[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

说明书

本发明提供了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，包括：构建基于Cascade‑RCNN的小样本目标检测模型；预训练数据集；利用预训练数据集对小样本目标检测模型进行预训练，获得小样本目标检测模型的预训练权重θ′；构建待检测的目标数据集；将目标数据集划分为有标记的支持集和无标记的查询集；对目标数据集进行预处理；对小样本目标检测模型进行微调，得到最终训练完成的小样本目标检测模型；采用基于TPE的贝叶斯优化模型对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；输入预处理后的查询集至优化后的目标检测模型，得到目标检测结果。本发明实现了不依赖于大样本、可以自动调节超参数的目标检测。

技术领域

本发明涉及水下目标检测领域，尤其涉及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。

背景技术

目标检测是计算机视觉的重要任务之一，其包括了分类和回归两类任务，目的在于根据图像信息得到目标物体的分类信息以及位置信息。目标检测算法对图像进行识别与检测后输出一系列矩形框和分类信息。现在，深度学习成为了目标检测任务中研究者使用最主要的算法。

深度学习使用数据自动学习如何进行深度特征提取而不是由开发者手动进行。因此，深度学习在计算机视觉、自然语言处理等领域表现出了十分优秀的性能。在目标检测领域，基于深度学习的VGG-16、YOLO、SSD、Faster-RCNN等方法成为现在研究的主流。深度学习对数据的数量和质量要求都非常高。然而，在水下声呐任务中，由于物理条件的限制，很多时候只能获得很少的数据，甚至无法获得高质量数据。因此，小样本机器学习成为学者研究的重点。小样本机器学习的主要难点在于小样本数据分布的复杂性，如类间重叠、小析取问题、缺少代表性数据等问题。

小样本机器学习主要有以下两种思路：(1)迁移；(2)匹配(度量)；(3)数据增强。迁移就是将在其他任务中开发出来的模型应用到小样本数据集上，将在相似任务上训练好的模型参数作为新数据集的预训练，再采用小样本数据集对模型进行微调。而匹配则是度量待检测图像与样本图像的相似度，从而得出目标物体的分类与位置的一种方法。而数据增强则是使用多种方法直接增加样本量。

传统的机器学习算法需要研究者手动调节参数，较为不方便。而自动机器学习技术可以摆脱对专家经验的依赖，使用有限的计算资源提升模型的性能。以下是自动机器学习在CASH问题上几种主要的方法：

(1)网格搜索：网格搜索将连续超参数离散化，构成的搜索空间为n个离散化超参数的笛卡尔积空间。网格搜索在使用时需要遍历所有参数组合，选择其中表现最优的一组。

(2)随机搜索：随机搜索与网格搜索同为非模型方法，但随机搜索只在参数空间随机抽取固定数量的参数组合，从中选择性能最优的一组。

(3)进化算法：进化算法通过种群之间的信息交换和进化等方式获得最优的超参数配置，主要包括遗传算法和粒子群优化算法。

(4)贝叶斯优化：贝叶斯优化是一种基于贝叶斯理论的优化模型，它可以根据先验知识来决定下一个待评估的超参数配置。

在小样本数据环境下，机器学习决策模型的性能对算法选择和其超参数取值更加敏感。对于高维的参数空间，通过基于模型的方法分析各个超参数对目标函数的相关性，识别有效的、影响较大的超参数，并进行重点优化，实现对高维超参数空间的降维。对于层次型空间关系复杂的问题，如果子节点的重要性大于根节点，则将子节点替换根节点继续优化其自身超参数，考虑到当前最优解不一定重要性最高，因此在最优解中的子节点也需考虑；如果子节点重要性小于根节点，则继续优化根节点，从而最大限度的保留潜力空间，删除不必要的子空间，实现高维层次型空间的缩减。

发明内容

有鉴于此，针对以上技术问题，本发明提供了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，具体包括以下步骤：

S101：构建基于Cascade-RCNN的小样本目标检测模型；