• <tr id="yyy80"></tr>
  • <sup id="yyy80"></sup>
  • <tfoot id="yyy80"><noscript id="yyy80"></noscript></tfoot>
  • 99热精品在线国产_美女午夜性视频免费_国产精品国产高清国产av_av欧美777_自拍偷自拍亚洲精品老妇_亚洲熟女精品中文字幕_www日本黄色视频网_国产精品野战在线观看 ?

    基于聲吶圖像的類別增量學(xué)習(xí)方法研究

    2023-05-12 12:40:40陳鑫哲梁紅徐微雨
    關(guān)鍵詞:聲吶識別率增量

    陳鑫哲, 梁紅, 徐微雨

    (西北工業(yè)大學(xué) 航海學(xué)院, 陜西 西安 710072)

    隨著水下勘探技術(shù)的不斷發(fā)展與水下環(huán)境的逐漸開發(fā),更多未經(jīng)訓(xùn)練過的水下目標(biāo)信息會被獲取,水下目標(biāo)識別系統(tǒng)的需求也隨之增加。目前,大部分用于水下目標(biāo)聲吶圖像的分類識別網(wǎng)絡(luò)采用的都是一次性輸入所有類別樣本的訓(xùn)練方法,這樣訓(xùn)練好的分類識別網(wǎng)絡(luò)只能對學(xué)習(xí)過的類別樣本進(jìn)行分類識別,當(dāng)有新的類別樣本需要學(xué)習(xí)時,就只能將目前的所有類別樣本重新進(jìn)行訓(xùn)練,需要耗費(fèi)大量的時間與算力。

    類別增量學(xué)習(xí)(class-incremental learning,C-IL)[1]要求分類識別網(wǎng)絡(luò)能不斷地從新獲取的任務(wù)類別樣本中學(xué)習(xí)到新知識,同時保留歷史學(xué)習(xí)過的任務(wù)目標(biāo)類別知識。但是,類別增量學(xué)習(xí)網(wǎng)絡(luò)在學(xué)習(xí)了新任務(wù)類別樣本后,通常會對歷史學(xué)習(xí)過的任務(wù)類別樣本出現(xiàn)災(zāi)難性遺忘問題[2],導(dǎo)致所有任務(wù)目標(biāo)的分類識別準(zhǔn)確率嚴(yán)重降低。

    為了緩解災(zāi)難性遺忘問題,研究人員提出了各種增量學(xué)習(xí)方法,依據(jù)方法原理的不同,可以將目前的增量學(xué)習(xí)方法分為以下2類:基于正則化(regularization)和基于重放(replay)。基于正則化的代表方法有:Li等[3]提出的不忘學(xué)習(xí)(learning without forgetting,LWF),DeepMind團(tuán)隊(duì)提出的彈性權(quán)重鞏固(elastic weight consolidation,EWC)[4]。基于重放的代表方法是Shin等[5]提出的生成重放(generated replay,GR),基于生成重放的增量學(xué)習(xí)方法對類別增量學(xué)習(xí)總體表現(xiàn)更好,它對于光學(xué)圖像取得了較高的類別增量識別準(zhǔn)確率,并且在一定程度上緩解了災(zāi)難性遺忘問題。

    相比數(shù)以百萬計(jì)的高質(zhì)量光學(xué)圖像數(shù)據(jù),由于獲取難度高、水下環(huán)境噪聲干擾大和觀測角度有限,聲吶圖像存在樣本數(shù)少、分辨率低和邊緣不連續(xù)的問題[6],直接將光學(xué)領(lǐng)域的識別方法應(yīng)用于聲吶圖像,通常表現(xiàn)較差[7]。因此,GR增量網(wǎng)絡(luò)對聲吶圖像類別增量學(xué)習(xí)的可行性還待進(jìn)一步研究。

    本文研究GR增量網(wǎng)絡(luò)對于聲吶圖像類別增量學(xué)習(xí)的可行性,提出一種適用于聲吶圖像類別增量學(xué)習(xí)的改進(jìn)GR增量網(wǎng)絡(luò),緩解災(zāi)難性遺忘問題,提高聲吶圖像所有任務(wù)目標(biāo)類別的平均識別準(zhǔn)確率。

    1 數(shù)據(jù)集的建立

    本文建立的數(shù)據(jù)集包含前視聲吶和側(cè)掃聲吶等多種聲吶成像設(shè)備得到的聲吶圖像,依據(jù)圖像的目標(biāo)類別將其整理劃分為6類,分別是飛機(jī)、沉船、瓶子、輪胎、石塊和水下機(jī)器人。采用雙線性插值法對聲吶圖像進(jìn)行尺寸統(tǒng)一,規(guī)范后的圖像尺寸為(112,112),每個目標(biāo)類別的數(shù)據(jù)按照4∶1的比例隨機(jī)分為訓(xùn)練集和測試集,數(shù)據(jù)集分布如表1所示。

    表1 數(shù)據(jù)集分布

    本文將數(shù)據(jù)集劃分為如圖1所示的3個任務(wù)目標(biāo),依次輸入到類別增量學(xué)習(xí)網(wǎng)絡(luò)中,作為新的類別知識對網(wǎng)絡(luò)進(jìn)行訓(xùn)練。

    圖1 任務(wù)目標(biāo)

    2 GR增量網(wǎng)絡(luò)

    2.1 GR增量網(wǎng)絡(luò)結(jié)構(gòu)

    GR增量網(wǎng)絡(luò)是由重構(gòu)模型和識別網(wǎng)絡(luò)組成的合作雙模型架構(gòu)。利用這種模型架構(gòu),網(wǎng)絡(luò)可使用重構(gòu)的歷史數(shù)據(jù)和真實(shí)當(dāng)前數(shù)據(jù)的集合進(jìn)行聯(lián)合訓(xùn)練,緩解災(zāi)難性遺忘問題,GR增量網(wǎng)絡(luò)學(xué)習(xí)流程如圖2所示。

