小样本条件下水面无人艇的轻量化目标检测方法.pdf

小样本条件下水面无人艇的轻量化目标检测方法

摘要

水面无人艇作为现代海洋开发和作战的重要装备，无论是在军事还是民用领域都具

备十分重要的意义。因此，水面无人艇的发展也受到国家和相关科研院所的高度重视。

因水面无人艇具有灵活机动、环境适应性强、连续作业时间长、建造成本低等特点在资

源勘测、水上救援打捞、海面监测与侦查、反潜反舰等军民应用中大放异彩。水面无人

艇进行作业的基础是其感知能力，而视觉感知是无人艇最为直观获得周围信息的方式。

用基于深度学习的目标检测方法赋予水面无人艇感知能力时需要考虑到无人艇自身携

带计算模块的算力，庞大的目标检测模型在边缘计算设备和嵌入式模块中并不能做到对

目标的实时检测，这将直接导致无人艇在执行任务时的灵活性和安全性大打折扣。并且

基于深度学习的环境感知技术往往需要大量的数据图像才能获得准确的结果，但一些海

面的目标数据是难以采集的，导致了数据集样本数量过少。因此，本文开展了对海洋场

景下轻量化目标检测网络的研究，保证网络的精度和实时性，并在此基础上给出两种不

同小样本场景下的解决方案，使无人艇适应小样本和新增小样本场景下的任务。依托

“QZ”无人艇平台，本文对提出的方法进行了一系列外场试验。本文主要贡献如下：

（1）本文提出SHRDet轻量化目标检测网络，该网络改进了HRNet的模块结构，

提出ISBlock替换原网络中的特征提取模块，实现了网络的轻量化效果；设计了轻量级

的分组空间注意力模块来对特征进行多频率和多尺度表示，有效提取特征的空间信息；

在特征融合时设计轻量级自适应特征融合LASFF过滤掉其它层无用的信息，从而解决

在特征融合时的认知冲突。

（2）在海面小样本场景下，本文以SHRDet为基础改进了模型无关的元学习方法，

改进后的方法M2-MAML能够得到对小样本目标检测任务便利的初始化参数。提出多

步加权损失策略，有效提升了模型在元训练时的稳定性；同时使用元优化器对内层网络

的每个参数单独学习，避免了手工设计超参数和收敛速度的缓慢。

（3）基于SHRDet提出了一种新的网络架构SHRDet-N来应对海面新增小样本目

标问题。支持集和查询集协同训练网络，通过查询集特征和支持集特征进行交叉注意力

增强来得到特定于类别的分类特征；提出使用小样本下弹性巩固权重的方式EWC-FS在

学习新类的过程中保留对基类的检测能力，解决了灾难性遗忘问题；提出使用特征距离

损失来最大化类间距离最小化类内距离，辅助模型训练。

关键词：水面无人艇；轻量化目标检测；小样本学习；新增小样本学习

小样本条件下水面无人艇的轻量化目标检测方法

Abstract

Surfaceunmannedvehicleshavegreatsignificanceinbothmilitaryandcivilianfieldsas

animportantequipmentformodernoceandevelopmentandcombat.Therefore,the

developmentofunmannedsurfacevehicleshasreceivedhighattentionfromthecountryand

relevantscientificresearchinstitutions.Duetothecharacteristicsofflexibility,strong

environmentaladaptability,longcontinuousoperationtime,andlowconstructioncost,

unmannedsurfacevehicleshavebecomeprominentinmilitaryandcivilianapplicationssuch

asresourcesurvey,waterrescueandsalvage,seasurfacemonitoringandinvestigation,anti-

sub