【技术实现步骤摘要】
基于多示例深度卷积记忆网络的高光谱目标检测方法
本专利技术属于图像处理
,更进一步涉及一种高光谱目标检测方法,可用于爆炸物检测、农作物精细分类。
技术介绍
高光谱图像由于具有丰富的时空信息,近年来在爆炸物检测、农作物精细分类等各个领域得到了广泛的应用。然而,由于传感器的精度问题,高光谱图像中标记为目标的像素,在地面真值中不一定存在目标,而是表明目标存在于包括该像素在内的一定范围的空间中。此外,由于背景复杂多样,且多数情况下目标数目远小于背景数目,使得高光谱图像的目标检测成为难点。多示例学习起源于药物活性检测,随着其应用的日益广泛,目前被认为是除有监督学习、无监督学习和强化学习以外的一种新的机器学习框架。不同于有监督学习的精确标记,多示例学习的训练样本以数据包的形式存在。若一个数据包被标记为正包,则说明该数据包至少包括一个正示例;若一个数据包被标记为负包,则说明该数据包不包含正示例。问题的核心就是通过不精确标记的样本尝试得到精确的判断。这种特性使得多示例学习逐渐在图像检索、文本分类、目标检测等各个领域得到了广泛的应用。因此将高光谱不精确标记下的目标检测问题建模为多示例问题,近年来逐渐成为研究的热点。目前多示例学习算法可以分为基于示例水平空间的多示例算法、基于包水平的多示例算法和基于嵌入空间的多示例算法。基于示例水平空间的多示例算法的核心是:首先训练一个示例水平的分类器,在此基础上集成包中各个示例的分类结果来获得包的标签。主要方法有Andrews等人提出的mi-SVM算法,它首先通过把包的标
【技术保护点】
1.一种基于多示例深度卷积记忆网络的高光谱目标检测方法,其特征在于,包括:/n(1)对输入图像进行划分:/n(1a)输入高光谱图像,并对每幅图像作标准化处理;/n(1b)将标准化处理后的60%图像作为训练集A,20%的图像作为验证集B,剩余20%的图像作为测试集C;/n(1c)将每幅图像中标记为目标的像素及其周围的5×5像素块作为正包,其余非目标像素作为负包;/n(2)搭建依次包括一个输入层,中间三个重复的结构单元和一个输出层共11层结构的多示例深度卷积记忆网络N,每个结构单元包括一个一维卷积层,一个批量归一化层和一个长短时记忆网络层;/n(3)对多示例深度卷积记忆网络N进行迭代训练:/n(3a)设置初始迭代次数t
【技术特征摘要】
1.一种基于多示例深度卷积记忆网络的高光谱目标检测方法,其特征在于,包括:
(1)对输入图像进行划分:
(1a)输入高光谱图像,并对每幅图像作标准化处理;
(1b)将标准化处理后的60%图像作为训练集A,20%的图像作为验证集B,剩余20%的图像作为测试集C;
(1c)将每幅图像中标记为目标的像素及其周围的5×5像素块作为正包,其余非目标像素作为负包;
(2)搭建依次包括一个输入层,中间三个重复的结构单元和一个输出层共11层结构的多示例深度卷积记忆网络N,每个结构单元包括一个一维卷积层,一个批量归一化层和一个长短时记忆网络层;
(3)对多示例深度卷积记忆网络N进行迭代训练:
(3a)设置初始迭代次数t0=0、初始训练代数e0=0、间隔观察代数e、最大迭代次数T、最大训练代数E、学习率l、损失函数L以及网络性能的评价指标NAUC;
(3b)对多示例深度卷积记忆网络N进行初步训练:
(3b1)将训练集A中各个正包和负包的标签分别作为该正包和负包中各个像素的标签,即正包中各个像素的标签为1,负包中各个像素的标签为0;
(3b2)用带标签的像素训练多示例深度卷积记忆网络N,当经过间隔观察代数e网络在验证集B上的性能都没有提升或训练代数达到最大训练代数E时,停止训练,得到初步训练好的网络N;
(3c)构造新的训练集A′:
(3c1)利用当前训练好的网络N对训练集A各个正包和负包中的像素进行检测,得到各个像素属于目标的概率,并作出受试者工作特征曲线ROC;
(3c2)依据受试者工作特征曲线ROC,找到曲线上与坐标点(0,1)距离最近的转折点,作为最佳阈值点,将其对应的概率作为最佳阈值θ*;
(3c3)将训练集A每个正包中概率大于等于最佳阈值θ*的像素和每个正包中概率最大的像素筛选出来;
(3c4)对训练集A中的每个正包,利用其中筛选出来的像素通过添加高斯噪声的方式生成新的像素,并将筛选出来的像素和生成的像素作为新的正包;
(3c5)将所有新的正包与训练集A中的负包一起构成新的训练集A′;
(3d)令迭代次数t0=t0+1,用训练集A′重新训练当前训练好的网络N,当经过间隔观察代数e网络在验证集B上的性能都没有提升或训练代数达到最大训练代数E时,停止训练,得到重新训练好的网络N;
(3e)判断重新训练好的网络N的性能较上一次训练是否不再提升或迭代次数t0是否达到最大...
【专利技术属性】
技术研发人员:焦昶哲,陈晓莹,卢云飞,缑水平,毛莎莎,王秀秀,程家馨,
申请(专利权)人:西安电子科技大学,
类型:发明
国别省市:陕西;61
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。