• <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
    精品电影一区二区在线| 两性夫妻黄色片| 久久久国产成人精品二区| 一二三四社区在线视频社区8| 90打野战视频偷拍视频| 毛片女人毛片| 久久国产精品人妻蜜桃| 亚洲精品一卡2卡三卡4卡5卡| 欧美日本亚洲视频在线播放| 亚洲av成人av| 后天国语完整版免费观看| 国产成人啪精品午夜网站| 搡老熟女国产l中国老女人| 国产精品综合久久久久久久免费| 免费高清视频大片| 黄片大片在线免费观看| 亚洲欧洲精品一区二区精品久久久| 757午夜福利合集在线观看| 男人舔奶头视频| 美女高潮喷水抽搐中文字幕| 日本一二三区视频观看| 成人18禁高潮啪啪吃奶动态图| 免费无遮挡裸体视频| 国产精品久久久久久亚洲av鲁大| 国产精品日韩av在线免费观看| 亚洲成av人片免费观看| 亚洲人成网站高清观看| 在线观看www视频免费| 国产免费av片在线观看野外av| 舔av片在线| 亚洲精华国产精华精| 91av网站免费观看| 岛国在线免费视频观看| 亚洲狠狠婷婷综合久久图片| 极品教师在线免费播放| 99热6这里只有精品| 成人一区二区视频在线观看| 国产精品综合久久久久久久免费| 国产亚洲欧美在线一区二区| 1024手机看黄色片| 看免费av毛片| 一进一出抽搐gif免费好疼| 亚洲熟妇熟女久久| 国产精品美女特级片免费视频播放器 | 69av精品久久久久久| 国产麻豆成人av免费视频| 久久这里只有精品19| 夜夜躁狠狠躁天天躁| 可以在线观看毛片的网站| 国产精品亚洲一级av第二区| 99久久精品热视频| 又大又爽又粗| 日本一本二区三区精品| 久久婷婷成人综合色麻豆| 深夜精品福利| 亚洲色图 男人天堂 中文字幕| 欧美大码av| 一级黄色大片毛片| 亚洲av美国av| 一级作爱视频免费观看| 天堂av国产一区二区熟女人妻 | 免费搜索国产男女视频| 99热这里只有精品一区 | 妹子高潮喷水视频| 美女黄网站色视频| 日本一二三区视频观看| 成人欧美大片| 一区二区三区高清视频在线| 色综合站精品国产| 桃色一区二区三区在线观看| 欧美性长视频在线观看| 97人妻精品一区二区三区麻豆| 精品国产乱码久久久久久男人| 在线看三级毛片| 欧美日本视频| 亚洲欧美日韩无卡精品| 日本免费a在线| 欧美一级毛片孕妇| 国产精品免费视频内射| 久久久久久久久久黄片| av福利片在线| 91九色精品人成在线观看| 日本五十路高清| 国产精品自产拍在线观看55亚洲| www国产在线视频色| 免费在线观看视频国产中文字幕亚洲| 色噜噜av男人的天堂激情| 大型av网站在线播放| 熟女少妇亚洲综合色aaa.| 亚洲午夜精品一区,二区,三区| 巨乳人妻的诱惑在线观看| 欧美日韩乱码在线| √禁漫天堂资源中文www| 国产精品99久久99久久久不卡| 免费av毛片视频| 99riav亚洲国产免费| 91大片在线观看| 欧美三级亚洲精品| 欧美日韩中文字幕国产精品一区二区三区| 国产视频内射| 国内精品一区二区在线观看| 他把我摸到了高潮在线观看| 91国产中文字幕| 黄色a级毛片大全视频| 麻豆久久精品国产亚洲av| 99在线人妻在线中文字幕| 18禁黄网站禁片午夜丰满| 日韩欧美在线乱码| 五月伊人婷婷丁香| 日韩高清综合在线| 亚洲精品av麻豆狂野| 欧美+亚洲+日韩+国产| 国产精品爽爽va在线观看网站| 欧美黄色淫秽网站| 亚洲欧美精品综合一区二区三区| 欧美黑人欧美精品刺激| 99热6这里只有精品| 国产成+人综合+亚洲专区| 搡老岳熟女国产| 免费人成视频x8x8入口观看| 