基于图神经网络的船舶小样本目标识别方法研究.pdf

基于图神经网络的船舶小样本目标识别方法研究

摘要

我国拥有丰富的海洋资源，探索未知的海洋资源是推动我国发展的重要因素之一。

随着航海技术的不断进步，船舶目标识别问题成为了当下研究的热点。对于传统的目标

识别问题，众多深度网络已经取得了良好的分类成果。但是在实际场景中，具有标注的

船舶样本往往是不充足的，此时就要完成小样本条件下的船舶目标识别。

在小样本识别问题中，深度网络由于参数过多，模型容易出现过拟合问题。如何解

决此问题，是提升船舶小样本目标识别准确率的一个关键点；此外，在小样本识别任务

中，每个类别缺乏足够的标注样本，此时使用这些少量标注样本让模型对输入图像进行

良好的特征表示，也是提升模型识别能力的关键。针对上述问题，本研究将图神经网络

应用到了船舶小样本目标识别领域，提出一种基于图神经网络的船舶小样本目标识别框

架，本文的研究工作如下。

（1）针对现有船舶数据集多为单一背景且类别不够丰富的问题，为更加贴近于实

际工程中的应用，在本研究中构建自己的船舶数据集，其类别丰富且场景多样，包含海

洋、运河等多种场景。并将现有的图神经网络模型应用到船舶目标识别上，在自制船舶

数据集上进行实验和对比分析，为后续的研究奠定基础。

（2）针对如何使用这些少量的标注样本让模型对输入图像进行良好的特征表示的

问题，本研究将注意力机制应用到图神经网络模型中，设计基于注意力机制的特征提取

模块，使网络获得更加具有表示能力的图像特征。

（3）为挖掘图结构中的隐藏信息，对模型进一步优化。本研究针对同类别样本在

投影到特征空间后得到的特征表示会产生较大方差的问题，引入类内优化模块来约束嵌

入网络，进而增加嵌入特征的类内相似度，从而进一步优化了表示学习部分。

（4）由于船舶小样本目标识别中不同类别的船舶样本间相似度较高，仅通过计算

两两节点的绝对差值来获得成对样本的关系表示并不能取得满意的分类效果。针对此问

题，本研究引入任务级关系度量模块对图神经网络进行优化，考虑到一个样本与所有其

他样本的任务级关系，使模型在分类时能考虑到任务的特异性，从而增强模型辨别能力。

最后，本研究在自制船舶数据集上对改进算法进行了消融实验和对比实验，用于验

证本研究方法的有效性和可行性。

关键词：小样本；船舶识别；图神经网络；注意力机制；正则化

基于图神经网络的船舶小样本目标识别方法研究

Abstract

Chinahasabundantmarineresources,andexploringunknownmarineresourcesisoneof

theimportantfactorsdrivingChinasdevelopment.Withthecontinuousprogressof

navigationtechnology,shiptargetrecognitionhasbecomeahottopicofcurrentresearch.For

traditionaltargetrecognitionproblems,manydeepnetworkshaveachievedgood

classificationresults.However,inpracticalscenarios,shipsampleswithannotationsareoften

insufficient,andinthiscase,shiptargetrecognitionundersmallsampleconditionsneedsto

becompleted.

Intheproblemofsmallsamplerecognition,thedeepnetworkmodelisproneto

overfittingduetotoomanyparameters.Howtosolvethisproblemisakeypointinimproving

theaccura