基于自动化深度学习的雷达或声呐图像目标检测与分类方法.pdf

(19)中华人民共和国国家知识产权局(12)发明专利申请(10)申请公布号CN113989655A(43)申请公布日2022.01.28(21)申请号202111107594.2G06V10/764(2022.01)(22)申请日2021.09.22G06N3/04(2006.01)G06N3/08(2006.01)(71)申请人中国人民解放军海军工程大学G06V10/778(2022.01)地址430030湖北省武汉市硚口区解放大道717号(72)发明人唐劲松张鹏钟何平吴浩然宁明强张智圣(74)专利代理机构北京金智普华知识产权代理有限公司11401代理人张晓博(51)Int.Cl.G06V20/13(2022.01)G06V10/25(2022.01)G06K9/62(2022.01)G06V10/774(2022.01)权利要求书4页说明书14页附图8页(54)发明名称基于自动化深度学习的雷达或声呐图像目标检测与分类方法(57)摘要本发明公开了基于自动化深度学习的雷达或声呐图像目标检测与分类方法，对于分类任务，直接使用神经网络架构搜索进行最优卷积网络结构的自动化设计；对于检测任务，首先从检测数据集中根据标注信息提取衍生分类数据集，并在衍生分类数据集上执行卷积神经网络架构搜索进行最优卷积网络结构的自动化设计，然后使用该网络作为骨干网络以构建自训练的自动化深度学习目标检测器。本发明解决了目前基于深度学习的雷达或声呐图像目标检测与分类任务中深度神经网络结构设计费时费力以及对迁移学习强烈依赖的问题。通过自动化深度学习的神经架构搜索方法实现了对于特定雷达或声呐图像目标检测与分类数据集自动地设计深度神经网络。CN113989655ACN113989655A权利要求书1/4页1.一种基于自动化深度学习的雷达或声呐图像目标检测与分类方法，其特征在于，所述基于自动化深度学习的雷达或声呐图像目标检测与分类方法通过神经架构搜索实现对于特定雷达或声呐图像目标检测与分类数据集自动地设计深度神经网络。2.如权利要求1所述的基于自动化深度学习的雷达或声呐图像目标检测与分类方法，其特征在于，所述基于自动化深度学习的雷达或声呐图像目标检测与分类方法具体包括以下步骤：步骤一，给定雷达或声呐图像数据集，如果是分类数据集则直接进行步骤三，如果是检测任务则依次执行步骤二、步骤三、步骤四；步骤二，从检测数据集中根据标注信息提取衍生分类数据集；步骤三，使用卷积神经网络架构搜索对衍生分类数据集进行卷积网络结构的自动化设计和重训练，对于分类问题则直接使用任务分类数据集；重训练之后的自动化网络直接用于雷达或声呐图像的分类任务；步骤四，使用步骤三自动设计的自训练的骨干网络构建自动化深度学习目标检测器，并在任务检测数据集上进行自动化深度学习目标检测器的训练和验证；训练之后的自动化深度学习目标检测器即可直接用于雷达或声呐图像的检测任务。3.如权利要求1和权利要求2所述的基于自动化深度学习的雷达或声呐图像目标检测与分类方法，其特征在于，所使用的神经架构搜索算法包括但不限于可微分神经架构搜索算法。4.如权利要求2所述的基于自动化深度学习的雷达或声呐图像目标检测与分类方法，其特征在于，衍生数据集是从雷达声呐检测数据集的训练集中提取的包含各类目标和背景图像，通过衍生数据集，间接地实现检测器骨干卷积网络的设计和自训练。5.如权利要求2所述的基于自动化深度学习的雷达或声呐图像目标检测与分类方法，其特征还在于，衍生数据集仅从检测数据集的训练集或验证集中提取，而不使用检测数据集的测试集。6.如权利要求2所述的基于自动化深度学习的雷达或声呐图像目标检测与分类方法，其特征在于，自动化深度学习目标检测器通过将现有深度学习目标检测器的一部分模块或整体结构替换为神经架构搜索自动设计的网络模块或整体结构，使用自动化设计的骨干网络模块取代现有深度学习检测器中手工设计的骨干网络模块。7.如权利要求2所述的基于自动化深度学习的雷达或声呐图像目标检测与分类方法，其特征在于，所述步骤二中，所述从检测数据集中根据标注信息提取衍生分类数据集，包括：(1)对于检测任务，衍生数据集是从雷达声呐检测数据集的训练集中提取的包含各类目标和背景图像，通过衍生数据集，可以间接地实现检测器骨干卷积网络的设计和自训练；(2)衍生数据集完全从检测数据集的训练集、验证集中提取；从检测训练集中提取的分类数据train‑DC和val‑DC分别用于主干网络的训练和验证；从检测验证集中提取的测试分类数据集test‑DC，用于骨干网络分类性能的测试；(3)使用NAS方法在衍生分类数据集上取得较高的自训练分类准确度，将步骤(2)所得train‑DC数据集划分为train‑search和val‑search，分别用于骨干网络架构搜索期间的训练和验证。2CN