(19)国家知识产权局 (12)发明 专利申请 (10)申请公布号 (43)申请公布日 (21)申请 号 202210202911.7 (22)申请日 2022.03.02 (71)申请人 哈尔滨工程大 学 地址 150001 黑龙江省哈尔滨市南岗区南 通大街145号 (72)发明人 何鸣　石磊博　张政超　王勇　 周连科　孙彧　王念滨　王红滨　 (74)专利代理 机构 哈尔滨市松花江专利商标事 务所 23109 专利代理师 张换男 (51)Int.Cl. G06V 20/05(2022.01) G06V 10/762(2022.01) G06V 10/764(2022.01) G06V 10/774(2022.01)G06K 9/62(2022.01) G06N 20/00(2019.01) (54)发明名称 一种考虑深度学习模型健壮性的水下目标 分类的方法 (57)摘要 一种考虑深度学习模型健壮性的水下目标 分类的方法， 本发明为了解决现有深度学习模型 对水下目标分类准确率低的问题， 它包括利用训 练好的原始模型对采集的水下目标数据训练集 进行预测得到所有分类正确样本的集合和所有 分类错误样 本的集合； 将所有分类错误样本的集 合输入训练好的原始模型内， 对分类错误样本的 特征进行聚类和特征补偿， 得到分类错误样本的 特征补偿； 将特征补偿输入训练好的原始模型内 得到特征补偿后的原始模型； 将水下目标数据训 练集输入特征补偿后的原始模型内， 输出分类错 误的样本； 建立对抗训练模型， 得到训练好的对 抗训练模型； 将对抗训练模型与特征补偿后的原 始模型加权组合生成深度学习模 型； 属于水下目 标分类领域。 权利要求书3页 说明书10页 附图1页 CN 114565831 A 2022.05.31 CN 114565831 A 1.一种考虑深度学习模型健壮性的水下目标分类的方法， 其特征在于： 它包括以下步 骤： S1、 建立原始模型， 利用采集的水下目标数据训练集对原始模型进行训练， 直至收敛， 得到训练好的原 始模型； 利用训练好的原始模型对采集的水下目标数据训练集进行预测， 得到所有分类正确样 本的集合和所有分类错 误样本的集 合； S2、 将S1中得到的所有分类错误样本的集合输入到训练好的原始模型内， 对分类错误 样本的特征进行聚类， 对聚类后的分类错误样本的特征进行特征补偿， 得到分类错误样本 的特征补偿； S3、 将S2中得到的特征补偿输入S1中训练好的原始模型内进行训练， 直至收敛， 得到特 征补偿后的原 始模型； S4、 将S1中的水下目标数据训练集输入S3中得到的特征补偿后的原始模型内， 输出分 类错误的样本； S5、 建立对抗训练模型， 提取S4中输出的部分分类错误的样本作为训练样本， 将训练样 本输入对抗训练模型， 设置损失函数， 直到完成最大迭代或损失不再下降， 得到训练好的对 抗训练模型； S6、 将S5中得到的训练好的对抗训练模型与S3中得到的特征补偿后的原始模型利用准 确率指数 形式进行加权组合， 生成深度学习模型； S7、 将待分类的水下目标数据输入S6中生成的深度学习模型内， 得到水下目标数据的 分类结果。 2.根据权利要求1中所述的一种考虑深度学习模型健壮性的水下目标分类的方法， 其 特征在于： 所述S2中将S1中得到的所有分类错误样本的集合输入到训练好的原始模型内， 对分类错误样本的特征进行聚类， 对聚类后的分类错误样本的特征进行特征补偿， 得到分 类错误样本的特 征补偿， 具体过程 为： S21、 将S1中得到的所有分类错误样本的集合输入到S1中训练好的原始模型内， 令原始 模型的输出作为对应的分类错 误样本的特 征； S22、 利用K‑means聚类方法对S21中分类错 误样本的特 征进行聚类， 得到聚类集 合； S23、 对聚类后的分类错 误样本的特 征进行特征补偿， 得到分类错 误样本的特 征补偿。 3.根据权利要求2中所述的一种考虑深度学习模型健壮性的水下目标分类的方法， 其 特征在于： 所述S2 2中得到的任意两个聚类集 合之间没有重 叠。 4.根据权利要求3中所述的一种考虑深度学习模型健壮性的水下目标分类的方法， 其 特征在于： 所述S23中对聚类后的分类错误样本的特征进 行特征补偿， 得到 分类错误样本的 特征补偿， 具体过程 为： S231、 令聚类后的第w个聚类集合中的部分分类错误样本为S1中的水下目标数据训练 集中的第i个 类别； S232、 随机选取部分S1中得到的第i个类别中分类正确 样本， 输入到S1中训练好的原始 模型内， 获取分类正确样本的样本特 征； 随机选取部分第w个聚类集合中样本， 输入到S1中训练好的原始模型内， 获取第w个聚 类集合中样本的样本特 征；权　利　要　求　书 1/3 页 2 CN 114565831 A 2S233、 计算S232中选取的第D个分类正确样本的样本特征与第D个第w个聚类集合中样 本的样本特 征的特征差值， 并采样多组特 征差值的均值， 得到第i个 类别的特 征补偿。 5.根据权利要求4中所述的一种考虑深度学习模型健壮性的水下目标分类的方法， 其 特征在于： 所述S232中选取的部分S1中得到的第i个类别中分类正确样本的数量与选取的 部分第w个聚类集 合中样本的数量相等。 6.根据权利要求5中所述的一种考虑深度学习模型健壮性的水下目标分类的方法， 其 特征在于： 所述S5中设置的损失函数为： 其中， lcs(xt， yt)表示损失函数； xt表示第t个训练样本； yt表示xt对应的种类标签； 表示对抗训练模型将对抗样本预测为对应的真实类别yt的概率； 表示训练样本xt的对抗样本； α 为常数项； 为交叉熵损失； 表示对抗训练模型对 对抗样本 的预测概 率； β 为常数项； 表示KL散度； p(xt)表示对抗训练模型对训练样本xt的预测概 率； 表示对抗训练模型将训练样本预测为对应的真实类别yt的概率； γ为常数项。 7.根据权利要求6中所述的一种考虑深度学习模型健壮性的水下目标分类的方法， 其 特征在于： 所述S 6中将S5中得到的训练好的对抗训练模型与S3中得到的特征补偿后的原始 模型利用准确率指数 形式进行加权组合， 生成深度学习模型， 具体过程 为： S61、 利用模型准确率指数 形式确定各模型的权 重： 特征补偿后的原 始模型权 重为： a1q/(a1q+a2q)； 对抗训练模型权 重为： a2q/(a1q+a2q)； a1表示特征补偿后的原 始模型针对水 下目标数据训练集和对抗样本集 合的准确率； a2表示对抗训练模型针对水 下目标数据训练集和对抗样本集 合的准确率； q是超参数， 为常数项； S62、 利用S61得到的权 重进行加权组合： 其中， pintegrate表示深度学习模型的预测概 率； p1表示特征补偿后的原 始模型的预测概 率向量；权　利　要　求　书 2/3 页 3 CN 114565831 A 3