[發(fā)明專利]水聲目標識別模型的訓練方法及水聲目標識別方法

在審

• 申請?zhí)枺?/td>: 202210639772.4
• 申請日: 2022-06-08
• 公開（公告）號: CN114841220A
• 公開（公告）日: 2022-08-02
• 發(fā)明（設計）人: 張高唯;王微;韓洪勇
• 申請（專利權）人: 北京郵電大學
• 主分類號: G06K9/00
• 分類號: G06K9/00;G06K9/62;G06N3/04;G06N3/08
• 代理公司: 西安迪業(yè)欣知識產(chǎn)權代理事務所(普通合伙) 61278
• 代理人: 校麗麗

1.一種水聲目標識別模型的訓練方法，其特征在于，包括：

獲取多幅水下聲波圖像及其對應的標注圖像；

確定所述水下聲波圖像的特征向量及所述標注圖像的特征向量；

對所述水下聲波圖像的特征向量進行方差預測，將所述方差輸入至對抗生成網(wǎng)絡的噪聲生成器中，得到幅度服從瑞利分布的對抗噪聲；

根據(jù)所述對抗噪聲和所述水下聲波圖像的特征向量確定對抗例；

將所述對抗例和所述標注圖像的特征向量輸入至對抗生成網(wǎng)絡的噪聲判別器中，訓練所述噪聲生成器的參數(shù)和所述噪聲判別器的參數(shù)。

2.根據(jù)權利要求1所述的水聲目標識別模型的訓練方法，其特征在于，對所述水下聲波圖像的特征向量進行方差預測，具體包括：

將所述水下聲波圖像的特征向量輸入至方差預測模塊，得到所述水下聲波圖像的特征向量的方差；

所述方差預測模塊包括依次連接的第一卷積層和第一全連接層。

3.根據(jù)權利要求1所述的水聲目標識別模型的訓練方法，其特征在于，根據(jù)所述對抗噪聲和所述水下聲波圖像的特征向量確定對抗例，具體包括：

根據(jù)第一公式確定對抗例，所述第一公式為：

A_i＝χ_i+(χ_i)^γnoise_i

式中，A_i為第i幅水下聲波圖像的對抗例，χ_i為第i幅水下聲波圖像的特征向量，noise_i為第i幅水下聲波圖像的對抗噪聲，γ為超參數(shù)，且γ≥0。

4.根據(jù)權利要求1所述的水聲目標識別模型的訓練方法，其特征在于，所述對抗生成網(wǎng)絡的噪聲判別器為卷積神經(jīng)網(wǎng)絡的第二全連接層；

相應的，將所述對抗例和所述標注圖像的特征向量輸入至對抗生成網(wǎng)絡的噪聲判別器中，具體為：

將所述對抗例和所述標注圖像的特征向量輸入至第二全連接層中。

5.根據(jù)權利要求1-4任一項所述的水聲目標識別模型的訓練方法，其特征在于，訓練所述噪聲生成器的參數(shù)和所述噪聲判別器的參數(shù)，具體包括：

以總損失函數(shù)最小為目標函數(shù)，訓練所述噪聲生成器的參數(shù)和所述噪聲判別器的參數(shù)；

所述總損失函數(shù)是根據(jù)原始損失函數(shù)、對抗損失函數(shù)和模型損失函數(shù)確定的；

所述原始損失函數(shù)為所述水下聲波圖像的特征向量及其對應的標注圖像的特征向量之間的損失函數(shù)；

所述對抗損失函數(shù)為所述標注圖像的特征向量和所述對抗例之間的損失函數(shù)；

所述模型損失函數(shù)為所述水下聲波圖像的特征向量的分布和所述對抗例的分布之間的損失函數(shù)。

6.根據(jù)權利要求5所述的水聲目標識別模型的訓練方法，其特征在于，所述總損失函數(shù)是根據(jù)原始損失函數(shù)、對抗損失函數(shù)和模型損失函數(shù)確定的，具體包括：

根據(jù)第二公式確定總損失函數(shù)，所述第二公式為：

L_total＝L_D+L_P+L_adv

式中，L_total為總損失函數(shù)，L_D為原始損失函數(shù)，L_P為對抗損失函數(shù)，L_adv為模型損失函數(shù)。