基于CSLS-CycleGAN的侧扫声纳水下目标图像样本扩增法

源自：系统工程与电子技术

作者：汤寓麟, 王黎明, 余德荧, 李厚朴, 刘敏, 张卫东

“人工智能技术与咨询”  发布

摘 要

针对侧扫声纳水下目标图像稀缺，获取难度大、成本高，导致基于深度学习的目标检测模型性能差的问题，结合光学域类目标数据集丰富的现状，提出一种基于通道和空间注意力(channel and spatial attention, CSA)模块、最小二乘生成对抗生成网络(least squares generative adversarial networks, LSGAN)及循环对抗生成网络(cycle generative adversarial networks, CycleGAN)的侧扫声纳水下目标图像样本扩增方法。首先，受CycleGAN的启发，设计基于循环一致性的单循环网络结构，保证模型的训练效率。然后，在生成器中融合CSA模块，减少信息弥散的同时增强跨纬度交互。最后，设计了基于LSGAN的损失函数，提高生成图像质量的同时提高训练稳定性。在船舶光学域数据集与侧扫声纳沉船数据集上进行实验，所提方法实现了光学-侧扫声纳样本间信息的高效、稳健转换以及大量侧扫声纳目标样本的扩增。同时，基于本文生成样本训练后的检测模型进行了水下目标检测，结果表明，使用本文样本扩增数据训练后的模型在少样本沉船目标检测的平均准确率达到了84.71%，证明了所提方法实现了零样本和小样本水下强代表性目标样本的高质量扩增，并为高性能水下目标检测模型构建提供了一种新的途径。

关键词

样本扩增, 侧扫声纳, 循环生成对抗网络, 通道和空间注意力模块, 最小二乘生成对抗网络

引言

1 CSLS-CycleGAN

图1   CSLS-CycleGAN结构图

图2   网络中生成器的结构图

2 实验

3 结论

针对侧扫声纳水下目标图像稀缺、获取难度大、成本高导致基于深度学习的目标检测模型性能差的问题, 本文结合光学域类目标数据集丰富的优势, 提出了一种基于CSLS-CycleGAN的水下目标侧扫声纳图像样本扩增方法, 设计了单循环一致性的网络结构, 保证模型的训练效率以及任务的专注度; 在生成器中融合CSA模块, 减少信息弥散的同时增强跨纬度交互, 在学习全局特征的同时关注目标的细粒度特征; 设计了基于LSGAN的损失函数, 提高生成图像质量的同时提高训练稳定性, 避免模式崩溃的情况。通过光学域船舶图像与侧扫声纳图像进行实验, 实现了目标光学图像与侧扫声纳图像的双域转化, 生成的侧扫声纳水下目标图像清晰度高、细节特征完整、真实感强, 达到了少样本的样本高质量扩增的目的, 很大程度上解决了基于深度学习的水下目标检测模型数据匮乏的问题, 提升了模型的检测精度, 为水下强代表性目标样本扩增以及高性能水下目标检测模型构建提供了一种新的思路。

“人工智能技术与咨询”  发布