基于生成对抗网络的小样本声呐图像分类识别优化方法.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CN113688941A(43)申请公布日2021.11.23(21)申请号202111057694.9(22)申请日2021.09.09(71)申请人西北工业大学地址710072陕西省西安市友谊西路127号(72)发明人梁红徐微雨杨长生(74)专利代理机构西北工业大学专利中心61204代理人王鲜凯(51)Int.Cl.G06K9/62(2006.01)G06K9/46(2006.01)G06K9/40(2006.01)G06N3/04(2006.01)G06N3/08(2006.01)权利要求书2页说明书7页附图3页(54)发明名称基于生成对抗网络的小样本声呐图像分类识别优化方法(57)摘要本发明涉及一种基于生成对抗网络的小样本声呐图像分类识别优化方法，利用真实声呐图像样本通过生成对抗网络进行数据合成，合成数据作为真实训练样本的扩充数据用于深层卷积神经网络训练，完成对水下目标声呐图像更加准确的分类与识别。使用合成图像数据对原有小样本情况下的数据集互补增强后进行网络训练，能够避免深层卷积神经网络过拟合问题，获得86.85％的识别准确率，识别精度有明显提升，有效解决了水下目标识别研究中声呐图像样本不足的问题，具有广泛的应用前景，可进一步应用于实测水下目标声呐图像的分类识别。CN113688941ACN113688941A权利要求书1/2页1.一种基于生成对抗网络的小样本声呐图像分类识别优化方法，其特征在于步骤如下：步骤1：搜集水下目标声呐图像，建立水下目标声呐图像数据集；对声呐图像采用3×3中值滤波处理，去除声呐图像中的椒盐噪声图像；对滤波后数据集进行规范化操作：1、使用Lanczos插值法将搜集到的尺寸不一的声呐图片进行重置，统一数据集中声呐图像的输入大小；2、通过公式Gray＝0.299R+0.587G+0.114B将RGB图像转化为灰度图像，对声呐图片进行灰度化处理；3、将像素值右[0,255]归一化为[0,1]，进行像素值归一化预处理；将处理后的数据分为训练集、验证集和测试集；步骤2、搭建生成对抗网络模型：模型包含生成器和判别器D；所述生成器G的结构为一个全连接层连接五个串联的反卷积层，用来捕获数据特点分布细节的模型，最终输出为图像的像素值，将像素值归一化在[‑1,1]区间内，最后一层输出的激活函数使用tanh函数，其表达式为：生成器G使用反卷积操作对输入矩阵的长和宽进行拓展，反卷积作为卷积的逆操作，其输入输出尺寸变换原则为：若(o+2p‑k)％s＝0，则反卷积后输出图像尺寸o＝s(i‑1)‑2p+k；若(o+2p‑k)％s≠0，则反卷积后输出图像尺寸o＝s(i‑1)‑2p+k+1；其中，i表示输入矩阵尺寸，o表示输出矩阵尺寸，k表示卷积核大小，d表示卷积核数量，s表示步长，p表示反卷积过程中的填充参数；所述判别器D的结构为四个串联的卷积层连接一个全连接层，用来估计样本数据来自真实训练数据还是生成器的模型，即进行二分类任务，最后一层输出为一个元素，输出结果为0到1之间的数值，其中0表示数据来源于生成器的生成图像，1表示数据来源于真实图像样本；判别器的最后一层使用Sigmoid函数作为分类函数，其表达式为：所述各层之间的激活函数使用PReLU函数，表达式为：fPReLU(x)＝max(αx,x)其一阶导函数的表达式为：其中参数α随着网络的训练而改变能够更好地适应网络，加速网络收敛；步骤3、训练及生成声呐图像：将训练集数据输入生成对抗网络训练，训练结束后生成与真实图像结构相似的声呐图像为合成数据；2CN113688941A权利要求书2/2页步骤4：将合成数据加入原训练集中对原来小样本情况下的声呐图像训练集样本进行扩充增加得到样本扩充后的声呐图像数据集；步骤5：以样本扩充后的声呐图像数据集对经典网络结构进行训练，并观测训练过程中训练集的损失变化曲线以及验证集的识别准确率变化曲线，若训练集损失逐渐减小，网络对验证集的分类准确率不断上升，最终趋于稳定，表明训练完成后的网络结构能够对声呐图像数据进行正确分类；若曲线变化未达到预期，需重新训练网络；步骤6：以步骤5训练后的经典网络结构对原声呐图像数据集中的测试集样本进行分类与识别；完成对小样本声呐图像分类识别的优化后，根据真实样本生成更多声呐图像作为训练集，使网络结构能够得到充分训练，从而在真实测试集样本上识别更加准确。2.根据权利要求1所述基于生成对抗网络的小样本声呐图像分类识别优化方法，其特征在于：所述步骤3的训练过程为：步骤1)：生成器模型首先产生随机噪声，经过全连接层和像素值规范化之后，转化为矩阵输入反卷积层中，利用批次标准化操作和激活函数对特征值进行归一化，提高网络收敛的稳定性，然后通过反卷积操作扩充矩