【技术实现步骤摘要】
本专利技术属于遥感探测，具体涉及一种基于目标背景因果纠偏学习的海上目标识别方法及系统。
技术介绍
1、海上目标识别技术在海洋安全、海事监管、海洋环境保护等领域具有重要意义。通过识别海上目标，可以有效监测海上活动，预防和处理海上事故，维护海洋权益。近年来海上目标识别技术已经取得了显著进展，但复杂的海洋环境，如波浪、天气变化和其他干扰，导致识别结果具有较高的不稳定性。
2、现有的海上目标识别技术中，基于深度学习的方法已成为主流，广泛应用于海上目标识别。此类方法通过一系列功能不同的网络层，提取输入图像中不同层次的特征，并通过降采样减少特征图的尺寸，提高模型的计算效率和鲁棒性，最终将提取到的特征进行整合，输出目标的分类结果，整个过程具备相当程度的高效性和准确性。
3、尽管现有基于深度学习的海上目标识别技术已经取得了显著进展，但此类方法在特征提取过程中对前景(即目标)和背景(即图像中目标之外的组成部分)的学习是不加区分的，因此海上目标图像中包括波浪、天气变化、建筑、山脉等在内的背景会干扰本应关注目标本体的特征提取过程，导致已有方法的学习过程出现偏差，故在所提取特征的有效性、鲁棒性方面存在不足，限制了海上目标识别性能的进一步发展。
技术实现思路
1、本专利技术的目的在于提供一种海上目标识别方案，基于目标背景因果纠偏学习来识别海上目标，提高海上目标识别的准确性。
2、本专利技术实现上述目的采用如下的技术方案。
3、一种基于目标背景因果纠偏学习的海上
4、对海上目标区域进行探测，获取海上图像数据集；
5、利用两种深度神经网络对海上图像数据集进行图像特征提取和图像语义激活；
6、基于因果干预理论的特征校准方法对提取的图像特征和激活的图像语义进行融合，消除图像中背景噪声，获得目标特征语义；
7、基于深度学习对目标特征语义进行识别和分类，输出目标类别的分类结果。
8、优选地，对海上目标区域进行光学或雷达探测，获取海上光学图像或海上雷达图像。
9、优选地，海上图像数据集记为其中表示获取的海上图像，yi表示海上图像的类别标签，表示实数集，w,h,c分别表示输入图像的长、宽和通道个数，n表示海上图像数量。
10、优选地，通过两种预训练的resnet50模型进行特征提取和语义激活，特征提取表示为fsem(x)，语义激活表示为fsam(x)，其中x表示获取的海上图像；分别表示预训练的resnet50模型的特征映射函数，表示实数集，n,nc分别表示输出的空间维度和通道维度，w,h,c分别表示输入图像的长、宽和通道个数。
11、优选地，对提取的图像特征和激活的图像语义进行融合的式子表示为：
12、
13、其中，fsem(xi)表示提取的图像特征，fsam(xi)表示激活的图像语义。
14、优选地，采用全连接网络作为分类器。
15、优选地，基于深度学习进行特征识别和分类的式子表示为：
16、
17、其中，c表示将接收到的特征映射映射为目标类别的概率函数，表示实数集，n,nc分别表示输出的空间维度和通道维度，k表示概率分布。
18、优选地，深度学习过程为优化如下损失函数：
19、
20、其中，为指示函数；ci(·),cj(·)分别为全连接网络输出的第i个和第j个维度，n表示样本总数，log底数取e。
21、一种基于目标背景因果纠偏学习的海上目标识别系统，包括海上图像采集设备和数据处理器，数据处理器包括图像特征提取模块、图像语义激活模块、因果特征干预模块和目标类别决策模块，海上图像采集设备与数据处理器的图像特征提取模块和图像语义激活模块连接，图像特征提取模块和图像语义激活模块与因果特征干预模块连接，因果特征干预模块与目标类别决策模块连接；
22、其中，海上图像采集设备负责对海上目标区域进行探测，获取海上图像数据集；
23、图像特征提取模块负责对海上图像数据集进行图像特征提取；
24、图像语义激活模块负责对海上图像数据集进行图像语义激活；
25、因果特征干预模块负责基于因果干预的特征校准方法对提取的图像特征和激活的图像语义进行融合，消除图像中背景噪声，获得目标特征语义；
