基于深度学习的水下复杂环境感知关键技术研究

The marine information acquisition, transmission, processing, and fusion not only play important roles in marine science research, environmental investigations, resource development, rights protection and safe range, but also have become a hotspot in the research of information science because of the special application environments. Based on the requirement of detecting and recognizing underwater targets, the project proposes new techniques and methods of target identification and information processing in the complex underwater environment from two aspects: the target detection and identification, the integration and relation of multiple-situation information. The project presents a method of target detection based on deep learning to achieve the rapid detection, rapid discovery, and provide more time for decisions. Focus on the poor stability of recognition model owing to the lack of target data, the project studies the new methods of target recognition stability based upon consistency detecting and transfer learning, thus improving the credibility of target recognition. The project studies and puts forward the spatial model of situation information, which realizes the information integration of marine environmental information, integrated information, underwater monitoring information and internet intelligence information. It provides more extensive data for the situation cognition process. Centered on the target detection and identification, the project presents the on-target association mapping model. It provides a data processing method for enhancing the reliability of perception and identification.

海洋信息的获取、传输、处理和融合，不仅在海洋科学研究、环境调查、资源开发、权益维护和安全范围中发挥重要的作用，也因其应用环境的特殊性而成为信息科学研究的热点之一。本项目研究立足于目标探测与识别的需求，从复杂水下环境目标探测与识别，多源态势信息集成与关联两个方面着手，提出复杂水下环境目标感知与信息处理的新技术和新方法。提出基于深度学习的目标检测方法，实现快速检测、快速发现，为决策提供更多的时间；针对由于目标数据的缺乏，形成的识别模型存在稳定性差的问题，基于相容性检测与迁移学习的机理，研究复杂水下环境目标识别稳定性的新方法，增强目标识别的可信性;研究并提出一种态势信息空间模型，实现海洋环境信息、目标综合信息、水下监测网信息、互联网情报等信息的集成，为态势认知过程提供丰富的数据基础；以目标检测与识别为中心，提出一种基于目标的关联映射模型，为强化感知与识别的可靠性提供数据处理方法和手段.

海洋信息的获取、传输、处理和融合是当前信息科学研究的热点之一。复杂水下环境及目标的感知，即通过技术手段实现对目标的探测与识别，是对海洋信息处理的重要基础。由于海洋环境的复杂性，以及目标减震降噪技术的不断进步，传统目标探测与识别方法正面临极大的挑战，无法应对当前应用的需求。本项目旨在提出一种新型的针对复杂水下环境感知与信息处理的技术，研究计划要点包括：1）复杂水下环境信息空间构建方法；2）基于深度学习的目标探测方法；3）面向目标识别的深度学习方法；4）基于学习的水下复杂环境信息与目标测试与验证方法。其中，复杂水下环境信息空间构建方法与面向目标识别的深度学习方法是本项目的核心。项目的研究目标包括1）多源态势信息集成与关联技术；2）目标探测与识别技术。.在多源态势信息集成与关联方面，针对复杂水下环境信息空间构建过程中的两个关键步骤：实体抽取与关系抽取，提出一种基于加权概率神经网络与要素匹配的实体抽取方法、一种基于句子选择和交互表示的远程监督关系抽取方法、一种基于强化学习的远程监督关系抽取噪音标签去除方法。在目标探测方面，提出一种基于快速循环单元的水下目标探测方法；在目标识别方面，提出一种基于注意力的水下目标识别卷积神经网络，一种基于负相关增量的水下目标集成识别方法。同时，也提出一种基于卷积神经网络的水下目标特征提取方法，用以提取水下目标辐射噪声的时频域综合特征。为验证本项目提出的上述方法的有效性，本项目在多处水域以及静默水池中采集了大量水声样本构建了测试数据集。实验结果表明本项目提出的方法及模型的有效性和可行性。本项目按照任务书完成了相关研究，并发表了相关文章。