申请/专利权人：西安电子科技大学

申请日：2021-08-20

公开（公告）日：2024-04-02

公开（公告）号：CN113723482B

主分类号：G06V20/10

分类号：G06V20/10;G06V10/58;G06V10/80;G06V10/764;G06V10/82;G06N3/0475;G06N3/045;G06N3/0464;G06N3/048;G06N3/08;G01N21/31

优先权：

专利状态码：有效-授权

法律状态：2024.04.02#授权;2021.12.17#实质审查的生效;2021.11.30#公开

摘要：本发明公开了一种基于多示例孪生网络的高光谱目标检测方法，主要解决现有技术在高光谱数据目标不足时，模型易过拟合进而导致检测效果下降的问题。其实现方案为：1.准备数据集，并从训练集中划分出“正‑负”和“正‑正”样本对；2.搭建一个由特征提取模块、权重计算模块、特征融合模块、分类器四个部分依次级联构成的多示例孪生网络；3.设置训练参数，用训练集中的样本对迭代训练多示例孪生网络；4.用训练好的多示例孪生网络对测试集数据进行单点测试，输出每个像素属于目标的置信度。本发明提高了高光谱数据目标不足时的检测结果，减小了过拟合现象，可用于爆炸物检测、农作物精细分类。

主权项：1.一种基于多示例孪生网络的高光谱目标检测方法，其特征在于，包括：1获取数据集：1a从ASTER光谱库中挑选光谱范围在0.4μm到2.5μm的仿真数据集和真实高光谱数据集，并将其60％作为训练集，20％作为验证集，其余作为测试集；1b从训练集中随机选取样本构造包含P个样本的上侧样本集合Dup和下侧样本集合Ddown，上侧样本集Dup中包含P2个正包样本和P2个负包样本，下侧样本集Ddown只包含P个正包样本；1c从上侧样本集Dup和下侧样本集Ddown中按顺序分别取出一个个数据包，构成“正-正”样本对和“正-负”样本对，得到P个样本对；2搭建一个由特征提取模块、权重计算模块、特征融合模块、分类器级联组成的多示例孪生网络；3对多示例孪生网络进行迭代训练：3a设置网络训练的最大迭代次数E，初始学习率Lr，对比损失中的阈值t，批量大小B；3b将P个样本对输入到多示例孪生网络，进行初步的光谱特征提取和特征维度转换，得到上侧样本集和下侧样本集转换后的光谱特征集合Sup和Sdown；3c将上下两个光谱特征集合Sup和Sdown输入长短时记忆网络LSTM，并计算上侧特征集合的权重vup和下侧特征集合的权重vdown；公式如下： 其中，为上侧光谱特征集合Sup的第i个样本输入长短时记忆网络LSTM后在第l个时间步的隐向量，为下侧光谱特征集合Sdown的第i个样本输入长短时记忆网络LSTM后在第l个时间步的隐向量，σ为Sigmoid激活函数，和bl分别为多示例孪生网络中权重计算模块对应的权重和偏置；3d根据上侧权重vup对上侧光谱特征集合Sup进行加权求和，得到上侧特征集合的融合特征mup；公式如下： 其中，为上侧样本集合中第i个样本在第l个时间步的权重，为上侧样本集合中第i个样本在第l个时间步的特征，nup为总的时间步数；3e根据下侧权重vdown对下侧光谱特征集合Sdown进行加权求和，得到下侧特征集合的融合特征mdown；公式如下： 其中为下侧样本集合的第i个样本在第l个时间步的权重，为下侧样本集合的第i个样本在第l个时间步的特征，为总的时间步数；3f计算融合后两种特征mup和mdown之间的欧氏距离e，并根据该欧氏距离计算特征损失Loss1；3g将上侧样本集对应的融合特征mup输入到分类器，根据分类的结果计算分类损失Loss2；3h根据特征损失Loss1和分类损失Loss2，得到最终的损失：Loss＝Loss1+Loss23i依据最终的损失Loss进行反向传播，以此更新网络参数；3j使用更新参数后的模型在验证集上进行测试，得到对应的验证损失Lossval；实现如下：3j1将验证样本集到多示例孪生网络，进行初步的光谱特征提取和特征维度转换，得到验证样本集转换后的光谱特征集合Sval；3j2将验证光谱特征集合Sval输入长短时记忆网络LSTM，并计算验证光谱特征集合Sval的融合权重 其中，为验证光谱特征集合Sval的第i个样本输入长短时记忆网络LSTM后在第l个时间步的隐向量，σ为Sigmoid激活函数，和bl分别为多示例孪生网络中权重计算模块对应的权重和偏置；3j3根据验证融合权重vval对验证光谱特征集合Sval进行加权求和，得到验证特征集合的融合特征 其中，为验证集样本集合中第i个样本在第l个时间步的权重，为验证集样本集合中第i个样本在第l个时间步的特征，为总的时间步数；3j4将验证样本集对应的融合特征mval输入到分类器，根据分类的结果计算验证损失Lossval： 其中，P为总的验证样本对数，Yival为验证特征集合第i个样本对应的标签，为验证特征集合第i个样本的预测值，σ为Sigmoid激活函数，为验证特征集合第i个样本融合后的特征，wT和b分别为多示例孪生网络分类器对应的权重和偏置；3k重复3b～3j，直到达到最大迭代次数E，取验证损失Lossval最小的模型作为训练好的多示例孪生网络模型；4用训练好的网络模型对测试集数据进行单点测试，输出每个像素属于目标的置信度。

全文数据：

权利要求：

百度查询： 西安电子科技大学 基于多示例孪生网络的高光谱目标检测方法

免责声明
1、本报告根据公开、合法渠道获得相关数据和信息，力求客观、公正，但并不保证数据的最终完整性和准确性。
2、报告中的分析和结论仅反映本公司于发布本报告当日的职业理解，仅供参考使用，不能作为本公司承担任何法律责任的依据或者凭证。

阅读全文 双屏查看 官方信息 专利公告 收藏专利 下载PDF 下载WORD