[發明專利]一種基于條件雙分支注意力機制的魯棒聲納圖像生成方法

在審

• 申請號: 202110257704.7
• 申請日: 2021-03-09
• 公開（公告）號: CN113139573A
• 公開（公告）日: 2021-07-20
• 發明（設計）人: 孔萬增;潘澤宇;賈明洋;張建海
• 申請（專利權）人: 杭州電子科技大學
• 主分類號: G06K9/62
• 分類號: G06K9/62;G06N3/04;G06N3/08
• 代理公司: 杭州君度專利代理事務所(特殊普通合伙) 33240
• 代理人: 陳煒

本發明公開了一種基于條件雙分支注意力機制的魯棒聲納圖像生成方法。本發明采用深度學習技術對復雜水下環境進行聲納圖像仿真成像。本發明打破了傳統的聲納仿真技術注重底層的物理建模，在多類別、多背景的情況下存在著圖像可調性差、逼真度低的局限。該方法能夠利用條件信息有效地控制特定條件聲納圖像的生成，通過一種雙分支注意特征融合機制，依次完成信道級和像素級的注意操作，增強相應元素之間的相關性，從而生成更加清晰、逼真的聲納圖像。通過實驗發現，該方法在聲納圖像仿真上取得很好的表現，且在噪聲干擾環境下具有魯棒的成像效果，說明深度學習方法在聲吶圖像仿真上的可行性，為復雜水聲環境數據中的圖像仿真提供了新的研究手段。

技術領域

本發明屬于人工智能與水聲電子信息的交叉領域，具體涉及一種基于條件雙分支注意力生成對抗網絡的魯棒聲納圖像生成方法

背景技術

近年來，隨著現代水聲信號處理技術和水聲設備研發技術的巨大進步，水下聲納圖像生成技術已成為國內外研究的熱點。聲納圖像仿真技術在軍事和民用領域都有著重要的地位。特別是在軍事領域，復雜環境下對敵方軍事目標(潛艇、魚雷、危險障礙物)的探測與識別、海底地形匹配導航等領域迫切需要高保真聲納圖像仿真技術的應用。

聲納圖像仿真技術是指在已有聲納圖像數據的基礎上，生成遵循真實數據分布的水底聲納圖像。在海上進行水底圖像數據收集的日常成本很高，使得為了驗證假設或嘗試新算法而獲取特定圖像的成本往往過高，難以實現。由于水下數據采集的操作限制，模擬真實的聲納圖像，對于傳感器設置、地形設計、調整探測和分類算法等至關重要。綜上所述，聲納數據仿真技術作為一種有效的聲納數據擴充手段，通過已有聲納數據進行復雜環境下聲納圖像仿真，可以產生許多特定的圖像數據集，用于聲納相關評估或預測算法的魯棒性，對于后續聲納相關算法研究至關重要。

隨著計算機計算性能的不斷提高，聲納仿真技術也需要向智能化方向發展。計算機聲納仿真產生的數據可應用于圖像處理、水下目標檢測、性能監測、故障檢測等領域，大大降低了操作人員對成像聲納硬件設備的依賴性。目前，神經網絡的研究取得了顯著的進展，它與計算機技術和信號處理技術相結合，使聲納數據模擬智能化。

傳統的圖像仿真技術對操作人員的理論知識要求很高。仿真模型在復雜環境下需要考慮仿真精度和仿真計算效率之間的矛盾，導致聲納圖像分布不全面，模型的智能化程度較低。隨著計算機硬件計算能力的快速提高和超級計算機的大規模應用，深度學習方法得到了迅速發展，并在醫學、雷達、聲納等領域的計算機視覺任務中得到了應用。

例如，卷積神經網絡(CNN)已經被應用到靜態醫學圖像和雷達圖像的分析和特征提取中，并取得了很好的效果。自Goodfellow于2014年提出生成對抗網絡方法(GAN)以來，已成為各領域的熱門研究對象。近年來，生成對抗網絡已在小范圍內用于醫學成像的降噪和圖像仿真。在雷達領域，也提出了一種利用生成對抗網絡實現的圖像到圖像轉換技術，成功地實現了低分辨率SAR成像到高分辨率SAR成像的轉換。生成對抗網絡在聲納領域,已應用于水下聲納圖像仿真任務,但這些方法沒有融合網絡結構的類別條件信息,并且忽略了像素之間的相關性和渠道,導致生成的聲納圖像可控性差，保真度低。

生成對抗網絡方法最早由Goodfellow在2014年提出，隨后研究者從網絡結構、損失函數等方向對傳統生成對抗網絡進行了改進，實現了從噪聲到圖像的轉換。這些方法使用的卷積神經網絡結構在卷積操作過程中具有有限的接受域，不能提取出遠處像素之間的相關性，也忽略了通道之間的相關性。以往的研究方法沒有同時考慮到這些問題。

由于聲納數據環境的特殊性，聲納圖像中的目標經常受到背景噪聲的干擾。相對于圖像背景中的其他像素，我們更關注圖像中的聲納目標像素。卷積運算受接收域的限制，不能很好地提取圖像的結構特征。注意機制可以更好地計算不同位置之間的關聯度。為了提高復雜環境下聲納數據仿真的效率和逼真度,并更好地解決傳統聲納數據仿真技術中仿真圖像的低智能化、低保真度的問題,本發明提出基于條件雙分支注意力生成對抗網絡的魯棒聲納圖像生成方法。

發明內容