基于CSLS-CycleGAN的侧扫声纳水下目标图像样本扩增法 |
| |
引用本文: | 汤寓麟,王黎明,余德荧,李厚朴,刘敏,张卫东.基于CSLS-CycleGAN的侧扫声纳水下目标图像样本扩增法[J].系统工程与电子技术,2024(5):1514-1524. |
| |
作者姓名: | 汤寓麟 王黎明 余德荧 李厚朴 刘敏 张卫东 |
| |
作者单位: | 1. 海军工程大学电气工程学院;2. 中国人民解放军91001部队 |
| |
基金项目: | 国家优秀青年科学基金(42122025);;国家自然科学基金(41974005,41971416,42074074);;湖北省杰出青年科学基金(2019CFA086)资助课题; |
| |
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...
|
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 |
|
|