基于迁移学习的水中目标识别方法.pdf

基于迁移学习的水中目标识别方法

摘要

水中目标识别通过分析被动声纳接收的目标自身所发出的辐射噪声信号来对目标

个体进行分类判别。近年来，由于深度学习算法的发展，将水中目标辐射噪声信号中提

取的特征用于深度学习模型分类器训练，使分类识别准确率得到了显著提高。然而深度

学习算法需要训练大量数据，由于目标数据难以获取水中目标识别是典型的小样本问题。

因此，本文主要研究了小样本识别中常用的迁移学习方法用于水中目标识别。主要研究

内容包括：

1、提取水中目标辐射噪声信号对数梅尔频谱与恒Q变换特征，分别采用提取特征

向量和微调两种深度迁移学习方法将在大型数据集ImageNet上预训练的VGG16、

ResNet50、Inceptionv4三种卷积神经网络模型迁移。结果表明：使用迁移学习微调方法

的模型，识别准确率可以达到95%以上，与不迁移的模型相比收敛速度更快，对算力要

求更小；同时，微调部分卷积层的迁移方法识别率整体高于提取特征向量的迁移方法。

实验证明，迁移学习在水中目标识别中具有显著的优势。它不仅可以节省时间成本、计

算量，而且样本需求少，识别性能也极高，是基于深度学习技术的一种有效应用。

2、为了提高模型的泛化能力与鲁棒性，将两种特征分别采用Mixup数据增强和拼

接的特征融合方法，使用微调多层的VGG16模型进行分类。结果表明Mixup方法与拼

接方法能在保证分类准确率的前提下增加样本的数据量提高模型泛化能力，验证了基于

Mixup方法的数据增强与拼接方法的特征融合在水中目标图像特征分类中的有效性。

3、设计了一种伪孪生网络的迁移学习分类模型和一种三重网络的迁移学习优化模

型并验证两种模型在小样本量下的有效性。结果表明两种网络模型在小样本量下仍然可

以达到较高的识别准确率，适用水中目标识别小样本场景。观察测试集通过伪孪生网络

的迁移学习分类模型输出的特征向量迭代后t-SNE降维可视化图中的样本分布得出该

网络实现分类识别的原理，即减小类内的距离，增大类间的距离，来实现聚类效应。

关键词：迁移学习；水中目标识别；微调；Mixup；孪生神经网络

基于迁移学习的水中目标识别方法

ABSTRACT

Underwateracoustictargetrecognitionclassifiesanddiscriminatestargetsbyanalyzing

theradiatednoisesignalofthetargetreceivedbypassivesonar.Inrecentyears,duetothe

developmentofdeeplearningalgorithm,featuresextractedfromunderwatertargetradiated

noisesignalareusedinthetrainingofdeeplearningmodelclassifier.However,thedeep

learningalgorithmneedstotrainalotofdata,itisatypicalsmallsampleproblembecauseof

thedifficultyofacquiringtargetdata.Therefore,thispapermainlystudiesthetransferlearning

methodusedinsmallsamplerecognitionforunderwateracoustictargetrecognition.Themain

researchcontentsareasfollows:

First,extractinglog-Melspectrumandconstant-qtransformfeaturesfromunderwater

targetrad