    圖2 GR增量網(wǎng)絡(luò)學(xué)習(xí)流程

    GR增量網(wǎng)絡(luò)在類別增量學(xué)習(xí)過程中,對歷史類別數(shù)據(jù)進(jìn)行重構(gòu)的模型是變分自編碼器(variational autoencoder,VAE)[8],由編碼器、采樣模塊和解碼器組成。編碼器將圖像數(shù)據(jù)分布的高維特征映射到低維特征上,這一部分主要是均值和方差的計(jì)算;圖像數(shù)據(jù)經(jīng)過編碼后,采樣模塊從正態(tài)分布中采樣數(shù)據(jù),并與編碼器得到的均值和方差聯(lián)合計(jì)算,從而得出采樣變量;獲得采樣變量后,將其作為解碼器的輸入,利用解碼器進(jìn)行圖像還原,輸出生成圖像。對圖像進(jìn)行訓(xùn)練的識別網(wǎng)絡(luò)采用多層感知機(jī)(multilayer perceptron,MLP)[9]這一淺層全連接網(wǎng)絡(luò)。

    2.2 GR增量網(wǎng)絡(luò)實(shí)驗(yàn)分析

    本文實(shí)驗(yàn)平臺為AMD 5900X CPU、Nvidia RTX 3080 GPU和32G內(nèi)存的工作站,Pytorch版本為1.9,操作系統(tǒng)為Windows10。針對本文建立的聲吶圖像數(shù)據(jù)集,采用GR增量網(wǎng)絡(luò)進(jìn)行訓(xùn)練。隨著任務(wù)目標(biāo)的不斷增加,網(wǎng)絡(luò)對新任務(wù)目標(biāo)和舊任務(wù)目標(biāo)的識別率變化如圖3所示。

    圖3 GR增量網(wǎng)絡(luò)的識別率

    當(dāng)?shù)谝粋€任務(wù)進(jìn)入增量網(wǎng)絡(luò)訓(xùn)練完成后,網(wǎng)絡(luò)對所有目標(biāo)類別的識別準(zhǔn)確率為89.9%。當(dāng)?shù)诙€任務(wù)作為新類別數(shù)據(jù)進(jìn)入增量網(wǎng)絡(luò)訓(xùn)練完成后,網(wǎng)絡(luò)對所有目標(biāo)類別的平均識別率為73.6%,對歷史學(xué)習(xí)的第一個任務(wù)的識別率從89.9%降為50.5%。當(dāng)?shù)谌齻€任務(wù)作為新類別數(shù)據(jù)進(jìn)入增量網(wǎng)絡(luò)訓(xùn)練完成后,網(wǎng)絡(luò)對所有目標(biāo)類別的平均識別率為67.6%,對歷史學(xué)習(xí)的舊任務(wù)目標(biāo)的識別率明顯下降,其中,對第一個任務(wù)的識別準(zhǔn)確率降到了27.3%,對第二個任務(wù)的識別準(zhǔn)確率降到了79.6%。結(jié)果表明,GR增量網(wǎng)絡(luò)的平均識別率較低,對歷史任務(wù)目標(biāo)產(chǎn)生了較嚴(yán)重的災(zāi)難性遺忘。

    3 改進(jìn)的GR增量網(wǎng)絡(luò)

    3.1 網(wǎng)絡(luò)結(jié)構(gòu)改進(jìn)原理

    由2.2節(jié)可知,GR增量網(wǎng)絡(luò)對于聲吶圖像的類別增量學(xué)習(xí)效果較差,本文對GR增量網(wǎng)絡(luò)的重構(gòu)模型和識別網(wǎng)絡(luò)進(jìn)行改進(jìn),以期望獲得更好的類別增量學(xué)習(xí)性能。

    GR增量網(wǎng)絡(luò)的重構(gòu)模型VAE雖然可以通過編碼與解碼重構(gòu)圖像,但是這種方式下生成的圖像較為模糊[10]。深層卷積生成對抗網(wǎng)絡(luò)(deep convolutional generative adversarial network,DCGAN)[11]由生成器和判別器兩部分組成,二者結(jié)構(gòu)近似于卷積神經(jīng)網(wǎng)絡(luò),但是使用帶步長的反卷積層或卷積層代替池化層,DCGAN通過生成器與判別器的生成對抗來重構(gòu)圖像。本文隨機(jī)選取飛機(jī)和沉船的重構(gòu)圖像進(jìn)行對比,VAE和DCGAN重構(gòu)的聲吶圖像分別如圖4a)和圖4b)所示。兩圖的上半部為原始聲吶圖像,下半部為重構(gòu)的圖像。VAE重構(gòu)的圖像中,當(dāng)飛機(jī)較小時,圖像無法清晰分辨目標(biāo),并且所有沉船的重構(gòu)圖像均嚴(yán)重失真。相比而言,DCGAN重構(gòu)的飛機(jī)與沉船圖像輪廓更明顯、細(xì)節(jié)更豐富,大部分重構(gòu)圖像可較為清晰地分辨目標(biāo)。

    圖4 VAE和DCGAN重構(gòu)的聲吶圖像

    GR增量網(wǎng)絡(luò)的識別網(wǎng)絡(luò)MLP是由多個神經(jīng)元層組成的全連接網(wǎng)絡(luò)模型,它早期在手寫數(shù)字識別和行人檢測中獲得了不錯的效果[12]。但是,在進(jìn)行聲吶圖像類別增量學(xué)習(xí)訓(xùn)練時,MLP這種全連接網(wǎng)絡(luò)模型的參數(shù)量是十分巨大的,過大的參數(shù)量會導(dǎo)致網(wǎng)絡(luò)訓(xùn)練過擬合,而且在圖像的特征提取過程中,MLP會將所有圖像轉(zhuǎn)換成一維向量,導(dǎo)致其失去空間特征,影響圖像的分類識別準(zhǔn)確率。卷積神經(jīng)網(wǎng)絡(luò)(convolutional neural network,CNN)[13]利用卷積層和池化層實(shí)現(xiàn)了網(wǎng)絡(luò)結(jié)構(gòu)的局部連接、權(quán)值共享和空間下采樣,在提取出圖像局部空間特征的同時,有效降低了網(wǎng)絡(luò)模型訓(xùn)練的參數(shù)量,避免訓(xùn)練過擬合,對圖像的準(zhǔn)確識別起到積極作用。

