少量样本条件下基于深度学习的声呐图像分类算法研究.pdf

少量样本条件下基于深度学习的声呐图像分类算法研究

摘要

由于大量背景和阴影的干扰，导致声呐图像中目标边界不清晰并存在大量斑点噪

声，这会大大增加对声呐图像的特征提取的难度，从而影响分类算法性能。随着人工

智能技术的发展，基于深度学习的图像分类算法逐渐被应用在声呐图像识别领域。但

由于声呐数据集难以获取，通常面临少量样本的情况，这导致卷积神经网络

(ConvolutionalNeuralNetworks,CNN)出现过拟合的现象。而单一的数据集扩充又会使

模型收敛速度降低，不能满足实际应用场景对于速度的要求。针对提高声呐图像质

量，提高水下声呐图像的分类准确性以及提升模型训练效率三个任务，本文从提高图

像质量扩增样本数量，改进分类网络模型以及改变训练模式三个方面考虑，研究了针

对少量样本侧扫声呐图像的分类方法，并在不同数据集上对算法的性能进行验证。

本文的主要工作和研究内容如下：

（1）针对由于噪声影响以及结构信息不清晰导致分类网络难以进行声呐图像特征

提取的问题，提出一种基于块匹配的声呐图像去噪方法。在去噪前加入灰度矫正和高

斯滤波对图像进行预去噪，随后通过在像素块周围寻找相似块进行匹配分组，结合空

间域与变换域的方法，利用相似块的图像信息还原清晰图像，从而达到去除对声呐图

像质量影响最大的斑点噪声的目的。与其他传统去噪方法在声呐图像上的去噪效果相

比，本文所提出的方法在峰值信噪比和结构相似性指标上都有所提高。并且使用去噪

后数据集训练的网络较使用去噪前数据集训练的网络性在分类性能上也有提高。

（2）针对声呐图像样本不足造成CNN产生过拟合现象的问题，提出一种基于特

征挖掘的声呐图像分类算法。将残差模块引入CNN，加深网络挖掘声呐图像特征的同

时缓解过拟合现象。提出融合特征挖掘模块及多尺度目标自适应特征提取模块的残差

模块。通过建立特征通道之间的相关性，挖掘有用特征，对不同尺度大小的声呐图像

目标自主的选择对应的卷积核大小，实现对有限样本的最大化利用。在少量样本的数

字数据集的实验验证了本文算法解决少量样本问题的可行性。在声呐图像数据集的实

验表明，相对于其他经典图像分类网络，本文所提出的改进算法在分类准确性上表现

出了更优越的性能。

（3）针对样本扩增后CNN训练效率低不能满足声呐探测技术对时间严格要求的

问题，将迁移学习的思想应用在声呐图像分类任务上。采用基于模型参数的迁移方式

进行网络模型的训练。设计了一个保留网络提取中低层级特征的能力，在高级特征提

哈尔滨工程大学硕士学位论文

取阶段融入特征挖掘模块的迁移策略，提高特征的利用率。经过在声呐图像数据集的

实验，验证了本文算法能够在保证足够分类精度的前提下提升模型收敛速度。

关键词：图像分类；侧扫声呐图像；卷积神经网络；特征挖掘；迁移学习

少量样本条件下基于深度学习的声呐图像分类算法研究

ABSTRACT

Duetothepresenceofalargeamountofclutterandnoiseinsonarimages,aswellasthe

unclearboundariesofthetargets,theextractionoffeaturesfromsonarimagesisgreatly

affected,whichinturnaffectstheperformanceofclassificationalgorithms.Withthe

developmentofartificialintelligencetechnology,imageclassificationalgorithmsbasedon

deeplearningaregraduallybeingappliedinthefieldofsonarimagerecognition.However,

duetothedifficultyinobtainingsonardatasets,thealgorithmso