Page 175 - 《应用声学》2023年第6期
P. 175
第 42 卷 第 6 期 符书楠等： 结合区域提取和改进卷积神经网络的水下小目标检测 1285
(a) DATA1 ᄬಖᇨΓ (b) DATA2 ᄬಖᇨΓ (c) ᭤ᄬಖᇨΓ
图 4 提取出的 ROI 示例
Fig. 4 Examples of extracted ROI
AUC 值为受试者工作特性 (Receiver operat- 变换 (Wavelet packet transform, WPT) + 支持向
ing characteristic, ROC) 曲线下的面积，ROC 曲 量机 (Support vector machine, SVM) [24] 、方向梯
线是根据不同的阈值，以模型分类结果的假阳性 度直方图 (Histogram of oriented gradient, HOG)
率 (False positive rate, FPR) 为横坐标，真阳性率 + SVM [25] 和传统 CNN) 进行比较，不同分类器对
(True positive rate, TPR)为纵坐标绘制的曲线，其 输入特征的敏感性不同，识别精度也不同，设置每个
中 分类器的参数如下：
FP TP (1) 基于WPT + SVM的分类器采用db3小波
FPR = , TPR = . (19)
FP + TN TP + FN 函数，对输入进行 5 层分解，支持向量机采用 RBF
曲线越靠近左上角，即 AUC 值越接近 1，则模型的 核函数；
整体性能越好。 (2）基于 Haar + AdaBoost 的分类器中迭代次
数设为50；
3.3 实验设置
(3) 基于 HOG + SVM 的分类器，也采用 RBF
为验证该方法的有效性，分别进行实验 1 和实
核函数；
验2，同时采用五折交叉验证评估方法的性能。在实
(4) 对于传统的基于 CNN 的分类器和本文提
验 1 中，将 DATA 2 随机分成 5 份，其中一份作为测
出的分类方法 (Hu-CNN)，采用随机梯度下降算法
试集，剩余4份作为训练集，重复训练测试5次，该实
和交叉熵损失函数，学习率设置为0.01，批大小设置
验中的测试集记为测试集1；同时利用训练好的5个
为64，epoch设置为100。
模型分类DATA 1 (记为测试集2)，以验证方法对不
同环境的适用性。在实验 2 中，所有数据 (DATA 1 3.4 实验结果与分析
和 DATA 2) 随机分成 5 份，按 4:1 的比例重复训练 两次实验的检测结果如表 4 和表 5 所示，ROC
和测试 5 次。两次实验中均取五次测试结果平均值 曲线如图 5 和图 6 所示。由表 4 可以看出，在实验 1
作为最终的结果。 中，对于测试集 1，由于训练集和测试集均来自于
考虑到试验海域水声环境、试验工况等因素对 DATA 1, 发现概率可达 93.2%，性能指标均优于其
目标声图的影响，为保证算法的泛化性，对两个实 他方法。其中相较于传统 CNN，Hu-CNN 的发现概
验的训练集进行数据增强，分别进行旋转90 、180 、 率和正确报警率分别提高了 5.0% 和 2.7%。对于来
◦
◦
270 、水平翻转、垂直翻转、变亮、变暗、加入高斯带 自不同海域的测试集 2，由于成像环境不同、噪声
◦
限噪声的操作，将训练集扩充为原来的9倍，测试集 干扰等因素的影响，检测性能略低于测试集 1，但
保持不变。 Hu-CNN 的性能指标均高于其他方法，发现概率达
为验证本文提出方法的优越性，本文使用常用 到 87.8%，比传统 CNN 提高了 4.9%。实验 1 结果表
的水下目标分类器 (Haar + AdaBoost) [23] 、小波包 明Hu-CNN可以有效检测不同环境下的小目标。