    本文基于水下目標(biāo)聲吶圖像的特點(diǎn),設(shè)計(jì)搭建新的DCGAN和CNN,并將設(shè)計(jì)搭建好的DCGAN和CNN分別替換GR增量網(wǎng)絡(luò)的VAE和MLP,作為網(wǎng)絡(luò)新的重構(gòu)模型和識別網(wǎng)絡(luò),得到改進(jìn)的GR增量網(wǎng)絡(luò)。改進(jìn)的GR增量網(wǎng)絡(luò)結(jié)構(gòu)如圖5所示。

    圖5 改進(jìn)的GR增量網(wǎng)絡(luò)結(jié)構(gòu)

    3.2 網(wǎng)絡(luò)模型搭建

    3.2.1 DCGAN模型搭建

    基于生成對抗網(wǎng)絡(luò)理論與水下目標(biāo)聲吶圖像特點(diǎn),設(shè)計(jì)搭建DCGAN需考慮以下幾點(diǎn):

    1) 生成器與判別器模型的設(shè)置。生成器與判別器要求模型對稱,即生成器的反卷積層與判別器的卷積層數(shù)目相等,這樣才能達(dá)到網(wǎng)絡(luò)可微的目的,從而使網(wǎng)絡(luò)的損失函數(shù)在訓(xùn)練過程中向著一個方向穩(wěn)定收斂。

    2) 反卷積層和卷積層數(shù)目的設(shè)置。由于聲吶圖像樣本數(shù)少,應(yīng)使用較少的層數(shù)進(jìn)行模型搭建,避免因參數(shù)過多而導(dǎo)致網(wǎng)絡(luò)訓(xùn)練出現(xiàn)過擬合。

    3) 卷積層參數(shù)的設(shè)計(jì),包括卷積核大小、步長、邊界填充數(shù)目。聲吶圖像經(jīng)過裁剪等預(yù)處理操作后,圖像的尺寸相較原始圖像減小了很多,為了避免網(wǎng)絡(luò)模型在聲吶圖像的特征提取過程中丟失大量的有用特征,應(yīng)使用較小的卷積核,如3×3卷積核。設(shè)置步長可以壓縮卷積層的運(yùn)算量,加快網(wǎng)絡(luò)訓(xùn)練的擬合速度,但是步長不宜設(shè)置過大,過大的步長會使卷積層提取不到充足的聲吶圖像特征。邊界填充是為了避免帶步長的卷積運(yùn)算錯過聲吶圖像的邊緣信息,邊界填充的數(shù)目需根據(jù)輸入圖像、步長與卷積核來設(shè)置,不能超過卷積核的大小,以避免無效運(yùn)算。

    4) 網(wǎng)絡(luò)參數(shù)優(yōu)化算法和激活函數(shù)的選取。Adam算法能基于訓(xùn)練數(shù)據(jù)迭代更新網(wǎng)絡(luò)參數(shù),具有計(jì)算高效和所需內(nèi)存少等優(yōu)勢。ReLU、Leaky ReLU激活函數(shù)在圖像處理的卷積神經(jīng)網(wǎng)絡(luò)中使用較多,它們能夠保持梯度不衰減,從而緩解梯度消失問題。

    綜合考慮以上幾點(diǎn)設(shè)計(jì)要求,本文設(shè)計(jì)搭建的DCGAN的生成器與判決器模型分別如表2~3所示。

    表2 生成器模型

    表3 判別器模型

    生成器首先產(chǎn)生隨機(jī)噪聲輸入到網(wǎng)絡(luò)第一層——全連接層,通過全連接層進(jìn)行尺寸變換,轉(zhuǎn)化為7×7×128的特征矩陣,然后該特征矩陣通過4層反卷積核大小為3×3,步長s=2的反卷積層,同時,對反卷積層進(jìn)行p=1的邊界填充。其中,在每個反卷積層進(jìn)行反卷積操作前,都使用批次標(biāo)準(zhǔn)化BatchNorm和激活函數(shù)Leaky ReLU,將特征歸一化與非線性整合,以加速網(wǎng)絡(luò)訓(xùn)練和提升訓(xùn)練的穩(wěn)定性。最終,經(jīng)過4個反卷積層后,網(wǎng)絡(luò)輸出得到與歷史圖像尺寸(112,112)相同的生成圖像。

    判別器與生成器形成模型對稱,同樣設(shè)置4層卷積核大小為3×3,步長s=2的卷積層,并進(jìn)行p=1的邊界填充,經(jīng)過每一層卷積操作完成特征提取后,對得到的特征進(jìn)行BatchNorm批次標(biāo)準(zhǔn)化以及Leaky ReLU激活函數(shù)的非線性整合。然后,判別器網(wǎng)絡(luò)中加入了Dropout,可在一定程度上避免網(wǎng)絡(luò)過擬合。最后,將提取到的特征圖經(jīng)過全連接層輸出映射為一個值,并將這個值經(jīng)過sigmoid激活函數(shù)后,輸出該判別器網(wǎng)絡(luò)對輸入圖像數(shù)據(jù)類別的概率值。

    3.2.2 CNN模型搭建

    CNN與DCGAN的判別器模型設(shè)計(jì)搭建原理大體相似,不同的是本文的CNN采用ReLU激活函數(shù),并且比DCGAN的判別器多了池化層的設(shè)計(jì),池化層通常位于卷積層之后,用于降低卷積層的尺寸,從而降低網(wǎng)絡(luò)訓(xùn)練復(fù)雜度,但是,池化層在降低網(wǎng)絡(luò)復(fù)雜度的同時會丟失掉圖像的許多特征。由于聲吶圖像分辨率低,應(yīng)用于聲吶圖像識別的CNN應(yīng)使用較少的池化層,池化方法可以選取最大池化。本文設(shè)計(jì)搭建的CNN模型如表4所示。

