基于类别自适应动态阈值与参数迁移学习的小样本声呐图像分类方法

来源：信号处理杂志 2025年第11期北京时间：

作者：陈友淦, 周明昭, 涂申奥, 赵矣昊

摘要：声呐图像分类是水下目标探测与识别的关键技术，广泛应用于海洋资源勘察、生物监测等领域。由于海洋环境背景复杂，声呐图像分辨率低、噪声严重，且大量数据因无法实时标注而成为无标签数据。此外，由于声呐设备成本高、技术高度专业化，开源且高质量的声呐图像数据集极为稀缺，且不同水下目标类别在数据集中的样本数量差异较大，难以直接采用机器学习进行识别分类。论文提出一种基于类别自适应动态阈值与参数迁移学习的小样本声呐图像分类方法，以解决声呐图像数据不足、类别不平衡的问题。首先，利用参数迁移学习思想，在大规模ImageNet图像数据集上预训练轻量化AlexNet模型，并利用带标签的声呐图像数据集进行微调，以解决声呐图像小样本问题。其次，设计一种类别自适应动态阈值机制，根据不同水下目标类别分布情况动态调整识别声呐图像的置信度阈值，以筛选合适的伪标签数据、缓解类不平衡带来的训练偏差问题。最后，将筛选后的声呐图像伪标签数据与已有标签数据融合，构建新的训练集进行半监督重训练，并通过合理设置优化器参数进一步提升模型的鲁棒性和泛化能力。仿真结果表明，在真实声呐图像数据集上，所提方法在仅使用21%标签数据情况下的整体分类准确率可达到96.15%，平均F1分数可达到93.48%，验证了所提方法在小样本和数据类别不平衡的条件下，仍能实现较优的分类效果。

关键词：声呐图像分类, 小样本, 迁移学习, 类不平衡