Page 66 - 《应用声学》2020年第3期

第 39 卷 第 3 期 Vol. 39, No. 3
2020 年 5 月 Journal of Applied Acoustics May, 2020

⋄ 研究报告 ⋄

一种基于弱监督学习的声图小目标快速检测方法 ∗

徐利刚 1 朱可卿 2,3 韦琳哲 2† 王 朋 2

(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)

摘要：小目标检测是声呐图像理解中最引人瞩目，同时又极具挑战性的任务之一。该文基于离散余弦变换和
K-近邻聚类，提出了一种快速检测方法。离散余弦变换用于生成图像的指纹，是原始图像在二维频域的一种稀
疏表达；改进的 K-近邻模型对于带有标签数据的需求量相对较低，提升了算法的处理效率和对弱监督场景的
适应性。经试验验证，该方法可在准确率和召回率之间达到一个恰当的平衡点，同时在实时成像的合成孔径声
呐图像小目标检测中，获得了较为可靠的结果。
关键词：小目标检测；合成孔径声呐成像；弱监督学习；离散余弦变换；K-近邻
中图法分类号: TP391.41 文献标识码: A 文章编号: 1000-310X(2020)03-0386-09
DOI: 10.11684/j.issn.1000-310X.2020.03.010

A fast weak supervised detection method of small objects in sonar imagery

XU Ligang 1 ZHU Keqing 2,3 WEI Linzhe 2 WANG Peng 2

(1 The Navy’s Wuxi Military Representative Office, Wuxi 214061, China)
(2 Institute of Acoustics, Chinese Academy of Sciences, Beijing 100190, China)
(3 University of Chinese Academy of Sciences, Beijing 100049, China)

Abstract: Detection of small objects is one of the most attractive and challenging tasks in the comprehension
of sonar imagery. In the paper, a fast detection method is presented under a framework of discrete cosine
transform (DCT) and K-nearest neighbor (KNN) clustering. DCT is used in the generation of image fingerprint,
which contributes a certain spectral sparseness to the original image; and the modified KNN model provides
efficiency with a relatively low demand of labeled data. It is shown in a series of experiments that the method
we proposed can reach a compromise of precision and recall rate, and achieve considerably reliable detection
result on synthetic aperture sonar (SAS) images in real time imaging.
Keywords: Small object detection; Synthetic aperture sonar imagery; Weak-supervised; Discrete cosine trans-
form; K-nearest neighbor

2019-07-08 收稿; 2019-11-28 定稿
中国科学院青年创新促进会项目
∗
作者简介: 徐利刚 (1985– ), 男, 江苏人, 博士, 工程师, 研究方向: 主被动声呐、水声信号处理等。
† 通信作者 E-mail: gman200619003@126.com