    表4 CNN模型

    3.3 改進(jìn)的GR增量網(wǎng)絡(luò)實(shí)驗(yàn)分析

    為驗(yàn)證本文提出的改進(jìn)的GR增量網(wǎng)絡(luò)的類別增量學(xué)習(xí)性能,使用該網(wǎng)絡(luò)對水下目標(biāo)聲吶圖像數(shù)據(jù)集進(jìn)行類別增量學(xué)習(xí)訓(xùn)練,每一個任務(wù)目標(biāo)訓(xùn)練完成后,都用當(dāng)前學(xué)習(xí)過的所有類別數(shù)據(jù)進(jìn)行測試,得到網(wǎng)絡(luò)對新任務(wù)目標(biāo)和舊任務(wù)目標(biāo)的識別率變化如圖6所示。

    圖6 改進(jìn)的GR增量網(wǎng)絡(luò)的識別率

    將GR增量網(wǎng)絡(luò)與改進(jìn)的GR增量網(wǎng)絡(luò)的平均識別準(zhǔn)確率進(jìn)行對比,網(wǎng)絡(luò)改進(jìn)前后的類別增量識別率結(jié)果如表5所示。

    表5 增量網(wǎng)絡(luò)改進(jìn)前后的類別增量識別率

    采用改進(jìn)的GR增量網(wǎng)絡(luò),第一個任務(wù)進(jìn)入增量網(wǎng)絡(luò)訓(xùn)練完成后,網(wǎng)絡(luò)對所有目標(biāo)類別的平均識別率為100%。當(dāng)?shù)诙€任務(wù)作為新類別數(shù)據(jù)進(jìn)入增量網(wǎng)絡(luò)訓(xùn)練完成后,網(wǎng)絡(luò)對所有目標(biāo)類別的平均識別率為94.3%,對歷史學(xué)習(xí)的第一個任務(wù)的識別率從100%降至98.6%,對第二個任務(wù)的識別率為90%。當(dāng)?shù)谌齻€任務(wù)作為新類別數(shù)據(jù)進(jìn)入增量網(wǎng)絡(luò)訓(xùn)練完成后,對當(dāng)前所有目標(biāo)類別的平均識別率為87%,對歷史學(xué)習(xí)的第一個任務(wù)的識別率從98.6%降到了79.3%,對歷史學(xué)習(xí)的第二個任務(wù)的識別率從90%降到了83.6%,對第三個任務(wù)的識別率為98%。改進(jìn)的GR增量網(wǎng)絡(luò)對當(dāng)前所有任務(wù)目標(biāo)的平均識別準(zhǔn)確率始終高于GR增量網(wǎng)絡(luò),平均識別率相比提高了19.4%。改進(jìn)的GR增量網(wǎng)絡(luò)對于歷史任務(wù)目標(biāo)的平均識別率相比GR增量網(wǎng)絡(luò)提升了34.7%。

    為驗(yàn)證本文提出改進(jìn)的重構(gòu)模型和識別網(wǎng)絡(luò)分別對于聲吶圖像類別增量學(xué)習(xí)的作用,將重構(gòu)模型VAE和DCGAN與識別網(wǎng)絡(luò)MLP和CNN分別進(jìn)行組合,重構(gòu)模型和識別網(wǎng)絡(luò)分別改進(jìn)前后的平均識別率和參數(shù)量如表6所示。

    表6 增量網(wǎng)絡(luò)改進(jìn)前后的平均識別率和參數(shù)量

    由表6可得,相比VAE+MLP,DCGAN+MLP的平均識別率提高了11.8%,參數(shù)量降低了47.5%;VAE+CNN的平均識別率提升了11.2%,參數(shù)量降低了31.5%;DCGAN+CNN的平均識別率提高了19.4%,參數(shù)量降低了79%。相比單獨(dú)改進(jìn)識別網(wǎng)絡(luò),單獨(dú)改進(jìn)重構(gòu)模型對GR增量網(wǎng)絡(luò)平均識別率的提高和參數(shù)量的降低更加明顯,而DCGAN+CNN是最佳的GR增量網(wǎng)絡(luò)結(jié)構(gòu)。

    4 實(shí)驗(yàn)驗(yàn)證與分析

    4.1 實(shí)驗(yàn)數(shù)據(jù)集的建立

    為驗(yàn)證本文提出的改進(jìn)GR增量網(wǎng)絡(luò)對水下目標(biāo)聲吶圖像類別增量學(xué)習(xí)的泛化性,通過外場試驗(yàn)建立水下目標(biāo)聲吶圖像數(shù)據(jù)集如表7所示,將實(shí)驗(yàn)數(shù)據(jù)集隨機(jī)劃分為圖7所示的3個任務(wù)目標(biāo)。

    表7 實(shí)驗(yàn)數(shù)據(jù)集

    圖7 任務(wù)目標(biāo)

    4.2 增量網(wǎng)絡(luò)泛化性實(shí)驗(yàn)

    分別采用GR增量網(wǎng)絡(luò)和改進(jìn)的GR增量網(wǎng)絡(luò)對實(shí)驗(yàn)數(shù)據(jù)集進(jìn)行類別增量學(xué)習(xí)訓(xùn)練,得到改進(jìn)前后的GR增量網(wǎng)絡(luò)對所有任務(wù)目標(biāo)的識別率如表8所示。

    表8 增量網(wǎng)絡(luò)改進(jìn)前后的類別增量識別率

    本文提出的改進(jìn)的GR增量網(wǎng)絡(luò)相比GR增量網(wǎng)絡(luò),第一次訓(xùn)練后的平均識別率提高了11.1%。第二次訓(xùn)練后的平均識別率提高了14.2%。第三次訓(xùn)練后,對所有任務(wù)目標(biāo)的平均識別率提升了8.6%。對歷史任務(wù)目標(biāo)的平均識別率提升了18.8%。

