Page 74 - 《应用声学》2020年第3期

394 2020 年 5 月

方法在一般情况下，可以满足实时性要求，同时在使 精细的分类问题的适应能力。
用较小训练集时，可以达到相对较高的精确度和召
回率。 参 考 文 献
3.2 展望 [1] Einsidler D, Dhanak M, Beaujean P. A deep learning ap-
proach to target recognition in side-scan sonar imagery[C].
步骤 1 和步骤 2 的级联构造了一种简单框架以
OCEANS 2018 MTS/IEEE Charleston, Charleston, SC,
实现对精确度和召回率的折中，但仍存在一些局限， 2018: 1–4.
有待未来进一步的工作中解决： [2] Klausner N, Azimi-Sadjadi M R. Non-Gaussian target de-
tection in sonar imagery using the multivariate laplace dis-
(1) 复杂场景中的灵活性。本文方法在地貌丰
tribution[J]. IEEE Journal of Oceanic Engineering, 2045,
富 (如从千岛湖获取的数据集 B) 的图像中测试时， 40(2): 452–464.
步骤1的效果较差。在目前的框架下，只能采用独立 [3] Wang X, Wang J, Yang F, et al. Target detection in color-
ful imaging sonar based on HOG[C]. 2018 IEEE Interna-
的手动级别1来标注自然地形，期望通过KN-GMM
tional Conference on Signal Processing, Communications
来消除干扰。复杂场景的自适应一直是目标检测中 and Computing (ICSPCC), Qingdao, 2018: 1–5.
的一个重要话题。 [4] Williams D P. Fast target detection in synthetic aperture
sonar imagery: a new algorithm and large-scale perfor-
(2) 增量学习。KNN 模型的特点决定了其预
mance analysis[J]. IEEE Journal of Oceanic Engineering,
测时间将随着数据集规模的增大而大幅增加。对 2015, 40(1): 71–92.
KN-GMM 进行优化可降低时间消耗，但从增量学 [5] Kim B, Yu S C. Imaging sonar based real-time underwa-
ter object detection utilizing AdaBoost method[C]. IEEE
习的角度来说，效率仍有待提高。
Underwater Technology，2017, 2017: 1–5.
(3) 虚警消除步骤的优化。本文方法的步骤 2 [6] Ma N, Chia C S. False alarm reduction by LS-SVM for
对于简单虚警的消除略显复杂。可以使用预评估消 manmade object detection from side-scan sonar images[C].
IEEE Oceans 2007 Proceedings, 2007.
除一些容易判断的虚警，从而避免使用图割，降低时
[7] Maussang F, Rombaut M, Chanussot J, et al. Fusion of
间开销。 local statistical parameters for buried underwater mine
(4) 强化对目标细节信息的利用。本文方法主 detection in sonar imaging[J]. EURASIP Journal on Ad-
vances in Signal Processing, 2008: 1–19.
要针对颗粒度较为粗糙的分类体系，DCT指纹特征
[8] Lopera O, Dupont Y. Automated target recognition with
更关注声图的局部区域特征，这样的框架保留了对 SAS: shadow and highlight-based classification[C]. IEEE
地物场景的整体概括，但目标的细节信息 (如多视 Oceans 2012 Proceedings, 2012.
[9] Sawas J, Petillot Y, Pailhas Y. Cascade of boosted classi-
角特征等) 并未得到充分利用。在步骤 2 中增加对
fiers for rapid detection of underwater objects[C]. EUCA
目标特征的提取和筛选将有助于提升算法对于更 2010 Conference Istanbul, 2010.