[發明專利]基于自監督表征學習的海洋目標檢測方法及系統

有效

• 申請號: 202011455972.1
• 申請日: 2020-12-10
• 公開（公告）號: CN112464879B
• 公開（公告）日: 2022-04-01
• 發明（設計）人: 張偉;戴祥麟
• 申請（專利權）人: 山東易視智能科技有限公司
• 主分類號: G06V20/10
• 分類號: G06V20/10;G06V10/25;G06V10/774;G06V10/82;G06K9/62;G06N3/04;G06N3/08
• 代理公司: 北京中創博騰知識產權代理事務所(普通合伙) 11636
• 代理人: 戎德偉

1.基于自監督表征學習的海洋目標檢測方法，其特征在于，包括自監督船舶特征學習階段和有監督海洋目標檢測階段：

所述自監督船舶特征學習階段中，采用動量對比方式在無標注海洋目標數據上訓練特征提取模型，所述動量對比過程將字典作為一個樣本隊列進行維護，并通過采用動量更新的方式更新鍵編碼器；

所述有監督海洋目標檢測階段中，采用Faster R-CNN模型進行海洋目標檢測，所述Faster R-CNN模型包括進行特征提取的骨干網絡、生成感興趣區域的區域候選網絡和RoIHead網絡；

通過所述骨干網絡采用自監督船舶特征學習階段所得的特征提取網絡參數進行初始化，為目標檢測模型提供海洋環境及船舶相關的先驗知識，然后在訓練模型的同時對骨干網絡進行參數微調。

2.根據權利要求1所述的基于自監督表征學習的海洋目標檢測方法，其特征在于，在所述樣本隊列中，預設一個鍵作為和給定查詢相匹配的正樣本，將剩余鍵作為負樣本；訓練過程中通過InfoNCE損失函數提高查詢特征的相似度，InfoNCE損失函數L_q為：

式中，q為查詢，k₊為鍵值，k_i為編碼樣本，τ為可調節的超參數。

3.根據權利要求2所述的基于自監督表征學習的海洋目標檢測方法，其特征在于，所述動量更新的方式為：

θ_k←mθ_k+(1-m)θ_q

式中，θ_k和θ_q分別是鍵編碼器參數和查詢編碼器參數，m∈[0,1)是動量系數。

4.根據權利要求1所述的基于自監督表征學習的海洋目標檢測方法，其特征在于，所述RoI Head網絡包括分類任務和定位任務，所述分類任務采用交叉熵損失函數，所述定位任務采用Smooth L1損失函數。

5.根據權利要求1所述的基于自監督表征學習的海洋目標檢測方法，其特征在于，采用海洋數據集MARVEL和海洋數據集SMD進行檢測實驗；所述海洋數據集MARVEL包括用于船舶分類任務的數據和用于船舶驗證、檢索、識別任務的數據；所述海洋數據集SMD包括可見光數據和紅外數據。

6.基于自監督表征學習的海洋目標檢測系統，其特征在于，包括自監督船舶特征學習單元和有監督海洋目標檢測單元：

所述自監督船舶特征學習單元采用動量對比方式在無標注海洋目標數據上訓練特征提取模型，所述動量對比過程將字典作為一個樣本隊列進行維護，并通過采用動量更新的方式更新鍵編碼器；

所述有監督海洋目標檢測單元采用Faster R-CNN模型進行海洋目標檢測，所述FasterR-CNN模型包括進行特征提取的骨干網絡、生成感興趣區域的區域候選網絡和RoI Head網絡；

通過所述骨干網絡采用自監督船舶特征學習階段所得的特征提取網絡參數進行初始化，為目標檢測模型提供海洋環境及船舶相關的先驗知識，然后在訓練模型的同時對骨干網絡進行參數微調。

7.根據權利要求6所述的基于自監督表征學習的海洋目標檢測系統，其特征在于，在所述樣本隊列中，預設一個鍵作為和給定查詢相匹配的正樣本，將剩余鍵作為負樣本；訓練過程中通過InfoNCE損失函數提高查詢特征的相似度，InfoNCE損失函數L_q為：

式中，q為查詢，k₊為鍵值，k_i為編碼樣本，τ為可調節的超參數。

8.根據權利要求7所述的基于自監督表征學習的海洋目標檢測系統，其特征在于，所述動量更新的方式為：

θ_k←mθ_k+(1-m)θ_q

式中，θ_k和θ_q分別是鍵編碼器參數和查詢編碼器參數，m∈[0,1)是動量系數。