    對于本文建立的實(shí)驗(yàn)數(shù)據(jù)集,采用經(jīng)典增量學(xué)習(xí)方法與本文提出的改進(jìn)GR增量網(wǎng)絡(luò)進(jìn)行對比,各種增量學(xué)習(xí)方法的識別率結(jié)果如表9所示。

    由表9可得,基于正則化的EWC和LWF方法對于聲吶圖像類別增量學(xué)習(xí)表現(xiàn)較差,當(dāng)網(wǎng)絡(luò)訓(xùn)練完成后,對所有任務(wù)目標(biāo)平均識別率均低于45%。相比而言,GR增量網(wǎng)絡(luò)總體表現(xiàn)更好,尤其是本文提出的改進(jìn)GR增量網(wǎng)絡(luò),對所有任務(wù)目標(biāo)的平均識別率達(dá)到86.9%。

    表9 各種增量學(xué)習(xí)方法的識別率

    5 結(jié) 論

    本文基于深層卷積生成對抗網(wǎng)絡(luò)與卷積神經(jīng)網(wǎng)絡(luò)理論,對GR增量網(wǎng)絡(luò)的重構(gòu)模型與識別網(wǎng)絡(luò)進(jìn)行改進(jìn),提出了一種改進(jìn)的GR增量網(wǎng)絡(luò),對所有聲吶圖像任務(wù)目標(biāo)的平均識別率提升了19.4%,對歷史任務(wù)目標(biāo)的平均識別率提升了34.7%。采用外場實(shí)驗(yàn)獲得的水下目標(biāo)聲吶圖像實(shí)驗(yàn)數(shù)據(jù)集進(jìn)行了網(wǎng)絡(luò)泛化性實(shí)驗(yàn),改進(jìn)的GR增量網(wǎng)絡(luò)對所有任務(wù)目標(biāo)的平均識別率提升了8.6%,對歷史任務(wù)目標(biāo)的平均識別率提升了18.8%。上述結(jié)果表明,本文提出的改進(jìn)GR增量網(wǎng)絡(luò)對于聲吶圖像具有良好的類別增量學(xué)習(xí)性能,較好地緩解了對歷史任務(wù)目標(biāo)的災(zāi)難性遺忘問題。