26、目标类别决策模块负责基于深度学习对目标特征语义进行识别和分类，输出目标类别的分类结果。
27、优选地，所述海上图像采集设备为光学网络摄像机或雷达传感器。
28、优选地，所述数据处理器为计算机或嵌入式主板。
29、优选地，所述图像特征提取模块和图像语义激活模块均为resnet50预训练模，基于深度学习方法。
30、本专利技术的技术方案取得的有益效果包括：本专利技术基于因果干预理论的特征校准方法，能够精准滤除特征提取结果中的背景语义。相比常规海上目标识别方法，引入了因果干预来建模并消除图像中背景对深度学习模型特征提取所带来的负面影响，使模型关注提取目标本身的特征信息，提高了提取特征的可判别性，能够获得更加优越的目标识别精准度和鲁棒性。同时，数据处理器可以为嵌入式主板，能够搭建在多种智能监控设备上，使得该系统具有易于实现、低复杂度、适应性广、即插即用等特点。
本文档来自技高网...【技术保护点】
1.一种基于目标背景因果纠偏学习的海上目标识别方法，其特征在于，包括以下步骤：
2.如权利要求1所述的方法，其特征在于，对海上目标区域进行光学或雷达探测，获取海上光学图像或海上雷达图像。
3.如权利要求1所述的方法，其特征在于，海上图像数据集记为其中表示获取的海上图像，yi表示海上图像的类别标签，表示实数集，w,h,c分别表示输入图像的长、宽和通道个数，N表示海上图像数量。
4.如权利要求1所述的方法，其特征在于，通过两种预训练的ResNet50模型进行特征提取和语义激活，特征提取表示为fsem(x)，语义激活表示为fsam(x)，其中x表示获取的海上图像；分别表示预训练的ResNet50模型的特征映射函数，表示实数集，n,nc分别表示输出的空间维度和通道维度，w,h,c分别表示输入图像的长、宽和通道个数。
5.如权利要求4所述的方法，其特征在于，对提取的图像特征和激活的图像语义进行融合的式子表示为：
6.如权利要求1所述的方法，其特征在于，采用全连接网络作为分类器。
7.如权利要求5所述的方法，其特征在于，
8.如权利要求7所述的方法，其特征在于，深度学习过程为优化如下损失函数：
9.一种基于目标背景因果纠偏学习的海上目标识别系统，用于实现权利要求1-8任一项所述的方法，其特征在于，包括海上图像采集设备和数据处理器，数据处理器包括图像特征提取模块、图像语义激活模块、因果特征干预模块和目标类别决策模块，海上图像采集设备与数据处理器的图像特征提取模块和图像语义激活模块连接，图像特征提取模块和图像语义激活模块与因果特征干预模块连接，因果特征干预模块与目标类别决策模块连接；
10.如权利要求9所述的系统，其特征在于，所述海上图像采集设备为光学网络摄像机或雷达传感器；所述数据处理器为计算机或嵌入式主板；所述图像特征提取模块和图像语义激活模块均为ResNet50预训练模，基于深度学习方法。
...【技术特征摘要】
1.一种基于目标背景因果纠偏学习的海上目标识别方法，其特征在于，包括以下步骤：
2.如权利要求1所述的方法，其特征在于，对海上目标区域进行光学或雷达探测，获取海上光学图像或海上雷达图像。
3.如权利要求1所述的方法，其特征在于，海上图像数据集记为其中表示获取的海上图像，yi表示海上图像的类别标签，表示实数集，w,h,c分别表示输入图像的长、宽和通道个数，n表示海上图像数量。
4.如权利要求1所述的方法，其特征在于，通过两种预训练的resnet50模型进行特征提取和语义激活，特征提取表示为fsem(x)，语义激活表示为fsam(x)，其中x表示获取的海上图像；分别表示预训练的resnet50模型的特征映射函数，表示实数集，n,nc分别表示输出的空间维度和通道维度，w,h,c分别表示输入图像的长、宽和通道个数。
5.如权利要求4所述的方法，其特征在于，对提取的图像特征和激活的图像语义进行融合的式子表示为：
6.如...
【专利技术属性】
技术研发人员：司凌宇，董洪伟，张睿恒，强文文，
申请(专利权)人：中国科学院软件研究所，
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。