Page 71 - 《应用声学》2020年第3期

第 39 卷 第 3 期 徐利刚等： 一种基于弱监督学习的声图小目标快速检测方法 391

50 50 50 50

100 100 100 100
வͯՔ/m 150 வͯՔ/m 150 வͯՔ/m 150 வͯՔ/m 150
200
200
200
200
250 250 250 250
300 300 300 300
350 350 350 350
400
50 100 150 50 100 150 50 100 150 50 100 150
ᡰሏՔ/m ᡰሏՔ/m ᡰሏՔ/m ᡰሏՔ/m
(a) ൤ನవI (b) ൤ನవIᄊᄾಖฌ (c) ൤ನవII (d) ൤ನవIIᄊᄾಖฌ
图 7 两类目标的正样本及其真实标记
Fig. 7 Two positive samples and their ground truth

650 mm 500 mm 400 mm 350 mm
250 mm

300 mm

图 8 布放目标示例
Fig. 8 Examples of counterfeit targets

2.2 检测结果 模型均采用高召回率约束 (即认为 2 ∼ 4 等级目标
采用图 7 中的样本 2(丹江口水库试验数据，包 均为正样本) 进行训练。采用与弱监督学习相关的
含电缆和圆柱体目标)，从中获取15138 个图像块来 工作，HOG和SVM作为对比方法。
训练 KN-GMM，对南中国海试验数据中圆柱体目 算法的精确度(Precision, P) 和召回率(Recall,
标的检测的实例如图9、图10和图11 所示。 R) 可由检测结果和真实标记统计计算得到。连通
借助显著图指导和ROI回归的处理，所有疑似 的正样本图像块被认为是同一个目标。例如图 8 中
区域的目标均被正确标出。下面，使用不同尺寸的、 的样本 1，总共有 5 个正样本。此外，本文还选择了
从不同地点获取的数据集进一步验证算法的鲁棒 F 值(F-measure)作为对算法的整体性评估：
性。采用A、B、C三个试验数据集，分别来自丹江口、 ( )
1 + β 2 PR
千岛湖和南中国海，字母A、B、C后面的数字代表所 F = , β = 1. (10)
2
β P + R
使用的片段编号。数据集被标注为0 ∼ 4等级，代表
5 个渐进的置信度，其中等级 0 代表不存在目标，等 如表 1 所示，本文方法可在数据集较小时获得
级4 代表存在确信的人造目标。在一般场景下，3 个 相对较低的虚警。