    猜你喜歡
    聲吶識別率增量
    探索大洋的“千里眼”——聲吶
    提質(zhì)和增量之間的“辯證”
    一種便攜式側(cè)掃聲吶舷側(cè)支架的設(shè)計(jì)及實(shí)現(xiàn)
    基于類圖像處理與向量化的大數(shù)據(jù)腳本攻擊智能檢測
    “價增量減”型應(yīng)用題點(diǎn)撥
    聲吶
    基于真耳分析的助聽器配戴者言語可懂度指數(shù)與言語識別率的關(guān)系
    提升高速公路MTC二次抓拍車牌識別率方案研究
    基于均衡增量近鄰查詢的位置隱私保護(hù)方法
    高速公路機(jī)電日常維護(hù)中車牌識別率分析系統(tǒng)的應(yīng)用
    国产一区二区亚洲精品在线观看| 久久99热6这里只有精品| 香蕉精品网在线| 久久这里有精品视频免费| .国产精品久久| 街头女战士在线观看网站| 亚州av有码| 久久久久久久精品精品| 亚洲国产色片| 一级爰片在线观看| 国产又色又爽无遮挡免| 久久久久久久久久人人人人人人| 成人二区视频| 国产视频内射| 黄色视频在线播放观看不卡| 中文乱码字字幕精品一区二区三区| 少妇 在线观看| 久久午夜福利片| 欧美另类一区| 97在线视频观看| 99久久中文字幕三级久久日本| 视频区图区小说| 精品人妻偷拍中文字幕| 亚洲美女视频黄频| 少妇人妻久久综合中文| 人妻夜夜爽99麻豆av| 欧美xxⅹ黑人| 夫妻性生交免费视频一级片| 欧美人与善性xxx| 在线播放无遮挡| 亚洲欧美成人精品一区二区| 国产淫语在线视频| 中文天堂在线官网| 一级毛片 在线播放| 国产免费一区二区三区四区乱码| 欧美 日韩 精品 国产| 精品少妇黑人巨大在线播放| 汤姆久久久久久久影院中文字幕| 爱豆传媒免费全集在线观看| 麻豆成人午夜福利视频| 午夜免费男女啪啪视频观看| 久久久久久久久久人人人人人人| av又黄又爽大尺度在线免费看| 超碰av人人做人人爽久久| 一级黄片播放器| 精品99又大又爽又粗少妇毛片| 亚洲av中文字字幕乱码综合| 九九在线视频观看精品| 五月伊人婷婷丁香| 国产综合精华液| 狂野欧美白嫩少妇大欣赏| 国产欧美日韩一区二区三区在线 | 夜夜爽夜夜爽视频| 国产老妇女一区| 波野结衣二区三区在线| 国产成人freesex在线| 成人美女网站在线观看视频| av黄色大香蕉| 亚洲不卡免费看| 99热这里只有精品一区| 蜜桃亚洲精品一区二区三区| 久热久热在线精品观看| 日韩免费高清中文字幕av| 舔av片在线| 亚洲欧洲日产国产| 大片电影免费在线观看免费| 成人特级av手机在线观看| 亚洲国产欧美人成| 亚洲国产最新在线播放| 国产在线一区二区三区精| 中国美白少妇内射xxxbb| 免费观看av网站的网址| 日韩强制内射视频| 亚洲欧美一区二区三区国产| 99久久精品一区二区三区| 在线精品无人区一区二区三 | 国产成人精品福利久久| 日韩大片免费观看网站| 国模一区二区三区四区视频| 欧美潮喷喷水| 亚洲av日韩在线播放| 精品午夜福利在线看| 色视频在线一区二区三区| 一级毛片我不卡| 一本久久精品| 国内精品宾馆在线| 亚洲av.av天堂| 欧美区成人在线视频| 国产高清不卡午夜福利| 欧美最新免费一区二区三区| 在线a可以看的网站| 成年版毛片免费区| 观看免费一级毛片| 国产精品伦人一区二区| 亚洲在线观看片| 亚洲人成网站在线观看播放| 国产极品天堂在线| 嫩草影院精品99| 久久久久九九精品影院| 亚洲人成网站在线播| 黄色一级大片看看| 少妇人妻一区二区三区视频| 国语对白做爰xxxⅹ性视频网站| 国产欧美日韩一区二区三区在线 | 久久久久久久久久人人人人人人| 男女边吃奶边做爰视频| 久久精品夜色国产| av线在线观看网站| 国产永久视频网站| 91午夜精品亚洲一区二区三区| 日韩不卡一区二区三区视频在线| 精品久久久久久电影网| 99久久精品热视频| 各种免费的搞黄视频| 视频区图区小说| 国产成年人精品一区二区| 啦啦啦在线观看免费高清www| 久久精品综合一区二区三区| 综合色av麻豆| 日韩成人av中文字幕在线观看| 色视频www国产| 人人妻人人看人人澡| 熟女电影av网| 啦啦啦在线观看免费高清www| 国产在视频线精品| 国产爽快片一区二区三区| 色网站视频免费| av国产免费在线观看| 亚洲高清免费不卡视频| 最近最新中文字幕大全电影3| 高清午夜精品一区二区三区| 日韩三级伦理在线观看| 禁无遮挡网站| videos熟女内射| 欧美日本视频| 新久久久久国产一级毛片| 黄片wwwwww| av福利片在线观看| 国产毛片a区久久久久| 人体艺术视频欧美日本| 亚洲成人中文字幕在线播放| 亚洲自偷自拍三级| 狂野欧美激情性xxxx在线观看| 免费观看性生交大片5| 男人爽女人下面视频在线观看| 少妇熟女欧美另类| 91精品国产九色| 国产亚洲av片在线观看秒播厂| 中文资源天堂在线| 婷婷色综合大香蕉| 在线观看免费高清a一片| 99热这里只有是精品50| 边亲边吃奶的免费视频| 最近中文字幕高清免费大全6| 亚洲av免费高清在线观看| 国产美女午夜福利| 国语对白做爰xxxⅹ性视频网站| 成年免费大片在线观看| 国产精品国产三级国产专区5o| 男人狂女人下面高潮的视频| 蜜桃久久精品国产亚洲av| 亚洲在线观看片| 久久女婷五月综合色啪小说 | 99视频精品全部免费 在线| eeuss影院久久| 日本一二三区视频观看| 联通29元200g的流量卡| 日本-黄色视频高清免费观看| 欧美国产精品一级二级三级 | 色视频www国产| 国产伦理片在线播放av一区| 久久精品久久久久久噜噜老黄| 听说在线观看完整版免费高清| 亚洲婷婷狠狠爱综合网| 欧美老熟妇乱子伦牲交| 国产一区二区三区av在线| 综合色av麻豆| 欧美人与善性xxx| 一个人看的www免费观看视频| 国产欧美亚洲国产| 亚洲色图av天堂| 久久热精品热| 免费看a级黄色片| 国产亚洲午夜精品一区二区久久 | 国产av国产精品国产| 97热精品久久久久久| 国产精品久久久久久久久免| 国产精品久久久久久精品古装| 