型設(shè)計(jì)了三種模式，

第一模式FCN-32s：直接對最后一個(gè)卷積層的輸出結(jié)果以雙線性插值的方式進(jìn)行上采樣，步長為32，一步將預(yù)測大小恢復(fù)為原圖像大小，這樣做導(dǎo)致?lián)p失過多的細(xì)節(jié)信息，結(jié)果不夠精細(xì)，為了解決此問題，引入了跳級連接的策略；

第二模式FCN-16s：首先將最后一層上采樣，步長為2，然后和池化層4的預(yù)測結(jié)合起來，最后再上采樣，步長為16，恢復(fù)為原圖大小，使網(wǎng)絡(luò)能夠更好地預(yù)測細(xì)節(jié)，同時(shí)保留高級別的語義信息；

第三模式FCN-8s：首先上采樣再結(jié)合高層信息，最后再上采樣，步長為8，恢復(fù)為原圖大小，可獲得更高的精度。

4.根據(jù)權(quán)利要求1所述的一種基于全卷積神經(jīng)網(wǎng)絡(luò)的側(cè)掃聲納圖像特征提取方法，其特征在于，所述步驟3中FCNs模型訓(xùn)練的第一階段的批量大小設(shè)置為8，學(xué)習(xí)率為1e-10；第二階段的批量大小設(shè)置為16，學(xué)習(xí)率為1e-12；第三階段的批量大小設(shè)置為8，學(xué)習(xí)率為1e-14；三個(gè)階段的權(quán)值的正則化系數(shù)設(shè)置為0.0005，動(dòng)量項(xiàng)的值為0.99，偏置項(xiàng)的學(xué)習(xí)率為權(quán)值的兩倍。