Page 176 - 《应用声学》2023年第6期

1286 2023 年 11 月

表 4 实验 1 结果
Table 4 Experimental 1 results

分类器 测试集 1 测试集 2
发现概率/% 正确报警率/% 发现概率/% 正确报警率/%
Haar+AdaBoost 71.3 77.1 70.2 29.9
HOG+SVM 73.8 79.9 65.9 49.1
WPT+SVM 65.2 75.0 81.9 36.9
传统 CNN 88.2 84.1 82.9 61.8
Hu-CNN 93.2 86.8 87.8 70.2

表 5 实验 2 结果 1.0
Table 5 Experimental 2 results
0.8
分类器 发现概率/% 正确报警率/%
ᄾ᫺ভဋ
Haar+AdaBoost 56.2 63.4 0.6
HOG+SVM 67.5 78.2 0.4 Haar+Adaboost(AUC=0.73)
WPT+SVM(AUC=0.80)
WPT+SVM 57.2 65.2
HOG+SVM(AUC=0.81)
传统 CNN 82.4 80.2 0.2 ͜ፒCNN(AUC=0.88)
Hu-CNN(AUC=0.91)
Hu-CNN 89.0 86.4
0
0 0.2 0.4 0.6 0.8 1.0
1.0
Ϝ᫺ভဋ
图 6 实验 2 的 ROC 曲线及 AUC 值
0.8
Fig. 6 ROC curves and AUC values of Experiment 2
ᄾ᫺ভဋ 0.6 通过表 5 可以看出，在实验 2 中，Hu-CNN 的
0.4
Haar+Adaboost(AUC=0.62) 发现概率和正确报警率分别达到 89.0% 和 86.4%，
WPT+SVM(AUC=0.75) 与其他方法相比，性能指标均得到显著提升。同
0.2 HOG+SVM(AUC=0.80)
͜ፒCNN(AUC=0.91) 时相较于传统 CNN，Hu-CNN 的发现概率提高了
Hu-CNN(AUC=0.93)
0 6.6%，正确报警率提高了 6.2%，证明了改进方法的
0 0.2 0.4 0.6 0.8 1.0
有效性。
Ϝ᫺ভဋ
从图 5 的 ROC 曲线及 AUC 值可以看出，对于
(a) ฾តᬷ1ᄊROCజጳ
实验 1 的不同测试集，Hu-CNN 的 AUC 值分别为
1.0
0.93 和 0.90，均高于其他 4 种方法。同时由图 6 的
0.8 ROC 曲线可以看出，实验 2 中 Hu-CNN 的 AUC 值
为 0.91，比传统 CNN 提高了 0.03，证明了改进方法
0.6
ᄾ᫺ভဋ 的优越性。
0.4
Haar+Adaboost(AUC=0.68) Hu-CNN 融合 Hu 矩特征和 CNN 深度特征，克
WPT+SVM(AUC=0.73) 服 CNN 卷积和池化操作导致底层特征信息丢失带
0.2 HOG+SVM(AUC=0.83)
͜ፒCNN(AUC=0.87) 来的影响，形成具有形状特征表征能力更强的改进
Hu-CNN(AUC=0.90)
0 CNN，有效利用了小目标关键特征信息，从而提高
0 0.2 0.4 0.6 0.8 1.0 目标检测的准确性。
Ϝ᫺ভဋ
3.5 泛化性验证
(b) ฾តᬷ2ᄊROCజጳ
图 5 实验 1 的 ROC 曲线及 AUC 值 为检验提出方法的泛化性，采用不同侧扫声呐
Fig. 5 ROC curves and AUC values of Experiment 1 获取的数据进行泛化性测试。本节数据集共 14 张