国产大屁股一区二区在线视频| 97超碰精品成人国产| 看黄色毛片网站| 欧美区成人在线视频| 亚洲成人精品中文字幕电影| 777米奇影视久久| 啦啦啦中文免费视频观看日本| 男人爽女人下面视频在线观看| 成年av动漫网址| 亚洲国产成人一精品久久久| 黄色一级大片看看| 婷婷色麻豆天堂久久| 欧美精品国产亚洲| 2021少妇久久久久久久久久久| 亚洲欧美日韩另类电影网站 | av在线蜜桃| 日本午夜av视频| 有码 亚洲区| 高清欧美精品videossex| 韩国av在线不卡| 亚洲久久久久久中文字幕| 国产探花极品一区二区| 国产高清不卡午夜福利| 久久久亚洲精品成人影院| 男女下面进入的视频免费午夜| 高清日韩中文字幕在线| 春色校园在线视频观看| 国产精品伦人一区二区| 丝袜喷水一区| 日韩,欧美,国产一区二区三区| 午夜日本视频在线| 听说在线观看完整版免费高清| 久久久久久久大尺度免费视频| 亚洲精品aⅴ在线观看| 亚洲精品国产成人久久av| 午夜福利视频精品| 欧美成人精品欧美一级黄| 亚洲天堂国产精品一区在线| 国产色婷婷99| 国产欧美亚洲国产| 日韩av在线免费看完整版不卡| av免费在线看不卡| 久久99热这里只频精品6学生| 日本欧美国产在线视频| 久久99热6这里只有精品| 久久久精品免费免费高清| .国产精品久久| 久久久午夜欧美精品| 搡女人真爽免费视频火全软件| 在线观看国产h片| 51国产日韩欧美| 国产亚洲av片在线观看秒播厂| 国产伦理片在线播放av一区| 两个人的视频大全免费| eeuss影院久久| 午夜亚洲福利在线播放| 欧美丝袜亚洲另类| 直男gayav资源| 人妻 亚洲 视频| 波野结衣二区三区在线| 亚洲精品,欧美精品| 欧美性猛交╳xxx乱大交人| 毛片女人毛片| 欧美成人午夜免费资源| 国产成人一区二区在线| 亚洲av国产av综合av卡| 国内揄拍国产精品人妻在线| 久久久久久久午夜电影| 一本久久精品| 老司机影院成人| 成人综合一区亚洲| 亚洲成人av在线免费| 91aial.com中文字幕在线观看| 色吧在线观看| 99久国产av精品国产电影| 九九爱精品视频在线观看| 国产精品99久久久久久久久| 黄色日韩在线| 一本—道久久a久久精品蜜桃钙片 精品乱码久久久久久99久播 | 欧美性猛交╳xxx乱大交人| 美女cb高潮喷水在线观看| 久热久热在线精品观看| 黄色配什么色好看| 汤姆久久久久久久影院中文字幕| 九色成人免费人妻av| 一区二区三区乱码不卡18| 青春草国产在线视频| 国产探花极品一区二区| 在线a可以看的网站| 18+在线观看网站| av线在线观看网站| 久久久久久久久久人人人人人人| 午夜日本视频在线| 五月玫瑰六月丁香| 国产一级毛片在线| 久久亚洲国产成人精品v| av在线蜜桃| 91久久精品国产一区二区三区| 男插女下体视频免费在线播放| 欧美极品一区二区三区四区| 成人午夜精彩视频在线观看| 日日啪夜夜撸| 国产成人福利小说| 好男人在线观看高清免费视频| 国产精品伦人一区二区| 国产伦精品一区二区三区四那| 亚洲天堂av无毛| 视频中文字幕在线观看| 日韩电影二区| 我的老师免费观看完整版| 一区二区三区免费毛片| 国产毛片在线视频| 欧美国产精品一级二级三级 | 精品久久国产蜜桃| 久久久久国产精品人妻一区二区| 伦精品一区二区三区| 欧美国产精品一级二级三级 | 国产精品人妻久久久影院| 少妇 在线观看| 久久亚洲国产成人精品v| 菩萨蛮人人尽说江南好唐韦庄| 久久久久精品性色| 国内精品美女久久久久久| 亚洲av电影在线观看一区二区三区 | 日韩成人伦理影院| 亚洲av免费在线观看| 亚洲图色成人| 国产精品偷伦视频观看了| 久久97久久精品| 国产伦在线观看视频一区| 少妇人妻久久综合中文| 亚洲不卡免费看| 神马国产精品三级电影在线观看| 国产老妇伦熟女老妇高清| 久久久久国产网址| 亚洲怡红院男人天堂| 午夜精品国产一区二区电影 | 国产av国产精品国产| 成年女人在线观看亚洲视频 | 国产 一区 欧美 日韩| 3wmmmm亚洲av在线观看| 久久久久国产精品人妻一区二区| 黄色日韩在线| 91精品伊人久久大香线蕉| 中文字幕久久专区| 午夜激情久久久久久久| 国产精品国产三级国产专区5o| av天堂中文字幕网| 最近最新中文字幕免费大全7| 一区二区三区四区激情视频| 国产乱来视频区| 色综合色国产| 精华霜和精华液先用哪个| 超碰av人人做人人爽久久| 99热6这里只有精品| 女人久久www免费人成看片| 99热国产这里只有精品6| 日韩成人av中文字幕在线观看| 国产爽快片一区二区三区| 人人妻人人澡人人爽人人夜夜| 少妇人妻一区二区三区视频| 综合色丁香网| 国产日韩欧美在线精品| 日韩精品有码人妻一区| 熟女人妻精品中文字幕| freevideosex欧美| 好男人在线观看高清免费视频| 日本-黄色视频高清免费观看| 久久精品久久精品一区二区三区| 国产毛片在线视频| 亚洲国产欧美人成| 天堂网av新在线| 精品国产三级普通话版| 国产 精品1| 国产免费一级a男人的天堂| 亚洲色图综合在线观看| 十八禁网站网址无遮挡 | 午夜福利在线在线| 最近手机中文字幕大全| 1000部很黄的大片| 一区二区三区免费毛片| 亚洲国产高清在线一区二区三| 777米奇影视久久| 亚洲成人久久爱视频| 久久热精品热| 99热网站在线观看| 婷婷色综合www| 大又大粗又爽又黄少妇毛片口| 久久精品人妻少妇| 中国三级夫妇交换| 99九九线精品视频在线观看视频| 亚洲国产色片| 91精品国产九色| 99久久九九国产精品国产免费| 国产高清国产精品国产三级 | 欧美性猛交╳xxx乱大交人| kizo精华| 国国产精品蜜臀av免费| 波多野结衣巨乳人妻| 免费不卡的大黄色大毛片视频在线观看| 丝袜喷水一区| 精品一区二区免费观看| 亚洲精品一区蜜桃| av免费观看日本| 中文乱码字字幕精品一区二区三区| 成人毛片60女人毛片免费| 好男人视频免费观看在线| 国产av码专区亚洲av| 夫妻午夜视频| 日韩视频在线欧美| 免费看a级黄色片| 亚洲婷婷狠狠爱综合网| 日韩国内少妇激情av| 日韩大片免费观看网站| 