【技术实现步骤摘要】
本专利技术属于侧扫声纳图像目标识别与扩增和深度学习，涉及一种基于ddpm-yolo的侧扫声呐图像对抗强化生成方法，通过迭代训练ddpm模型，整合ddpm扩散模型和下游的yolo检索任务到一个相互促进的框架中，提出一种基于ddpm和yolo检测模型的对抗强化训练方法。该方法能够提高侧扫声呐图像扩散模型的生成图质量，为提高水下目标检测模型的构建提供了一种新途径。
技术介绍
1、随着全球海洋开发策略的持续推进，海底地形精确探测的需求日益增长，尤其是在海底目标的识别与探测领域，这对于航海安全、海洋勘察、海上搜救及军事行动等多个领域至关重要。侧扫声呐系统，以其高分辨率的海底声学成像能力，在海底目标识别方面显示出了明显的优势。然而，传统的海底目标识别与探测方法主要依赖于人工判断，这不仅效率低下，耗时长，而且还极度依赖于人的主观判断，暴露出自动化探测方法的重要性。
2、尽管近年来结合机器学习与手工特征分类技术取得了一些进展，但面对复杂的海底环境，这些方法仍显局限，特别是侧扫声呐图像常见的问题如低分辨率、特征匮乏、高噪声及形变等。深度学习技术的应用虽提升了目标检测性能，但高质量训练数据的需求与侧扫声呐图像样本的限制性成为了瓶颈。
3、为了克服这些挑战，本专利技术提出了一种基于去噪扩散概率模型(ddpm)和yolo识别网络的侧扫声呐图像对抗强化生成方法(简称为ddpm-yolo)。通过结合ddpm在样本生成方面的先进能力与yolo网络在目标检测领域的高效性，本方法旨在高效生成大量高质量的侧扫声呐图像，以提高海底目标检测的准
技术实现思路
1、本专利技术的训练结构由去噪扩散概率模型(ddpm)和轻量级易于部署的yolov5识别网络组成，专注于提升侧扫声呐图像数据集在数据量较少情景下的模型性能。
2、基于ddpm-yolo的侧扫声呐图像对抗强化生成方法，步骤如下：
3、步骤一、采集n张侧扫声呐图像构成原始数据集，原始数据集划分为m张测试集、n-m张训练集；对测试集的图像进行数据增强处理，扩增至m0张图像形成第一增强数据集。m0＞m。所述的数据增强处理包括旋转、镜像反转和添加噪声；
4、步骤二、对抗循环训练：训练结构由一个扩散模型和一个yolo识别网络来构成，所述的扩散模型采用ddpm扩散生成器进行训练，yolo识别网络采用yolov5网络模型。
5、步骤1、初始训练阶段：利用第一增强数据集训练ddpm扩散生成器和yolo网络模型，得到初始ddpm扩散生成器和初始yolo网络模型。
6、步骤2、生成增强图像：使用训练得到的初始ddpm扩散生成器生成m1张的增强图像，以进一步扩展训练数据集。
7、步骤3、筛选过程：将步骤2的m1张增强图像输入到初始yolo网络模型进行检测，设置阈值，筛选出m2张图像作为yolo过滤后的图像集。
8、步骤4、再次增强：对这m2张筛选出的图像进行数据增强，扩增至m3张，形成扩散生成数据集。
9、步骤5、循环训练：使用扩散生成数据集与第一增强数据集合并，作为第二增强数据集进行下一轮的对抗循环训练。
10、步骤6、重复步骤1至步骤5，每次迭代通过对抗生成的数据集不断提升模型的检测能力。
11、本专利技术的有益效果：yolov5通过其创新的网络结构设计，在目标检测任务中实现了高效率和高准确度的平衡。通过精心设计的输入与特征提取机制、高效的特征融合层，以及灵活的检测头部配置，能够更加准确的检测出目标，从而达到本实验的筛选目的，为侧扫声呐的目标检测应用提供了强有力的技术支持。
本文档来自技高网...【技术保护点】
1.基于DDPM—YOLO的侧扫声呐图像对抗强化生成方法，其特征在于，步骤如下：
【技术特征摘要】
1.基于ddpm—yolo的侧扫声呐图像...
【专利技术属性】
技术研发人员：金绍华，彭程扬，张威，边刚，崔杨，
申请(专利权)人：中国人民解放军海军大连舰艇学院，
类型：发明
国别省市：
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。