[发明专利]基于小样本机器学习与超参数优化的水下目标检测方法

权利要求书

1.一种基于小样本机器学习与超参数优化的水下目标检测方法，其特征在于：包括以下步骤：

S101：构建基于Cascade-RCNN的小样本目标检测模型；

S102：预训练数据集；所述预训练数据集包括目标检测标准数据集COCO和其他有标记的大型声学图像数据集；

S103：利用所述预训练数据集对小样本目标检测模型进行预训练，获得所述小样本目标检测模型的预训练权重θ′；

S104：构建待检测的目标数据集；将所述目标数据集划分为有标记的支持集和无标记的查询集；

S105：在预处理算法库中选择预处理算法，对目标数据集进行预处理，得到预处理后的目标数据集；

S106：对小样本目标检测模型进行微调，具体为：将预训练权重θ′作为所述小样本目标检测模型的初始化参数，利用预处理后的支持集对小样本目标检测模型进行进一步调整训练，得到最终训练完成的小样本目标检测模型；

步骤S106中，所述训练完成的小样本目标检测模型，其权重参数为：第n-2次、第n-1次和第n次权重参数的平均值再加入斑点噪声后的融合权重，如下式：

W_final＝f((w_n-2+w_n-1+w_n)/3)

式中，n为训练迭代的总次数，n为正整数且n2；w_n为最后一次迭代训练完成后的小样本目标检测模型权重参数；w_n-2为第n-2次迭代训练完成后的小样本目标检测模型权重参数；w_n-1为第n-1次迭代训练完成后的小样本目标检测模型权重参数；f(·)为加入斑点噪声操作；w_final为小样本目标检测模型最终的权重参数；

S107：采用基于TPE的贝叶斯优化模型对所述训练完成的小样本目标检测模型进行超参数优化，得到优化后的小样本目标检测模型；

S108：输入预处理后的查询集至优化后的小样本目标检测模型，得到目标检测结果。

2.如权利要求1所述的一种基于小样本机器学习与超参数优化的水下目标检测方法，其特征在于：步骤S105中，所述预处理算法库包括多种预处理方法，分别为：运动模糊、样本混合、Retinex和斑点噪声。

3.如权利要求1所述的一种基于小样本机器学习与超参数优化的水下目标检测方法，其特征在于：步骤S107具体为：基于TPE的贝叶斯优化模型对所述训练完成的小样本目标检测模型进行超参数评估，并对评估结果进行抽样；根据抽样结果对超参数进行相关性分析，删去重要程度低于预设值的超参数，保留重要程度大于等于预设值的超参数，降低训练完成的小样本目标检测模型的超参数空间维度，得到优化后的小样本目标检测模型。