在线国产一区二区在线| 18禁黄网站禁片免费观看直播| 两个人视频免费观看高清| 成人18禁在线播放| 欧美日韩黄片免| 国产一区二区在线av高清观看| 狂野欧美白嫩少妇大欣赏| 欧美高清成人免费视频www| 国产亚洲精品第一综合不卡| 欧美黑人巨大hd| 亚洲天堂国产精品一区在线| 18禁观看日本| 免费观看人在逋| 老司机午夜福利在线观看视频| 国产精品99久久99久久久不卡| 丰满人妻一区二区三区视频av | 女生性感内裤真人,穿戴方法视频| 亚洲成人久久爱视频| 在线观看舔阴道视频| 精华霜和精华液先用哪个| 18美女黄网站色大片免费观看| 成人18禁高潮啪啪吃奶动态图| 国产爱豆传媒在线观看 | 国产黄片美女视频| 免费电影在线观看免费观看| 国产成人一区二区三区免费视频网站| 久久久久国产精品人妻aⅴ院| 99久久精品热视频| 国产成人一区二区三区免费视频网站| 国产精品乱码一区二三区的特点| 精品乱码久久久久久99久播| 免费在线观看成人毛片| 国产精品一区二区精品视频观看| 麻豆国产97在线/欧美 | 午夜免费成人在线视频| av超薄肉色丝袜交足视频| 黑人欧美特级aaaaaa片| 午夜影院日韩av| 99国产精品一区二区蜜桃av| 日韩大尺度精品在线看网址| 精品国产亚洲在线| 神马国产精品三级电影在线观看 | 国产成人aa在线观看| 美女扒开内裤让男人捅视频| 欧美日韩瑟瑟在线播放| 国产不卡一卡二| 老鸭窝网址在线观看| 欧美黄色淫秽网站| netflix在线观看网站| 亚洲美女黄片视频| 日本a在线网址| 精品欧美一区二区三区在线| 欧美乱色亚洲激情| 最好的美女福利视频网| 深夜精品福利| 日日干狠狠操夜夜爽| 可以免费在线观看a视频的电影网站| 777久久人妻少妇嫩草av网站| 亚洲男人天堂网一区| 国产欧美日韩一区二区精品| 欧美精品啪啪一区二区三区| 久久香蕉国产精品| 99热这里只有精品一区 | 午夜免费成人在线视频| a在线观看视频网站| 可以在线观看毛片的网站| 欧美日本亚洲视频在线播放| 桃红色精品国产亚洲av| 天天一区二区日本电影三级| 美女高潮喷水抽搐中文字幕| 色综合欧美亚洲国产小说| 一区二区三区激情视频| 亚洲人成77777在线视频| 成人亚洲精品av一区二区| 夜夜看夜夜爽夜夜摸| 色综合站精品国产| 最新美女视频免费是黄的| ponron亚洲| 欧美日韩乱码在线| 日日摸夜夜添夜夜添小说| 日韩成人在线观看一区二区三区| 日本一二三区视频观看| 无限看片的www在线观看| 国产私拍福利视频在线观看| 老司机午夜福利在线观看视频| 精品国产超薄肉色丝袜足j| 午夜福利免费观看在线| 国产激情久久老熟女| 999精品在线视频| 露出奶头的视频| 法律面前人人平等表现在哪些方面| 亚洲精品在线美女| 宅男免费午夜| 一二三四社区在线视频社区8| 啦啦啦观看免费观看视频高清| 1024香蕉在线观看| 一本精品99久久精品77| 欧美3d第一页| 欧美久久黑人一区二区| 国产精品电影一区二区三区| 又黄又爽又免费观看的视频| 窝窝影院91人妻| 麻豆久久精品国产亚洲av| 亚洲av成人av| 成人av在线播放网站| 夜夜躁狠狠躁天天躁| 欧美黄色淫秽网站| 精品国产乱子伦一区二区三区| 国产精品1区2区在线观看.