CN115761467B 一种基于高低频特征差分金字塔神经网络的水下目标检测方法 （大连海事大学）

一种基于高低频特征差分金字塔神经网络本发明提供一种基于高低频特征差分金字支网络提取的特征中的4个中间特征层进行拼接合后的输出结果实现对水下图像不同尺度目标2获取水下图像数据，并对获取的水下图像数据进行预处理分别抽取高低频双分支网络提取的特征中的4个中间特征层进行拼接以及残差减法的对双分支多尺度特征金字塔进行特征融合，构造多尺度输出特征图2.根据权利要求1所述的基于高低频特征差分金字塔神经网络的水下目标检测方法，预处理操作：将获取的水下图像数据作为原始图像，对原始图像进小波变换操作：通过小波变换分解算法，将预处理后的每张原3.根据权利要求2所述的基于高低频特征差分金字塔神经网络的水下目标检测方法，将高频图像和低频图像输入到两个权值共享的ResNet50网继续经过1个Conv块以及3个Identity块后，提取此时的中间特征继续经过1个Conv块以及5个Identity块后，提取此时的中间特征继续经过1个Conv块以及2个Identity块后，提取此时的中间特4.根据权利要求3所述的基于高低频特征差分金字塔神经网络的水下目标检测方法，其特征在于，所述分别抽取高低频双分支网络提取的特征中的4个中间特征层进行拼接以分别对第一高频分支中间特征层和第一低频分支中间分别对第一高频分支中间特征层和第一低频分支中间35.根据权利要求4所述的基于高低频特征差分金字塔神经网络的水下目标检测方法，基于所述第一分支四尺度特征金字塔和第二分支四尺度特征金字基于所述第一分支四尺度特征金字塔和第二分支四尺度特征金字6.根据权利要求1所述的基于高低频特征差分金字塔神经网络的水下目标检测方法，确定高低频特征差分金字塔神经网络模型，将训练集图像输水下图像目标预测矩形框位置与带有标记的水下图像目标矩形框位置之间的映射关系,初确定高低频特征差分金字塔神经网络模型的损失函数，将检注的矩形框的交集与并集的比值取对数后再征差分金字塔神经网络模型实际水下目标检测输出矩形形框与训练集中标注的目标框的高低频特征差分金字塔神经网络模型训练完毕后，将水位置与测试集中标注的目标矩形框位置的交互比数值以及测试高低频特征差分金字塔神将待进行水下目标检测的图像数据输入高低频特征差分金字塔神经自行计算而得到的与输入的水下目标候选框位置交互比以及网络模型评4学习的水下目标检测技术通过深层网络学习映射关系实现对水下目标的类别识别与位置[0009]分别抽取高低频双分支网络提取的特征中的4个中间特征层进行拼接以及残差减征融合后的输出结果实现对水下图像不同尺度5[0020]进一步地，所述分别抽取高低频双分支网络提取的特征中的4个中间特征层进行特征层和第二低频分支中间特征层、第三高频分支中间特征层和第三低频分支中间特征层、第四高频分支中间特征层和第四低频分支中间特征层进行拼接操作和1×1卷积操作，特征层和第二低频分支中间特征层、第三高频分支中间特征层和第三低频分支中间特征6原始水下图像目标预测矩形框位置与带有标记的水下图像目标矩形框位置之间的映射关本标注的矩形框的交集与并集的比值取对数后再取负值(IOUloss)作频特征差分金字塔神经网络模型实际水下目标检测输出矩形形框与训练集中标注的目标形框位置与测试集中标注的目标矩形框位置的交互比损失函数值以及测试高低频特征差模型自行计算而得到的与输入的水下目标候选框位置交互比损失函数值以及网络模型评[0043]图1为本发明基于高低频特征差分金字塔神经网络的水下目标检测方法流程示意[0046]图4为本发明实施例提供的一种差分构造双分支特征金字塔网络并进行特征融合7征的空间位置关系。应当理解的是，空间相对术语旨在包含除了器件在图中所描述的方位且对这里所使用的空间相对描述作出相应解释。[0055]如图1所示，本发明提供了一种基于高低频特征差分金字塔神经网络的水下目标8[0058]S3、分别抽取高低频双分支网络提取的特征中的4个中间特征层进行拼接以及残道获得。对获取的水下图像首先做裁剪，即通过直接拉伸的方式对原始图像进行整形9网络提取的特征中的4个中间特征层进行拼接以及残差减法的差分操作，构造双分支多尺征层、第四高频分支中间特征层和第四低频分支中间特征层进行拼接操作和1×1卷积操特征层和第二低频分支中间特征层、第三高频分支中间特征层和第三低频分支中间特征(Concatenate)操作来联结两个中间特征层，此操作可以在指定维度上对两个中间特征层此同时多尺度的特征图又可以增加不同尺寸大小目标的检之间的映射关系具体表现为该网络中的所有参数可在训练的过程中节出的效果有利于实现对多尺度水下目标检测[0089]本实施例选择的分类损失采用交叉熵损失(CEloss)，对[0090]本实施例选择的回归损失是交并比(IOU)损失函数，其中IOU指的是“预测边框[0092]即IOU相当于两个区域交叉的部分除以两个区域的并集部分得到的结果。当系统据探索原始水下图像目标预测矩形框位置与带有标记的水下图像目标矩形框位置之间的较高低频特征差分金字塔神经网络模型实际水下目标检测输出矩形形框与训练集中标注[0100]需要说明的是，以上步骤为当前人工智能领域中判断网位置与测试集中标注的目标矩形框位置的交互比数值以及测试高低频特征差分金字塔神[0103]本实施例将输出图像的预测目标类别及候选框位置坐标与人工标注的实际目标测试网络模型评价指标mAP均高于60时，认为该网络模型已具备了对水下图像多尺度目标模型自行计算而得到的与输入的水下目标候选框位置交互比以及网络模型评价指标的结接观察网络内部参数来判断，只能够通过观察步骤S5中判断交并比(IOU)损失函数曲线以及测试网络模型评价指标mAP来侧面认定网络模型的水下目标检测能力。因此，当交