侧扫声呐识别沉船影像的迁移学习卷积神经网络法
侧扫声呐海底沉船图像识别是水下障碍物核查和失事船只搜救中的一项重要工作.针对传统侧扫声呐图像人工判读存在效率低、耗时长、资源消耗大及主观不确定性强和过分依赖经验等问题,本文尝试引入卷积神经网络的方法,同时考虑到侧扫声呐沉船图像属于小样本数据集,提出一种基于迁移学习的卷积神经网络侧扫声呐沉船图像自动识别方法.通过归一化处理、图像增强等方式扩充样本数据,并以4:1的比例划分训练集和测试集,同时参照经典VGG-16模型,根据侧扫声呐沉船数据集特点设计了改进的模型,然后将在Ima geNet图像数据集上训练好的改进模型在小样本侧扫声呐沉船数据集上采用冻结和训练、微调两种迁移学习方式进行学习和试验,并与全新学习进行比较分析,结果表明,3种方法对侧扫声呐沉船图像识别的准确率分别为93.71％、84.49％ 和90.58％,其中第1种迁移学习方法准确率最高,模型收敛速度最快,且AP值最高为92.45％,分别比第2种迁移学习方法和全新学习高了8.06％ 和3.06％,在提高模型的识别能力和训练效率方面效果更佳,验证了该方法的有效性与可行性,具有一定实际指导意义.
侧扫声呐海底沉船、图像识别、迁移学习、卷积神经网络、VGG-16
50
P227(大地测量学)
国家自然科学基金41876103;41576105
2021-03-15（万方平台首次上网日期，不代表论文的发表时间）
共10页
260-269
