Page 177 - 《应用声学》2023年第6期

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 1287

声图，提取 ROI 得到 16 个目标和 121 个非目标，输 [3] Celik T, Tjahjadi T. A novel method for sidescan sonar
入实验 2 得到的 5 个分类模型中进行目标分类，结 image segmentation[J]. IEEE Journal of Oceanic Engi-
neering, 2011, 36(2): 186–194.
果如表6所示。
[4] Tueller P, Kastner R, Diamant R. Target detection using
features for sonar images[J]. IET Radar Sonar and Navi-
表 6 泛化性验证结果
gation, 2020, 14(12): 1940–1949.
Table 6 Generalization verification results [5] 王梁, 田杰, 黄海宁, 等. 基于超椭圆拟合的水下小目标分
类 [J]. 应用声学, 2019, 38(4): 697–704.
分类器 发现概率/% 正确报警率/% Wang Liang, Tian Jie, Huang Haining, et al. Underwa-
ter small target classification based on superellipse fitting
Haar+AdaBoost 68.8 55.6
technology[J]. Journal of Applied Acoustics, 2019, 38(4):
HOG+SVM 72.5 67.0 697–704.
WPT+SVM 78.7 19.1 [6] Abu A, Diamant R. A statistically-based method for the
detection of underwater objects in sonar imagery[J]. IEEE
传统 CNN 90.0 83.8
Sensors Journal, 2019, 19(16): 6858–6871.
Hu-CNN 96.3 85.9 [7] Zhou T, Si J, Wang L, et al. Automatic detection of un-
derwater small targets using forward-looking sonar im-
由表 6 可以看出，本文方法对不同侧扫声呐测 ages[J]. IEEE Transactions on Geoscience and Remote
得的数据仍然具有较好的检测性能，相较于传统 Sensing, 2022, 60: 1–12.
CNN，改进后的 Hu-CNN 发现概率提高了 6.3%，达 [8] 谌雨章, 黄逸姿, 张钧涵. 基于多速率空洞卷积的多尺度水下
小目标检测 [J]. 计算机工程, 2022: 1–9.
到 96.3%，正确报警率提高了 2.1%。泛化性验证实 Chen Yuzhang, Huang Yizi, Zhang Junhan. Multi-scale
验结果表明，该方法具有良好的泛化性能，可以有效 underwater small object detection based on multi-rate di-
应用于不同侧扫声呐获取的数据。 lated convolution[J]. Computer Engineering, 2022: 1–9.
[9] Chen L, Zhou F, Wang S, et al. SWIPENET: object detec-
tion in noisy underwater scenes[J]. Pattern Recognition,
4 结论
2022, 132: 108926.
[10] Geman S, Geman D. Stochastic relaxation, gibbs distri-
本文提出了一种结合区域提取和融合 Hu 矩特 butions, and the bayesian restoration of images[J]. IEEE
征的改进 CNN 的水下小目标检测方法，该方法由 Transactions on Pattern Analysis and Machine Intelli-
区域提取和分类两部分组成。区域提取阶段根据目 gence, 1984, 6(6): 721–741.
[11] 叶秀芬, 王兴梅, 门志国, 等. 改进的 MRF 水下目标检测方
标特征采用基于 MRF 分割算法的 5 个步骤提取声
法 [J]. 哈尔滨工业大学学报, 2009, 41(7): 102–105.
图中的ROI，实现潜在目标定位。在分类阶段，本文 Ye Xiufen, Wang Xingmei, Men Zhiguo, et al. Detection
提出的 Hu-CNN 特征融合网络将 CNN 深度特征与 of underwater objects by improved MRF[J]. Journal of
Harbin Institute of Technology, 2009, 41(7): 102–105.
Hu矩特征融合，形成更具代表性和精确性的融合特
[12] Chen W, Hong Z, Zhang H, et al. A submarine pipeline
征，可有效区分目标与伪目标，提升目标检测性能。 segmentation method for noisy forward-looking sonar im-
在不同数据集上的实验结果表明，该方法对不同侧 ages using global information and coarse segmentation[J].
扫声呐数据均具有较优越的检测性能和泛化性，对 Applied Ocean Research, 2021, 112: 102691.
[13] Song Y, Liu P. Segmentation of sonar images with inten-
水下小目标的检测具有一定的研究意义。
sity inhomogeneity based on improved MRF[J]. Applied
Acoustics, 2020, 158(C): 107051–107051.
[14] 张艳, 李星汕, 孙叶美, 等. 基于通道注意力与特征融合的水下
参 考 文 献 目标检测算法 [J]. 西北工业大学学报, 2022, 40(2): 433–441.

Zhang Yan, Li Xingshan, Sun Yemei, et al. Underwa-
[1] 郭戈, 王兴凯, 徐慧朴. 基于声呐图像的水下目标检测、识别与 ter object detection algorithm based on channel attention
跟踪研究综述 [J]. 控制与决策, 2018, 33(5): 906–922. and feature fusion[J]. Journal of Northwestern Polytech-
Guo Ge, Wang Xingkai, Xu Huipu. Review on underwater nical University, 2022, 40(2): 433–441.
target detection, recognition and tracking based on sonar [15] Huo G, Wu Z, Li J. Underwater object classification in
image[J]. Control and Decision, 2018, 33(5): 906–922. sidescan sonar images using deep transfer learning and
[2] Fayaz S, Parah S A, Qureshi G J. Underwater object semisynthetic training data[J]. IEEE Access, 2020, 8:
detection: architectures and algorithms – A comprehen- 47407–47418.
sive review[J]. Multimedia Tools and Applications, 2022, [16] Liu P, Song Y. Segmentation of sonar imagery using con-
81(15): 20871–20916. volutional neural networks and Markov random field[J].