| 12—13女人毛片做爰片一| 婷婷精品国产亚洲av在线| 女生性感内裤真人,穿戴方法视频| 欧美一级毛片孕妇| 男人舔奶头视频| 亚洲国产欧美一区二区综合| 女人爽到高潮嗷嗷叫在线视频| 在线观看一区二区三区| 可以在线观看的亚洲视频| 国产免费男女视频| 欧美日韩黄片免| 国产在线观看jvid| 一边摸一边抽搐一进一小说| 在线观看日韩欧美| 亚洲国产精品久久男人天堂| 777久久人妻少妇嫩草av网站| 亚洲成人精品中文字幕电影| 色综合站精品国产| 国产成人av教育| 一本大道久久a久久精品| 国产在线观看jvid| 欧美成人性av电影在线观看| 狂野欧美激情性xxxx| 欧美最黄视频在线播放免费| 欧美成人午夜精品| 草草在线视频免费看| 久久久精品欧美日韩精品| svipshipincom国产片| 18禁观看日本| 欧美乱妇无乱码| 中文资源天堂在线| 九色成人免费人妻av| 美女扒开内裤让男人捅视频| 欧美日本亚洲视频在线播放| 女警被强在线播放| 亚洲 欧美 日韩 在线 免费| 母亲3免费完整高清在线观看| netflix在线观看网站| 久久中文看片网| 婷婷丁香在线五月| av天堂在线播放| 禁无遮挡网站| 欧美成人午夜精品| 国产精品久久视频播放| 欧美性长视频在线观看| 精品久久久久久久毛片微露脸| 成人18禁高潮啪啪吃奶动态图| 国产精品久久久av美女十八| 99久久精品国产亚洲精品| 亚洲中文字幕日韩| 色精品久久人妻99蜜桃| 在线十欧美十亚洲十日本专区| 久久久久久国产a免费观看| 一本精品99久久精品77| 国产免费av片在线观看野外av| 国产视频内射| 亚洲全国av大片| 一边摸一边抽搐一进一小说| 亚洲精品一卡2卡三卡4卡5卡| 听说在线观看完整版免费高清| 99热这里只有是精品50| 国产精品久久久久久精品电影| 精品一区二区三区四区五区乱码| 99久久久亚洲精品蜜臀av| a级毛片在线看网站| 欧美日韩国产亚洲二区| 欧美性猛交黑人性爽| 中文在线观看免费www的网站 | 国产免费男女视频| av在线天堂中文字幕| 国产成人av激情在线播放| 日韩精品免费视频一区二区三区| 国产单亲对白刺激| 无遮挡黄片免费观看| 一级作爱视频免费观看| 久久久久久免费高清国产稀缺| 一个人观看的视频www高清免费观看 | 亚洲人成77777在线视频| 久久久精品大字幕| 欧美黄色片欧美黄色片| 久久久国产成人精品二区| ponron亚洲| 亚洲成av人片免费观看| 国产亚洲精品久久久久久毛片| 亚洲av熟女| 91九色精品人成在线观看| 国产黄a三级三级三级人| 天堂影院成人在线观看| 国产一区二区在线观看日韩 | 丝袜美腿诱惑在线| 欧美日本视频| 国产精品九九99| 老司机在亚洲福利影院| 免费看美女性在线毛片视频| 9191精品国产免费久久| 亚洲国产欧洲综合997久久,| 桃红色精品国产亚洲av| 欧美日韩亚洲国产一区二区在线观看| 婷婷丁香在线五月| 青草久久国产| 97超级碰碰碰精品色视频在线观看| 特大巨黑吊av在线直播| 特级一级黄色大片| av在线播放免费不卡| 欧美在线一区亚洲| 欧美色视频一区免费| 首页视频小说图片口味搜索| 亚洲av电影不卡..在线观看| 高潮久久久久久久久久久不卡| av中文乱码字幕在线| 亚洲一卡2卡3卡4卡5卡精品中文| 亚洲中文字幕一区二区三区有码在线看 | 亚洲精品美女久久久久99蜜臀| 精品久久久久久久久久久久久| 美女午夜性视频免费| 亚洲成a人片在线一区二区| 18禁观看日本| 美女 人体艺术 gogo| 亚洲 欧美 日韩 在线 免费| 两性夫妻黄色片| 又紧又爽又黄一区二区| 这个男人来自地球电影免费观看| 亚洲熟女毛片儿| 日韩av在线大香蕉| 成人高潮视频无遮挡免费网站| av在线天堂中文字幕| 亚洲av片天天在线观看| 国产精品日韩av在线免费观看| 亚洲欧美日韩高清在线视频| 亚洲国产欧洲综合997久久,| 脱女人内裤的视频| 日韩三级视频一区二区三区| 国产精品电影一区二区三区| 久久精品综合一区二区三区| 