基于深度特征聚合的高光谱异常检测方法技术

本发明专利技术提出了一种基于深度特征聚合的高光谱异常检测方法，主要解决现有方法检测效果不佳的问题。方案包括：1)将自适应聚合模型整合到自编码器网络中，构建充分利用高光谱图像的空间‑光谱信息的深度特征聚合网络模型；2)设计多重聚合分离损失函数，促使模型能够增强潜在背景特征的表征并且弱化潜在异常特征的表征，从而提高背景和异常区分能力；3)采用递进式训练策略，对构建的模型进行优化训练；4)引入马氏距离对重构误差进行评估，实现高光谱异常检测。本发明专利技术通过对多种不同地物背景的表征，为高光谱异常检测提供了一种新范式，增强了模型对背景和异常的区分能力，并有效提升了高光谱图像异常检测的精度。

【技术实现步骤摘要】

本专利技术属于计算机视觉与机器学习，进一步涉及高光谱异常检测，具体为一种基于深度特征聚合的高光谱异常检测方法，可用于环境监测、灾害预测和精准农业等。

技术介绍

1、高光谱异常检测是高光谱图像处理任务之一，其定义为：在没有先验知识的高光谱图像中，捕获与周围像素有着明显光谱差异的像素。其特性被广泛用于军事、农业、地质、海洋等领域。近些年，深度学习模型引起高光谱领域研究者的关注，将其应用于高光谱异常检测领域中，取得不错的检测精度。

2、对[fan g,ma y,mei x,et al.hyperspectral anomaly detection with robustgraph autoencoders[j].ieee transactions on geoscience and remote sensing,2021,60:1-14.]等深度学习高光谱异常检测方法进行分析和挖掘，发现现有深度学习方法仍然存在一些问题需要去探索和解决：1)现有基于深度学习的高光谱异常检测方法，将背景特征和深度模型训练单独进行处理，导致模型无法定向优化背景的重构产生次本文档来自技高网...

【技术保护点】

1.一种基于深度特征聚合的高光谱异常检测方法，其特征在于，包括以下步骤：

2.根据权利要求1所述的方法，其特征在于：步骤(2)中所述正交光谱注意模块，首先将编码器提取的二维潜在特征转化为三维特征C表示特征维度；然后通过Gram-Schmidt操作，将随机初始化滤波转化为正交滤波接着在每一个维度上，将三维特征和正交滤波进行融合得到融合后的特征，最后通过两层全连接层对融合后的特征进行提取，得到全局特征并将全局特征S′和三维特征Z′进行特征相乘，将其结果转化为二维形式输出至背景-异常类别统计模块。

3.根据权利要求2所述的方法，其特征在于：所述将三维特征和正交滤波进行融...

【技术特征摘要】

1.一种基于深度特征聚合的高光谱异常检测方法，其特征在于，包括以下步骤：

2.根据权利要求1所述的方法，其特征在于：步骤(2)中所述正交光谱注意模块，首先将编码器提取的二维潜在特征转化为三维特征c表示特征维度；然后通过gram-schmidt操作，将随机初始化滤波转化为正交滤波接着在每一个维度上，将三维特征和正交滤波进行融合得到融合后的特征，最后通过两层全连接层对融合后的特征进行提取，得到全局特征并将全局特征s′和三维特征z′进行特征相乘，将其结果转化为二维形式输出至背景-异常类别统计模块。

3.根据权利要求2所述的方法，其特征在于：所述将三维特征和正交滤波进行融合，具体是根据下式得到融合后的特征fortho(z)c：

【专利技术属性】
技术研发人员：王海，成曦，张敏，霍豫，林生，董优强，
申请(专利权)人：西安电子科技大学，
类型：发明
国别省市：

全部详细技术资料下载 我是这个专利的主人