Page 73 - 《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 393

50
50
வͯՔ/m 100 வͯՔ/m 100

150 150
50 100 150 50 100 150
ᡰሏՔ/m ᡰሏՔ/m
(a) ᣥКನవ (b) ௭ᗃڏ

50
50
வͯՔ/m 100 வͯՔ/m 100

150 150
50 100 150 50 100 150
ᡰሏՔ/m ᡰሏՔ/m
(c) Ꮆηए (d) ᮕ฾ፇ౧

图 11 基于图像指纹和 KN-GMM 的预测结果示例 3
Fig. 11 Example 3 of predictions by image fingerprints and KN-GMM

2.3 算法性能 表 2 本文方法在不同场景下的效果
实时工作条件下，一般将以流水的形式逐帧对 Table 2 The performance of proposed
条带式侧视声图进行目标检测处理。当图像帧达到 method on different scene
一定大小后，触发一次检测计算，并要求在下一帧相
数据集 A B C
同大小的图像累积结束前完成检测。图像帧的生成
像素 18980 × 6000 9941 × 5274 12576 × 5216
时间可由沿航迹向分辨率和拖体的运动速度计算
正样本 4 6 4
得出。通过对比目标检测的时间开销和产生该图像
ROI 标注数量 9 54 4
帧所需的测绘时间，可大致估计出算法是否满足实
图像帧生成时间/s 380.00 226.08 251.54
时性要求。若检测时间开销有较大冗余，还可选择
步骤 1 处理时间/s 39.33 17.26 18.93
设置一定比例的帧重叠，以改善在帧边界的目标检 步骤 1 和步骤 2
51.32 44.58 23.13
测效果。 的处理时间/s
数据集 A、B、C 典型图像的处理结果如表 2 所
示。所使用CPU配置为i5四代，8 GB内存。 3 结论与展望
随着图像中疑似目标数量的增加，本文算法在
步骤 2 中的时间消耗也会增加，因为对每一个疑似 3.1 结论
目标都需基于图割进行 ROI 回归和决策。由于步 本文提出了一种用于水下小目标检测的快速
骤 1 的设置目的在于尽可能地减少漏检，步骤 2 则 弱监督学习算法。算法包含基于 DCT和KNN 用于
用于排除虚警，可以认为若获取的 ROI与正样本差 获取较高目标召回率的步骤1 和基于图割算法用于
异越大，场景越复杂，步骤 2 的必要性就益发凸显。 消除虚警的步骤 2。DCT 对目标区域的海底地物散
为满足实时性要求，算法将对尺寸超出一定范围的 射变化进行了总体描述，KNN模型为低可靠性数据
ROI 进行下采样以避免图割计算时间过长，同时引 提供了兼容性，增强了对小样本集的适应能力，基于
入目标的属性进行预评估。所提出算法可以满足实 图割的回归步骤使检测系统更加准确和高效。在合
时性要求，但不能保证可适用于最坏的情况。 成孔径声呐的不同数据集中的试验结果证明本文