一种基于集成学习的海上目标检测方法技术

技术编号:31921105 阅读:21 留言:0更新日期:2022-01-15 13:04
一种基于集成学习的海上目标检测方法,包含以下步骤:(1)读入不同数据集来源的多光谱数据;(2)对图像进行尺寸裁剪、数据预处理,进行样本的制作,并确定训练样本和测试样本;(3)基于十字绣单元在步骤(2)得到的样本数据集的基础上设计基于深度学习网络的多任务学习框架;(4)针对海上目标特征设计基于单发多框卷积神经网络和基于多尺度特征残差网络框架的两种基检测器网络结构实现不同尺度目标的检测;(5)引入K均值聚类思想优化模型预测框的生成并使用自门控非单调函数作为激活函数;(6)基于提升法和加权投票法集成两种基检测器的检测结果,完成基于集成学习的海上目标检测。完成基于集成学习的海上目标检测。

【技术实现步骤摘要】
一种基于集成学习的海上目标检测方法


[0001]本专利技术涉及一种基于集成学习的海上目标检测方法,属于多光谱数据处理方法与应用
,适用于多光谱数据目标检测方法和应用技术研究。

技术介绍

[0002]作为模式识别和图像处理领域的研究热点,海上目标检测问题一直备受关注。运用遥感图像的海上船只检测在商业民用甚至军事备战中都有着十分广阔的运用前景。海上目标检测制约因素较多,具有很大的挑战性。按照检测数据类型进行划分可分为真彩色遥感图像、多/高光谱遥感图像以及合成孔径雷达图像。真彩色遥感图像获取途径众多,数据获取较容易,具有数据量小、易于处理的优点;但缺点是图像成像受环境影响很大,目标与背景不易区分,易受干扰影响。而传统的合成孔径雷达图像海上目标检测算法不但需要在检测前对图片进行复杂的预处理,而且最终结果泛化性差,效率较低。高光谱遥感图像数据量很大,极易出现维数灾难(休斯现象)、同物异谱和异物同谱问题。与真彩色图像相比,多光谱遥感图像虽然图像分辨率与细节信息有限,但受环境影响较小,光谱信息可以弥补空间信息的不足。相比于合成孔径雷达图像,多光谱遥感图像具有更为直观的图像可读性。对比于现有的高光谱图像,虽然多光谱图像同样可能出现休斯现象、同物异谱和异物同谱问题,但是多光谱图像分辨率更高,数据量更小,易于处理。因此,基于数据特点,多光谱遥感图像海上目标检测逐渐成为遥感图像处理领域中的研究热点。
[0003]海上目标检测按照检测位置的不同又可分为海域海上目标检测和近岸海上目标检测。其中,海域海上目标面临的难题主要是云雾的存在。由于多光谱遥感图像是利用卫星拍摄得到的星载数据,云层位于海面上空,辽阔的海域极有可能会存在不同厚度的云雾。因此,会对海上目标造成遮挡,甚至会形成阴影,对海上目标的识别造成干扰。另一方面,近岸存在海上目标排列紧密的现象。海上目标密集的停靠在一起,空间特征信息与海岸相似度大,导致海上目标与背景特征不易区分成为检测海上目标的难点问题。
[0004]虽然当前目标检测技术发展迅速,随着机器学习方法的不断升级,研究目标检测的方法也越来越多,但是采用深度学习的框架逐渐成型,难以达成技术突破。大家对目标检测均使用单一的检测器,纷纷重视模型的优化以提高检测准确率。面对不同图像,同一检测器效率不一,使用集成学习方法可以大大增强模型的泛化能力。

技术实现思路

[0005]本专利技术的目的在于针对多光谱遥感图像受海面上空的云雾干扰目标检测以及近岸存在海上目标排列紧密难以检测的问题,提供一种基于集成学习的海上目标检测方法。
[0006]本专利技术的技术解决方案为:采用多任务学习的策略,完成对样本特征提取削弱恶劣环境条件对目标检测的干扰,利用深度神经网络模型作为基检测器的框架实现对海上目标的快速检测和小目标检测的能力,设计基于集成学习海上目标检测方法提高检测准确率。
[0007]本专利技术是一种基于集成学习的海上目标检测方法,其步骤如下:
[0008](1)读入不同数据集来源的多光谱数据;
[0009](2)对图像进行尺寸裁剪、数据预处理,进行样本的制作,并确定训练样本和测试样本;
[0010](3)基于十字绣单元在步骤(2)得到的样本数据集的基础上设计基于深度学习网络的多任务学习框架;
[0011](4)针对海上目标特征设计基于单发多框卷积神经网络和基于多尺度特征残差网络框架的两种基检测器网络结构实现不同尺度目标的检测;
[0012](5)引入K均值聚类思想优化模型预测框的生成并使用自门控非单调函数作为激活函数;
[0013](6)基于提升法和加权投票法集成两种基检测器的检测结果,完成基于集成学习的海上目标检测。
[0014]其中,步骤(1)读入不同数据集来源的多光谱数据:读入待处理不同来源不同地区多光谱数据,通过对不同类型的海上目标进行光谱分析,进行不同类型目标光谱曲线比较,选取目标特征光谱位置处的波段标注。
[0015]其中,步骤(2)对图像进行尺寸裁剪、数据预处理,进行样本的制作,并确定训练样本和测试样本:多光谱数据在处理之前需要完成统一分辨率等预处理操作,为了目标检测进入网络需对样本大小进行裁剪。
[0016]其中,步骤(3)基于十字绣单元在步骤(2)得到的样本数据集基础上设计基于深度学习网络的多任务学习框架:十字绣单元可以为多任务学习找到最佳的共享表示形式,十字绣单元使用线性组合对共享表示进行建模,并学习给定任务集的最佳线性组合,将这些十字绣单元集成到卷积网络中,从而提供端到端的学习框架,十字绣单元在编码器的所有单任务网络之间共享激活,假设两个激活映射x
A
、x
B
,它们分别属于任务A和任务B,在将转换后得到的输入到单任务网络的下一层之前,可应用这些映射的线性组合进行学习,转换为可学习权重参数α,可以表示为:
[0017][0018]其中,x
A
、x
B
分别为任务A和任务B的激活映射,为转换后的激活映射,α
AA
为任务A和任务A互相学习后的可学习权重参数,α
AB
为任务B经过任务A学习后的可学习权重参数,α
BA
为任务A经过任务B学习后的可学习权重参数,α
BB
为任务B和任务B互相学习后的可学习权重参数。
[0019]其中,步骤(4)针对海上目标特征设计两种基检测器网络结构实现不同尺度目标的检测;基于单发多框卷积神经网络结构的基检测器引入金字塔网络思想得到的特征图逐渐变小;基于多尺度特征残差网络结构的基检测器引入上采样的思想,融合相同尺度的特征层以实现不同尺度的特征图特征提取。
[0020]其中,步骤(5)引入聚类思想优化模型预测框的生成并对网络的激活函数进行优化改进:
[0021]样本的属性主要由其在特征空间中的相对距离来表示,这就使得距离这个概念对
于聚类非常重要,方法实现过程中能通过锚框获得好的交并比值,并且交并比值是与框的尺寸无关的,因此,采用K均值聚类算法对所有标注的先验框根据宽高进行分堆,数据分为n个堆,距离表示为:
[0022]Distance=1