99国产精品99久久久久| 欧美一区二区国产精品久久精品 | 亚洲片人在线观看| 日韩欧美在线二视频| 中文亚洲av片在线观看爽| www日本在线高清视频| 狂野欧美白嫩少妇大欣赏| 别揉我奶头~嗯~啊~动态视频| 窝窝影院91人妻| 亚洲精品一区av在线观看| 亚洲精品久久成人aⅴ小说| 色综合站精品国产| 美女扒开内裤让男人捅视频| 99久久精品热视频| 久久热在线av| 国产精品一区二区三区四区久久| 窝窝影院91人妻| 黄片小视频在线播放| 久久热在线av| 19禁男女啪啪无遮挡网站| 亚洲欧美日韩高清在线视频| 哪里可以看免费的av片| 精品久久久久久久人妻蜜臀av| 亚洲精品美女久久av网站| 啦啦啦韩国在线观看视频| 老汉色av国产亚洲站长工具| 日日爽夜夜爽网站| 午夜福利免费观看在线| 国产午夜精品论理片| 丝袜美腿诱惑在线| 久久久久国产精品人妻aⅴ院| 俄罗斯特黄特色一大片| www日本在线高清视频| 国产成人精品无人区| 757午夜福利合集在线观看| 大型av网站在线播放| 亚洲一区中文字幕在线| a级毛片在线看网站| 一级黄色大片毛片| 午夜免费激情av| 日韩中文字幕欧美一区二区| tocl精华| 国产精品综合久久久久久久免费| 亚洲色图 男人天堂 中文字幕| 在线观看免费视频日本深夜| 又大又爽又粗| 欧美精品啪啪一区二区三区| 亚洲无线在线观看| 欧美日韩一级在线毛片| 天天躁狠狠躁夜夜躁狠狠躁| 亚洲在线自拍视频| 国产免费男女视频| 国产午夜福利久久久久久| 丰满人妻一区二区三区视频av | 免费一级毛片在线播放高清视频| 亚洲男人天堂网一区| 日韩欧美在线二视频| 人人妻人人澡欧美一区二区| 久久久久九九精品影院| netflix在线观看网站| 香蕉av资源在线| 亚洲成a人片在线一区二区| 又黄又爽又免费观看的视频| 国产成年人精品一区二区| 夜夜夜夜夜久久久久| 757午夜福利合集在线观看| 国产一区二区三区在线臀色熟女| 亚洲专区字幕在线| 两个人视频免费观看高清| 亚洲色图av天堂| 男插女下体视频免费在线播放| 麻豆久久精品国产亚洲av| 午夜老司机福利片| 国产三级中文精品| 亚洲成av人片免费观看| 蜜桃久久精品国产亚洲av| 国产av麻豆久久久久久久| 久久精品国产亚洲av香蕉五月| x7x7x7水蜜桃| 亚洲精品一卡2卡三卡4卡5卡| 亚洲av电影在线进入| 精品久久久久久久久久久久久| 又粗又爽又猛毛片免费看| 在线观看午夜福利视频| 国产精品电影一区二区三区| 国产精品免费一区二区三区在线| 少妇的丰满在线观看| 天天躁夜夜躁狠狠躁躁| 黄片大片在线免费观看| 激情在线观看视频在线高清| 91成年电影在线观看| 亚洲av片天天在线观看| 亚洲aⅴ乱码一区二区在线播放 | 黄频高清免费视频| 日本成人三级电影网站| 午夜精品在线福利| 午夜视频精品福利| 久久久久性生活片| 97人妻精品一区二区三区麻豆| 亚洲第一电影网av| 欧美黑人欧美精品刺激| 中文字幕av在线有码专区| 欧美性猛交黑人性爽| 免费在线观看视频国产中文字幕亚洲| 中亚洲国语对白在线视频| 妹子高潮喷水视频| 夜夜夜夜夜久久久久| 久久这里只有精品中国| 亚洲 欧美一区二区三区| 嫩草影院精品99| 熟妇人妻久久中文字幕3abv| 欧美精品亚洲一区二区| 后天国语完整版免费观看| 亚洲真实伦在线观看| 亚洲avbb在线观看| 免费高清视频大片| 久久精品国产综合久久久| 一个人观看的视频www高清免费观看 | 欧美乱码精品一区二区三区| 色播亚洲综合网| 色哟哟哟哟哟哟| 桃色一区二区三区在线观看| 久久99热这里只有精品18| 亚洲欧美日韩高清在线视频| 