金磊磊, 梁红, 杨长生

(西北工业大学 航海学院, 陕西 西安 710072)

进入21世纪，世界各强国纷纷借助无人水下航行器(unmanned underwater vehicle,UUV)开展大规模的海洋研究[1]。声呐图像以其能够直观反映水下场景信息的优势，成为UUV实现自动目标识别(automatic target recognition,ATR)的重要途径。但同时，声呐图像分辨率低、有效特征难于提取，导致水下目标识别准确率较低。

水下目标识别在过去几十年的研究中，以人工设计并提取特征是主流方法[2-3]。人工设计特征需要具备专业领域知识，并在特征提取过程中不可避免地丢失一部分关键信息，造成传统的基于人工特征的声呐图像识别方法鲁棒性和泛化能力不足。

深度学习可以针对不同应用从训练数据中自主学习到新的有效特征表示，并且将传统方法的特征提取及分类步骤合并为一个端到端(end to end)的分类模型。在2013年Kamal等[4]利用深度置信网络(deep belief network,DBN)模型对水下多类别目标的回波数据进行分类。2017年，Ferguson等[5]利用深层神经网络对浅水环境水面船只辐射噪声进行识别。Williams[6]使用基本的卷积神经网络(convolutional neural network,CNN)对侧扫声呐图像进行分类实验，取得较高目标识别率。宋达[7]利用主动声呐探测的回波信号，使用时间序列样本和对应的时频图像作为数据集，对蛙人、空目标、氧气瓶等目标进行分类。李琛等[8]采用子通道特征级联的方法，在低信噪比条件下，使用多通道级联特征的深度神经网络识别方法准确率显著高于基于支持向量机(support vector machine,SVM)的识别方法。综合国内外研究现状来看，基于深度学习方法对声呐图像的识别研究还很少见。……