《Journal of Marine Science and Engineering》:An Underwater Target Recognition Method Based on Feature Fusion and Balanced Ensemble Transfer Learning
Haoqian Zhang,
Hong Liang,
Linfeng Zhu and
Wenbo Gou
编辑推荐:
为解决因单一时频特征表征能力不足和样本数量类别不平衡导致的识别性能不佳问题,研究人员开展了一项基于特征融合与均衡集成迁移学习的水下目标识别研究。该方法构建了LiT-INN双分支自编码网络进行时频图像特征融合,并采用两阶段解耦微调学习构建均衡集成迁移学习方法。实验验证,该方法在不同不平衡比例下平均识别准确率较深度迁移学习方法提升了3%,有效增强了小样本类别识别性能并显著提升了整体识别准确率,为水下目标识别提供了新颖解决方案。
浩瀚的海洋蕴藏着丰富的资源和巨大的战略价值,对水下目标进行精准识别是海洋科学研究、环境探测以及国防安全等领域的一项关键技术。然而,在实际应用中,这一任务面临着严峻的挑战。一方面,复杂多变的水下环境会干扰声学信号的接收和处理,使得获取高质量的目标回波数据成本高昂且风险巨大。更为棘手的是,从这些数据中提取具有强表征能力的特征信息并非易事。传统的识别方法多依赖于对单一类型的时频特征(如短时傅里叶变换、小波变换系数等)进行分析,但单一特征集所携带的信息有限,难以全面刻画目标特性,尤其是在信噪比较低或目标特征复杂的情况下,其表现力捉襟见肘。另一方面,现实中的数据采集往往会导致不同类别的样本数量存在显著差异,例如某些稀有或特定类型的水下目标样本稀少,而常见目标样本则较多。这种“类别不平衡”问题会严重误导深度学习模型的训练,使其倾向于学习样本丰富类别的特征,而对样本稀缺类别“视而不见”或识别效果很差。现有解决方案,如数据重采样、损失函数优化等,虽有一定效果,但也存在过拟合、模型偏差等风险。为了突破这些瓶颈,研究人员开展了一项创新性研究,旨在开发一种能够融合多源特征信息、并能有效应对类别不平衡问题的稳健水下目标识别方法。该项研究成果发表在《Journal of Marine Science and Engineering》期刊上。
为了攻克上述难题,研究人员综合运用了几项关键技术。首先,在特征融合阶段,他们构建了一个名为LiT-INN的双分支自编码网络架构。该网络的核心是利用先进的Restormer网络作为共享特征编码器,从输入的水下目标回波时频图像中提取基础特征。随后,特征处理分为两个并行的分支:一个分支基于轻量化的Transformer(Lite-Transformer, LiT)专注于提取全局上下文特征;另一个分支则基于可逆神经网络(Invertible Neural Networks, INN)来精细化捕捉细节特征。这个自编码网络在训练阶段学习如何从单一类型的时频图像中重构自身,从而获得强大的特征提取与重建能力;在测试阶段,则利用训练好的编码器对不同类型的时频图像数据进行特征提取与融合,生成一个包含更丰富特征信息的融合图像数据集。其次,为了应对类别不平衡问题,研究人员提出了一种“均衡集成迁移学习”方法。该方法采用两阶段解耦的微调学习策略:第一阶段,在预训练的迁移学习模型的特征提取模块上,使用均匀采样器进行微调,确保模型能从所有类别中均衡地学习基础特征。第二阶段,在分类器部分,采用多种平衡采样优化方法(如过采样、欠采样或其组合)对分类器进行专门的微调,以减轻模型对多数类的偏见。最后,通过权重平均集成学习(Weighted Averaging Ensemble)将多个由不同平衡采样策略得到的“弱”分类器的决策进行融合,形成一个识别能力更优的“强”分类器。整个研究基于真实的三类目标实地测试数据集进行了验证。
2.1. Feature Fusion Method Based on LiT-INN Dual-Branch Auto-Encoder Network
研究人员设计并构建了LiT-INN双分支自编码网络。自编码器是一种无监督学习模型,包含编码器和解码器两部分,旨在将输入数据压缩到低维潜空间后再重构还原,从而学习数据中最具信息量的特征表示。在本研究中,研究人员利用Restormer模型替换了传统的基础卷积模块作为共享编码器,因为它能同时捕获图像的长程依赖关系和局部特征。随后,特征流经两个分支:基于LiT的全局特征编码器和基于INN的细节特征编码器。通过这种方式,网络能够从不同时频图像(例如基于不同变换得到的图像)中提取互补的特征,并在解码器中进行融合与重建,最终得到一个特征信息更全面的融合图像数据集。该方法的优势在于,自编码器在训练过程中以数据自身为监督,能够有效去除原始数据中的噪声和冗余信息,提升特征的判别力。
2.2. Balanced Ensemble Transfer Learning Method
为了处理由样本数量不均导致的类别不平衡问题,研究人员构建了基于两阶段解耦微调学习的均衡集成迁移学习方法。核心思想是将特征学习和分类决策优化分离开。第一阶段,对在大型图像数据集(如ImageNet)上预训练的模型,采用均匀采样策略对其特征提取模块进行微调。这确保了模型底层能够公平地“看到”并学习所有类别的特征,而不受原始数据分布偏斜的影响。第二阶段,固定住已微调好的特征提取器,仅对模型顶端的分类器进行微调。在此阶段,研究人员采用了多种平衡采样方法(如对少数类过采样、对多数类欠采样等)来生成多个具有不同数据分布视角的训练子集,并分别训练出多个分类器。最后,采用决策级的权重平均集成方法,将这些分类器的输出进行融合,得到一个鲁棒性更强、对少数类识别更敏感的最终分类器。
3. Experimental Validation and Analysis
研究人员利用包含三类水下目标的实地测试数据集对所提方法进行了系统验证。实验设置了不同的类别不平衡比例,以模拟现实中的数据分布情况。结果表明,与传统的数据重采样方法、以及标准的深度迁移学习方法相比,本研究提出的“特征融合+均衡集成迁移学习”方法在平均识别准确率上取得了显著提升,在不同不平衡比例下平均提升了约3%。特别值得注意的是,该方法对于样本数量较少的“少数类”目标的识别性能提升更为明显,同时整体识别准确率也得到了显著增强。这充分证明了所提方法在解决水下目标识别中特征表征不足和类别不平衡两大核心问题上的有效性。
本研究提出并验证了一种结合特征融合与均衡集成迁移学习的水下目标识别新方法。该方法的核心贡献在于:第一,通过构建LiT-INN双分支自编码网络,成功实现了对不同时频图像特征的有效融合,生成了信息更丰富的融合特征集,克服了单一特征表征能力弱的局限。第二,创新性地采用两阶段解耦微调与集成学习策略,构建了均衡集成迁移学习方法,有效缓解了类别不平衡对模型性能的负面影响,提升了对小样本类别的识别能力。实验结果表明,该方法相比现有的深度迁移学习方法,在保持整体识别性能的同时,显著提升了对少数类目标的识别准确率,为解决实际水下探测中数据质量不高、分布不均的难题提供了一种行之有效的新思路。这项研究不仅为水下目标识别领域贡献了一个高性能的算法框架,其提出的特征融合与处理类别不平衡的策略,也对其他存在类似问题的模式识别与机器学习应用具有重要的借鉴意义。