论文总字数：31250字

摘 要

基于主动学习的声呐图像目标识别是计算机视觉、机器学习、海洋学、水声信号学等多领域学科交叉的一个极具挑战性的课题。由于带标注的声呐图像极难获得，因此本课题的主要任务是在声呐图像数据集上利用尽可能少的标记训练出一个达到理想精度的目标识别模型。

本文针对此问题进行研究，将主动学习与YOLO目标识别模型相结合，提出了一个基于主动学习的声呐图像目标识别框架。其中，在主动学习模块，本文实现了基于分类不确定性的样本选择算法，并对此算法做出了改进。另外，本文提出了一种基于数据增强一致性的样本选择算法。实验结果表明，这三种主动学习算法相较于随机选择样本算法而言，在模型稳定之前，使用相同数量的标记样本能使模型达到更高的精度；改进后的基于分类不确定性的样本选择算法比原算法具有更优的性能；本文提出的基于数据增强一致性的样本选择算法性能在这三种主动学习算法中性能最优，最高能比随机选择节省72.6%的样本。

关键词：主动学习，目标识别，深度学习，声呐图像

Abstract

In the field of computer vision, machine learning, oceanography, underwater acoustic signal, object recognition of sonar image based on active learning is a very challenging cross topic. Because it is very difficult to obtain labeled sonar images, the main task of this paper is to train an object recognition model with ideal accuracy by using as few tags as possible on the sonar image dataset.

This paper studies this problem, combines active learning with YOLO object recognition model, and proposes a sonar image object recognition framework based on active learning. In the active learning module, this paper implements and improves the sample selection algorithm based on classification uncertainty. In addition, a sample selection algorithm is proposed based on the consistency of data augmentation. The experimental results show that compared with the random sample selection algorithm, the three active learning algorithms can achieve higher accuracy by using the same number of labeled samples before the model is stable. The improved sample selection algorithm based on classification uncertainty works better than the original algorithm. In this paper, the performance of the proposed sample selection algorithm based on the consistency of data augmentation is the best among the three active learning algorithms, which can save up to 72.6% of samples compared with random selection.

Keywords: active learning, target recognition, deep learning, sonar image

目 录

摘要 ……………………………………………………………………………………………Ⅰ

Abstract …………………………………………………………………………………… Ⅱ

第一章 绪论 1

1.1 研究背景及意义 1

1.2 国内外研究现状 2

1.2.1 声呐图像目标识别技术 2

1.2.2 主动学习算法 2

1.1 本文工作及创新点 3

1.2 本文组织结构 4

第二章 目标识别算法相关理论 5

2.1 目标识别领域基本概念 5

2.1.1 交并比（IoU） 5

2.1.2 非极大值抑制（NMS） 5

2.2 基于深度学习的目标识别 6

2.3 YOLO算法 8

2.3.1 YOLOv1 8

2.3.2 YOLOv2 9

2.3.3 YOLOv3 10

第三章 主动学习算法相关理论 13

3.1 主动学习介绍 13

3.2 初始样本选择 15

3.3 样本选择策略 16

3.3.1 基于分类不确定性 16

3.3.2 改进的基于分类不确定性 17

3.3.3 基于数据增强一致性 17

3.4 基于主动学习的声呐图像目标识别框架 20

第四章 实验 23

4.1 数据集描述 23

4.1.1 原数据集描述 23

4.1.2 数据增强 24

4.1.3 数据集划分 26

4.2 评价指标 26

4.2.1 mAP 27

4.2.2 average IoU 27

4.2.3 节省标记样本比例 28

4.3 实验设置 28

4.4 实验结论及分析 28

4.5 小结 31

第五章 总结与展望 33

5.1 总结 33

5.2 展望 33

参考文献 36

致谢 38

第一章 绪论

1.1 研究背景及意义

水下目标识别技术拥有十分广阔的应用场景，如海洋生物的定位、分类与跟踪，尸体、沉船、飞机残骸等物体的打捞，海洋环境探测等，也多用于军事方面，如潜艇、鱼雷、蛙人等军事目标的识别，具有很高的研究价值。

传统的目标识别技术是基于光学图像进行识别的，光学图像是采用光学摄影系统获取的以感光胶片为介质的图像，但由于光波在水中存在散射、被介质吸收等现象，会造成较大的损耗，所以在水下目标识别领域一般不采用传统的光学图像。而声波在水中传播具有损耗少、传播距离远的优点，所以声呐图像是水下目标识别的主要手段。

深度学习是一种使用多层网络结构以习得目标更抽象、本质的特征的机器学习模式。相对于浅层学习来说，由于网络结构更为复杂，深度学习更加有利于目标识别任务。当输入训练数据时，深度学习利用其网络结构特性，逐层提取输入数据的特征，从而使目标识别中的分类和定位任务的准确性得到较大的提升。近年来，深度学习在计算机视觉领域取得了重大突破，得到了广泛的应用。

剩余内容已隐藏，请支付后下载全文，论文总字数：31250字