97精品久久久久久久久久精品| 国产成人精品久久久久久| 男女边吃奶边做爰视频| 三级国产精品片| av在线蜜桃| 色视频在线一区二区三区| 99热这里只有精品一区| 国产成人精品久久久久久| 成人特级av手机在线观看| 国产大屁股一区二区在线视频| 久久久久久九九精品二区国产| 久久人人爽av亚洲精品天堂 | 嫩草影院新地址| 99久久精品一区二区三区| 国产一区二区三区av在线| av免费观看日本| 国产视频内射| 插逼视频在线观看| 有码 亚洲区| 精品亚洲乱码少妇综合久久| 大陆偷拍与自拍| 欧美国产精品一级二级三级 | 天堂中文最新版在线下载 | 国产免费视频播放在线视频| 一个人看的www免费观看视频| 亚洲欧美日韩卡通动漫| 99精国产麻豆久久婷婷| 欧美xxxx黑人xx丫x性爽| 你懂的网址亚洲精品在线观看| 美女内射精品一级片tv| 国产高清三级在线| 少妇被粗大猛烈的视频| 精品久久久精品久久久| 日韩电影二区| 免费av毛片视频| 亚洲精品成人av观看孕妇| 日本-黄色视频高清免费观看| 国产片特级美女逼逼视频| 成年女人看的毛片在线观看| 狂野欧美白嫩少妇大欣赏| 国产真实伦视频高清在线观看| 免费看日本二区| 亚洲精品日韩av片在线观看| 国产在线一区二区三区精| 哪个播放器可以免费观看大片| 成年av动漫网址| 欧美精品人与动牲交sv欧美| 天美传媒精品一区二区| 久久精品熟女亚洲av麻豆精品| 街头女战士在线观看网站| 成人无遮挡网站| 一个人看视频在线观看www免费| 爱豆传媒免费全集在线观看| 国产精品一二三区在线看| 国产爱豆传媒在线观看| 91在线精品国自产拍蜜月| 久久亚洲国产成人精品v| 少妇丰满av| 水蜜桃什么品种好| 国产免费福利视频在线观看| 日本欧美国产在线视频| 少妇高潮的动态图| 中国国产av一级| 伦理电影大哥的女人| 午夜亚洲福利在线播放| av天堂中文字幕网| 欧美成人a在线观看| 免费观看av网站的网址| 免费观看的影片在线观看| 亚洲国产高清在线一区二区三| 国产成人免费无遮挡视频| 插逼视频在线观看| 最近手机中文字幕大全| 国产精品国产三级专区第一集| 青春草国产在线视频| 精品国产乱码久久久久久小说| 国产精品一区www在线观看| 永久网站在线| 女人十人毛片免费观看3o分钟| 观看免费一级毛片| 国产亚洲最大av| 午夜免费男女啪啪视频观看| 91久久精品国产一区二区成人| 日本熟妇午夜| 毛片女人毛片| 天堂中文最新版在线下载 | 男女无遮挡免费网站观看| 亚洲自偷自拍三级| 午夜免费男女啪啪视频观看| 青春草亚洲视频在线观看| 色综合色国产| 欧美xxxx黑人xx丫x性爽| 国产成人精品久久久久久| 日韩免费高清中文字幕av| 精品人妻偷拍中文字幕| 最近2019中文字幕mv第一页| 精品久久久久久久久亚洲| 国产精品伦人一区二区| 日韩三级伦理在线观看| 观看免费一级毛片| 欧美性猛交╳xxx乱大交人| 国产成人午夜福利电影在线观看| 综合色丁香网| 80岁老熟妇乱子伦牲交| 丝袜美腿在线中文| 久久久久久久久久久免费av| 亚洲国产色片| 午夜福利网站1000一区二区三区| 久久久色成人| 大陆偷拍与自拍| 水蜜桃什么品种好| 日韩av在线免费看完整版不卡| 51国产日韩欧美| 看免费成人av毛片| 18禁在线播放成人免费| 国产精品不卡视频一区二区| 亚洲av男天堂| 国产一级毛片在线| 日本午夜av视频| 免费黄色在线免费观看| 成人亚洲欧美一区二区av| 嫩草影院入口| 色5月婷婷丁香| 在线观看三级黄色| 成人美女网站在线观看视频| 美女主播在线视频| 亚洲精品影视一区二区三区av| 国产成人aa在线观看| 国产精品一区二区三区四区免费观看| 女人十人毛片免费观看3o分钟| 国产成人精品福利久久| 毛片一级片免费看久久久久| 成人免费观看视频高清| 国产精品三级大全| 成人免费观看视频高清| 亚洲va在线va天堂va国产| 久久久午夜欧美精品| 欧美成人一区二区免费高清观看| 国产有黄有色有爽视频| 黄色怎么调成土黄色| 国产大屁股一区二区在线视频| 丰满人妻一区二区三区视频av| 美女高潮的动态| 两个人的视频大全免费| 午夜爱爱视频在线播放| 国产av码专区亚洲av| 夫妻午夜视频| 国产又色又爽无遮挡免| 亚洲av男天堂| 欧美极品一区二区三区四区| 国产成人91sexporn| 如何舔出高潮| 又大又黄又爽视频免费| 女人被狂操c到高潮| 欧美三级亚洲精品| 色婷婷久久久亚洲欧美| 免费看光身美女| 99九九线精品视频在线观看视频| 亚洲,欧美,日韩| 欧美国产精品一级二级三级 | 国产日韩欧美在线精品| 亚洲国产欧美人成| 国产一区有黄有色的免费视频| 看非洲黑人一级黄片| 极品少妇高潮喷水抽搐| 最新中文字幕久久久久| 成年人午夜在线观看视频| 黄色一级大片看看| 一级毛片久久久久久久久女| 亚洲最大成人中文| 舔av片在线| 精品视频人人做人人爽| 中国国产av一级| av专区在线播放| 综合色av麻豆| 精品亚洲乱码少妇综合久久| 亚洲精品日韩av片在线观看| 久久久久性生活片| 国产有黄有色有爽视频| 麻豆成人午夜福利视频| 国产老妇女一区| 免费看av在线观看网站| www.色视频.com| 99久久精品一区二区三区| 一级片'在线观看视频| 99久久人妻综合| 精品人妻视频免费看| 久久久久性生活片| 黄片wwwwww| 蜜桃亚洲精品一区二区三区| 日韩av在线免费看完整版不卡| 免费看av在线观看网站| 久久99精品国语久久久| 亚洲不卡免费看| 少妇被粗大猛烈的视频| 亚洲成人中文字幕在线播放| 午夜精品国产一区二区电影 | 亚洲av中文字字幕乱码综合| 狂野欧美激情性xxxx在线观看| 夜夜看夜夜爽夜夜摸| 99热6这里只有精品| 国产欧美另类精品又又久久亚洲欧美| 精品久久久久久久人妻蜜臀av| 18禁裸乳无遮挡免费网站照片| 日韩人妻高清精品专区| 丝袜喷水一区| 精品久久久久久电影网| 99re6热这里在线精品视频| 大香蕉97超碰在线| 2021天堂中文幕一二区在线观| 精品视频人人做人人爽| 国产精品女同一区二区软件| 99久久九九国产精品国产免费|