基于深度学习和迁移学习的声呐图像分类方法研究.pdf

摘要

水下声呐图像分类的研究对于海洋资源的探索和开发具有重要的意义，同时，水下

声呐图像分类的研究也面临许多的困难和挑战。由于水下环境复杂多变，干扰因素众多，

声呐图像具有分辨率低，边缘模糊，噪声多的特点，导致声呐图像的分类准确率低。与

此同时，声呐数据获取困难，成本较高，声呐图像样本稀缺，因此，声呐图像分类属于

小样本问题。传统的声呐图像分类方法通常是不同特征提取方法与分类器结合实现声呐

图像的分类，其分类准确率较低并且泛化性能差。而深度神经网络近年来在图像分类领

域取得了巨大的成功，基于深度学习的方法有着更好的分类效果，但是深度网络的训练

需要大量的训练样本，小样本声呐图像无法满足网络的训练要求。由于迁移学习可以用

来解决标注数据不足的问题，可以将知识从源域迁移到目标域。因此，本文基于深度学

习和迁移学习，对小样本声呐图像分类方法进行研究。本文的研究工作如下：

首先，针对声呐数据集获取困难，样本稀缺的问题，采用了三类声呐图像数据增强

算法，增加声呐样本的数量，制作声呐数据集。其中几何变化类算法可以模拟不同角度

和形态的声呐图像，颜色变换类算法可以模拟不同的声呐成像条件，为声呐图像添加噪

声可以模拟水下噪声环境。本文制作了两个声呐数据集，分别为带有标签的数据集和无

标签的数据集。

然后，针对小样本声呐图像分类问题，基于深度学习和模型迁移设计了一种新的有

监督的声呐图像分类方法(SonarNet)。该方法中设计的声呐图像分类网络模型有效减少

了网络的参数量，可以缓解数据不足造成的模型过拟合问题。而基于模型迁移的网络训

练策略可以将从源域学习到的知识迁移到目标域，辅助目标域任务的优化，可以进一步

解决声呐数据样本不足的问题。经过实验验证，证明本章提出的方法可以实现有监督的

小样本声呐图像的准确分类。同时，与其他常见的分类方法相比，本章设计的声呐图像

分类方法效果更好。

最后，在上述方法的基础上更进一步，基于深度学习和领域自适应设计了一个深度

自适应声呐图像分类网络(Deepadaptationsonarimageclassificationnetwork,DASCN)，其

可以实现小样本声呐图像的无监督分类。DASCN网络的特征提取模块可以有效提取图

像的多尺度特征，注意力模块使网络更好的关注感兴趣区域，领域自适应模块可以确保

域适配的效果。综合实验证明，DASCN网络可以实现小样本声呐图像的无监督分类，

同时，DASCN网络也具有很好的泛化性能，不仅在声呐数据集上有较好的分类效果，

在公共光学数据集上分类效果也很好，并且DASCN网络的分类准确率要高于其他常见

的方法。

关键词：声呐图像；小样本；深度学习；迁移学习；领域自适应；图像分类

ResearchonClassificationMethodofSonarImageBasedonDeep

LearningandTransferLearning

Abstract

Theresearchofunderwatersonarimageclassificationisofgreatsignificanceforthe

explorationanddevelopmentofmarineresources.Atthesametime,theresearchofunderwater

sonarimageclassificationalsofacesmanydifficultiesandchallenges.Duetothecomplexand

changeableunderwaterenvironmentandmanyinterferencefactors,sonarimageshavethe

characteristicsoflowresolution,blurrededges,andmorenoise.Therefore,theclassification

accuracyofsonarimagesislow.Atthesametime,sonar