IOU
[0023]其中,Distance为距离,IOU为交并比值;为避免“神经元死亡”现象,本专利技术采用自门控非单调函数作为激活函数,自门控非单调激活函数如下:
[0024]f(x)=x
×
tanh(ln(1+e
x
))
[0025]其中,x为自变量,tanh为双曲正切函数,ln(1+e
x
)表示对1+e
x
取以自然常数e为底的对数;自门控非单调激活函数在输入取较小值时函数具有软饱和的特性,从而提升了对噪声的鲁棒性;另外,负值的时候允许较小的负梯度流入,保证信息不会中断,从而得到更好的准确性和泛化能力。
[0026]步骤(6)基于提升法和加权投票法集成两种基检测器的检测结果,完成基于本文档来自技高网
...

【技术保护点】

【技术特征摘要】
1.一种基于集成学习的海上目标检测方法,其特征在于:它包含以下步骤:(1)读入不同数据集来源的多光谱数据;(2)对图像进行尺寸裁剪、数据预处理,进行深度学习网络所需样本的制作,并确定训练样本和测试样本;(3)基于十字绣单元在步骤(2)得到的样本数据集的基础上设计基于深度学习网络的多任务学习框架;(4)针对海上目标特征设计基于单发多框卷积神经网络和基于多尺度特征残差网络框架的两种基检测器网络结构实现不同尺度目标的检测;(5)引入K均值聚类思想优化模型预测框的生成并使用自门控非单调函数作为激活函数;(6)基于提升法和加权投票法集成两种基检测器的检测结果,完成基于集成学习的海上目标检测。2.根据权利要求1所述的一种基于集成学习的海上目标检测方法,其中步骤(1)读入不同数据集来源的多光谱数据:读入待处理不同来源以及不同地区的多光谱数据,通过对不同类型的海上目标进行光谱分析,进行不同类型目标光谱曲线比较,选取目标特征光谱位置处的波段标注。3.根据权利要求1所述的一种基于集成学习的海上目标检测方法,其中步骤(2)对图像进行尺寸裁剪、数据预处理,进行样本的制作,并确定训练样本和测试样本:多光谱数据在处理之前需要完成统一分辨率等预处理操作,为了目标检测进入网络需对样本大小进行裁剪,以达到相同尺寸检测。4.根据权利要求1所述的一种基于集成学习的海上目标检测方法,其中步骤(3)基于十字绣单元在步骤(2)得到的样本数据集基础上设计基于深度学习网络的多任务学习框架:十字绣单元可以为多任务学习找到最佳的共享表示形式,十字绣单元使用线性组合对共享表示进行建模,并学习给定任务集的最佳线性组合,将这些十字绣单元集成到卷积网络中,从而提供端到端的学习框架,十字绣单元在编码器的所有单任务网络之间共享激活,假设两个激活映射x
A
、x
B
,它们分别属于任务A和任务B,在将转换后得到的输入到单任务网络的下一层之前,可应用这些映射的线性组合进行学习,转换为可学习权重参数α,可以表示为:其中,x
A
、x
B
分别为任务A和任务B的激活映射,为转换后的激活映射,α
AA
为任务A和任务A互相学习后的可学习权重参数,α
AB
为任务B经过任务A学习后的可学习权重参数,α
BA
为任务A经过任务B学习后的可学习权重参数,α
BB
为任务B和任务B互相学习后的可学习权重参数。5.根据权利要求1所述的一种基于集成学习的海上目标检测方法,其中步骤(4)针对海上目标特征设计两种基检测器网络结构实现不同尺度目标的检测;基于单发多框卷积神经网络结构的基检测器引入金字塔网络思想得到的特征图逐渐变小;基于多尺度特征残差网...

【专利技术属性】
技术研发人员:李娜赵慧洁杨翔宇刘轩增
申请(专利权)人:北京航空航天大学
类型:发明
国别省市:

网友询问留言 已有0条评论
  • 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。

1
相关领域技术
  • 暂无相关专利