小样本下基于深度学习的声呐图像分类研究

水下环境复杂多样,使得声呐成像模糊难以人工提取特征,同时声呐图像不易获取,数量远少于光学图像,导致了小样本情况下声呐图像分类网络的训练过拟合现象明显,识别准确率低。基于所建立的声呐图像数据集进行预处理后,提出一种改进的带有类别偏好的标签平滑正则化方法,对训练数据的标签进行优化,减轻网络的自信程度,并基于迁移学习中微调的方法利用光学图像对网络参数进行预训练和冻结,融合以上方法构建了一种小样本下的分类网络模型。仿真实验结果表明,优化后的网络模型取得了最佳分类识别准确率,有效抑制了过拟合现象,能够在小样本下实现精确分类声呐图像。

基于卷积残差网络的水下主动目标回波图像分类方法研究

文章采用深度学习的方法初步开展了水下主动目标回波亮点的分类识别研究。根据主动声呐回波数据的特点,构建了基于卷积残差网络(Residual Network,ResNet)的深度学习模型,并对实际的主动声呐基阵信号通过波束形成、匹配滤波处理得到了方位-距离图。从图中截取相应的区域,构建了包含目标、混响和杂波的训练样本集及测试样本集,并对其进行数据增强处理。在此基础上开展了基于ResNet-34网络的特征挖掘与分类试验,以识别出相应图像样本的类型。实验结果表明,ResNet-34网络可有效挖掘方位-距离图像中的可分性信息,即网络模型对试验中的目标回波图像和非目标回波(混响、杂波)图像具有良好的可分性。