一种基于半监督神经网络的高光谱图像显著图生成方法技术

本发明专利技术提供一种基于半监督神经网络的高光谱图像显著图生成方法，包括：构建半监督神经网络；所述半监督神经网络包括孪生预测模块和注意力辅助模块；利用完全监督数据集对孪生预测模块和注意力辅助模块进行预训练；利用预训练的注意力辅助模块对弱监督数据集生成像素级掩码；使用像素级掩码和弱监督数据集对预训练的对孪生预测模块进行完全监督训练；利用完全监督训练好的孪生预测模块对输入的高光谱图像生成显著图。本发明专利技术采用半监督神经网络提取高光谱图像特征并直接生成预测显著图，极大的节省了像素级标注成本，提高模型鲁棒性和检测精度，能够生成质量更高的显著图。能够生成质量更高的显著图。能够生成质量更高的显著图。

【技术实现步骤摘要】
一种基于半监督神经网络的高光谱图像显著图生成方法


[0001]本专利技术涉及图像处理
，具体而言，涉及一种基于半监督神经网络的高光谱图像显著图生成方法。

技术介绍

[0002]高光谱图像能够同时获取目标的空间信息和光谱信息，具有数十或数百个光谱波段。高光谱成像技术在空间分辨率、光谱分辨率和便携性上都已经得到了长足的发展，在地物遥感、精准农业、医学诊断、目标检测等领域都得到了广泛地应用。
[0003]显著图模拟了人类视觉注意力机制，描述了人眼在视野内重点关注的目标或区域。显著性检测任务就是让计算机模拟人眼的这种能力，提取图像中的显著性目标并生成显著图。在传统方法中，人们主要利用颜色、纹理、亮度等浅层特征计算局部或全局对比度，以获得最具有显著性的区域。近些年来，引入了基于深度学习的神经网络模型，能够学习到深层特征，在鲁棒性和检测精度上都有很大提升。
[0004]高光谱图像具有图谱合一的特点，每个像素点都具有一条完整的光谱曲线，能够更好的反映物质特性，这使得高光谱图像显著图具有精度高、抗干扰等优势。但是高光谱数据获取困难，数据冗本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于半监督神经网络的高光谱图像显著图生成方法，其特征在于，包括如下步骤：构建半监督神经网络；所述半监督神经网络包括孪生预测模块和注意力辅助模块；利用完全监督数据集对孪生预测模块和注意力辅助模块进行预训练；利用预训练的注意力辅助模块对弱监督数据集生成像素级掩码；使用像素级掩码和弱监督数据集对预训练的对孪生预测模块进行完全监督训练；利用完全监督训练好的孪生预测模块对输入的高光谱图像生成显著图。2.根据权利要求1所述的基于半监督神经网络的高光谱图像显著图生成方法，其特征在于，所述注意力辅助模块包括超像素采样网络、全局平均池化层、全连接层、1
×
1卷积层、Sigmoid函数层和U2Net网络；所述注意力辅助模块的处理过程如下：所述超像素采样网络对输入的弱监督数据集中的特征图提取超像素局部特征并输入全连接层；所述全局平均池化层对输入的弱监督数据集中的特征图提取全局特征并将全局特征上采样到原始尺寸后输入全连接层；所述全连接层将局部特征和全局特征相结合为融合特征后输入卷积层；所述1
×
1卷积层根据融合特征生成注意力权重并经Sigmoid函数层输出；计算注意力权重与输入的弱监督数据集中的特征图的哈达玛积并输入U...

【专利技术属性】
技术研发人员：许廷发，秦昊林，李佳男，严培琳，
申请(专利权)人：北京理工大学，
类型：发明
国别省市：