制服丝袜大香蕉在线| 久热爱精品视频在线9| 午夜精品在线福利| 亚洲欧美日韩无卡精品| 观看免费一级毛片| 国产精品九九99| 欧美精品啪啪一区二区三区| tocl精华| 搡老岳熟女国产| 国产又黄又爽又无遮挡在线| videosex国产| 曰老女人黄片| 久99久视频精品免费| 精华霜和精华液先用哪个| 最近最新中文字幕大全电影3| 女生性感内裤真人,穿戴方法视频| 国产熟女xx| 亚洲五月天丁香| 12—13女人毛片做爰片一| 久久草成人影院| 久久精品国产清高在天天线| 国产精品野战在线观看| 18禁美女被吸乳视频| 国产午夜福利久久久久久| 桃色一区二区三区在线观看| 国产91精品成人一区二区三区| 国产精品电影一区二区三区| 久久久久久久精品吃奶| 亚洲成人久久性| 久久精品国产99精品国产亚洲性色| 亚洲激情在线av| 一级毛片高清免费大全| 欧美在线一区亚洲| 午夜视频精品福利| 美女扒开内裤让男人捅视频| av有码第一页| 曰老女人黄片| bbb黄色大片| 草草在线视频免费看| 窝窝影院91人妻| а√天堂www在线а√下载| 熟女电影av网| 麻豆成人午夜福利视频| 欧美一区二区精品小视频在线| 欧美人与性动交α欧美精品济南到| 伊人久久大香线蕉亚洲五| 美女 人体艺术 gogo| 每晚都被弄得嗷嗷叫到高潮| av福利片在线| 亚洲 国产 在线| 国内精品久久久久久久电影| www.自偷自拍.com| 中文字幕精品亚洲无线码一区| 97碰自拍视频| x7x7x7水蜜桃| 亚洲欧美日韩无卡精品| 老司机福利观看| 国产免费av片在线观看野外av| 在线播放国产精品三级| 嫩草影院精品99| 中文亚洲av片在线观看爽| e午夜精品久久久久久久| 国产欧美日韩一区二区三| 国产av麻豆久久久久久久| 久久亚洲真实| 天天躁夜夜躁狠狠躁躁| 在线播放国产精品三级| 成在线人永久免费视频| 精品国产超薄肉色丝袜足j| 老司机午夜福利在线观看视频| 免费高清视频大片| 欧美日韩瑟瑟在线播放| 久9热在线精品视频| www日本黄色视频网| 日日夜夜操网爽| 亚洲七黄色美女视频| 老汉色∧v一级毛片| 色综合欧美亚洲国产小说| 亚洲熟妇熟女久久| 日韩精品中文字幕看吧| 99精品久久久久人妻精品| 色噜噜av男人的天堂激情| 成人精品一区二区免费| 十八禁人妻一区二区| 亚洲国产精品999在线| 免费在线观看日本一区| 国产成人精品久久二区二区91| 12—13女人毛片做爰片一| xxxwww97欧美| 啦啦啦免费观看视频1| 欧美久久黑人一区二区| 亚洲狠狠婷婷综合久久图片| 国内精品一区二区在线观看| 黄频高清免费视频| 韩国av一区二区三区四区| 国内毛片毛片毛片毛片毛片| 天天一区二区日本电影三级| 亚洲欧美一区二区三区黑人| 成人永久免费在线观看视频| 少妇裸体淫交视频免费看高清 | 男女下面进入的视频免费午夜| 国产又黄又爽又无遮挡在线| 长腿黑丝高跟| 男男h啪啪无遮挡| 制服丝袜大香蕉在线| 国产精品一区二区精品视频观看| 国产亚洲av嫩草精品影院| 12—13女人毛片做爰片一| 国产97色在线日韩免费| 少妇人妻一区二区三区视频| 精品久久久久久久久久久久久| 欧美日韩乱码在线| 999久久久国产精品视频| 一本精品99久久精品77| 狠狠狠狠99中文字幕| 波多野结衣高清无吗| 91老司机精品| 国产成人精品久久二区二区91| 欧美又色又爽又黄视频| 50天的宝宝边吃奶边哭怎么回事| 一级片免费观看大全| av中文乱码字幕在线| 看免费av毛片| 亚洲国产欧美一区二区综合| 午夜福利18| 亚洲 欧美一区二区三区| 丝袜人妻中文字幕| 国产成人系列免费观看|