一种基于弱监督学习的声图小目标快速检测方法*

徐利刚 朱可卿 韦琳哲 王 朋

(1 海装驻无锡地区军代室 无锡 214061)

(2 中国科学院声学研究所 北京 100190)

(3 中国科学院大学 北京 100049)

0 引言

水下图像中小目标的自动检测一直以来是声图解译领域所研究的重要课题，其成果可应用于许多水下探查任务中，包括海底打捞、小目标探测、管线追踪等。文献[1]中，目前较为先进的深度学习框架YOLO 被用于声呐图像的小目标检测，通过大量的训练迭代，取得了较好的检测效果。然而在水下应用场景中，数据的获取往往需要耗费较多的时间和财力。在某些自主检测应用场景下，无论人工辅助判读还是计算机的算力，都受到了一定程度的限制。同时，由于目前对目标先验知识和抵近目标观察手段的缺少，目标的确认十分困难。在大多数情况下，研究人员所掌握的数据集相对较小，标注也不完善，很难对监督学习算法模型进行有效的训练。在这种条件下，无监督或弱监督学习方法则更为适用。Klausner 等[2]讨论了一种通过对海底散射建模，来预测水下目标是否存在的方法。Wang 等[3]将行人检测领域中的方向梯度直方图(Histogram of oriented gradient,HOG)和支持向量机(Support vector machine,SVM)用于水下目标的检测。Williams[4]通过一组模板提取目标的阴影，并根据阴影的特征进行决策。Kim 等[5]基于自适应增强算法实现了基于声图的实时水下目标检测。Ma 等[6]利用最小二乘支持向量机方法降低了侧扫声图人工目标检测的虚警率。针对掩埋线缆目标的识别问题，Maussang 等[7]提出了局部统计参数融合的思想。在合成孔径声呐图像中，目标的阴影与高亮区域也是目标识别的重要特征[8]。……