[发明专利]基于主动深度学习的水下目标识别方法

说明书

本发明公开了一种基于主动深度学习的水下目标识别方法，包括如下步骤：1、对声呐信号原始数据进行预处理，并将其划分为备选集和测试集；2、从步骤1中划分的备选集中，选择一部分数据，标注后从备选集移动到训练集，作为初始训练数据；3、使用训练集中的数据训练CNN模型，并在训练完成时记录模型性能；4、在剩余的备选集中，按照主动学习策略，挑选一定数量的数据，标注后移动到训练集；5、重复步骤3和4，直至备选集中的所有数据都加入训练集；6、模型训练结束，根据每步记录的模型性能，得出模型性能随训练数据量的变化关系。本发明在相关任务中有显著的降低数据标注成本、提升数据标注效率的作用。

技术领域：

本发明涉及一种基于主动深度学习的水下目标识别方法，属于数字信号处理和海洋学的交叉领域。

背景技术：

通过声呐回波可以快速、便捷地判断水下物体的位置、类型等情况，也可以使用声呐与其它舰船进行通信。声呐系统现已被军用和民用舰船广泛采用，在军用领域，装备了声呐的舰船和潜艇，配合水下目标检测技术可以迅速、有效地识别敌方舰艇，提高海军作战能力；在民用方面，远洋渔业、考古作业、沉船打捞等工作都广泛使用声呐来提高工作效率。

在实际应用上，由于海洋环境的复杂和操作条件的变化，以及各种噪声的存在，识别算法的性能和效率的提升工作十分具有挑战性。传统的分类识别算法，多采用数学建模或人工构造特征的方法，这类方法在复杂的海洋环境中的泛化性能较弱，其数据处理效率也难以达到要求。随着深度学习技术的快速发展，将神经网络运用在水下目标识别方面的研究也取得了不错的成果，其在对声呐回波和声呐图像进行识别分类的任务中，相比传统识别算法，不仅有更高的准确率和更好的泛化性能，还大大提高了数据处理效率。

在水下目标识别领域，获取足够多的高质量标注的训练数据往往比较困难。声呐信号数据的标记工作通常需要较多的专业知识储备和大量训练的经验积累，且进行数据标注的时间代价也较大，因此声呐数据的人工标注的成本很高。数据标注成本过高，或者数据标注的效率过低等问题也常常成为相关研究开展的瓶颈。

因为上述问题的存在，主动学习技术被引入水下目标识别领域。主动学习技术是指在机器学习过程中，通过特定的采样策略，迭代地选择未标注的数据集中的一部分数据送由专家进行标记，再将标记后的数据添加到训练集中进行训练并更新模型的方法。由于主动学习中采样策略的存在，选择出的供专家进行标注的数据是不确定性较高、信息量较大的数据，因而对当前模型的性能提升较大。

发明内容

针对水下目标识别领域存在的数据标注成本过高、效率过低的问题，本发明提出了一种基于主动深度学习的水下目标识别方法。通过将主动学习样例选择策略与深度学习模型的训练相结合，从未标注数据中选择对模型性能提升较大的数据，优先对这部分数据进行标注并将其用于模型训练，将可以较快地提升模型的性能，从而降低相关领域专家的数据标注工作量，提升数据标注效率。

上述目的通过以下技术方法实现：

一种基于主动深度学习的水下目标识别方法，该方法包括如下步骤：

步骤1：对水声信号原始数据进行预处理，并将其划分为备选集和测试集，备选集和测试集为互斥关系。建立初始状态下为空集的训练集。

步骤2：从步骤1中划分的备选集中，选择一部分数据，获取标注后从备选集移动到训练集，作为初始训练数据。

步骤3：使用训练集中的数据训练CNN模型，并在训练完成时记录模型性能。

步骤4：在剩余的备选集中，按照主动学习策略，挑选一定数量的数据，获取标注后移动到训练集。

步骤5：重复步骤3和4，直至备选集中的所有数据都加入训练集。

步骤6：模型训练结束，根据每步记录的模型性能，得出模型性能随训练数据量的增多而增长的变化关系。