[发明专利]基于特征自迁移的单一稀疏自编码器弱小目标检测方法

权利要求书

1.一种基于特征自迁移的单一稀疏编码器弱小目标检测方法，其特征在于：该方法包括步骤如下：

S1：从图像数据库中选取数量为a的图像数据作为训练样本集，用于构建训练样本集中的正样本和负样本；从数据库中选取数量为1-a的图像数据作为测试样本集，用于构建测试样本集中的正样本和负样本；所述正样本包含微动脉瘤，并以微动脉瘤为中心构建21*21像素的块；所述负样本不包含微动脉瘤的像素，其大小为21*21像素的块；同时从正样本、负样本中分别选取彩色图像中的绿色通道、蓝色通道、经过Gamma校正得到的对比度增强结果作为原始数据集；

其中：a表示训练样本集占图像数据库的百分比，0a1，a为人工设定的；

S2：对训练样本集进行训练，将训练样本集输入到SAE模型中，训练得到训练样本集的稀疏特征，即SAE模型参数

其中：表示经过反向传播得到的SAE模型的权重和偏置；

S3：利用稀疏特征训练softmax，即输入特征f(W^m+1x+b^m+1)对softmax进行训练，每次训练完成后，保留正样本，随机选取数量与正样本的数量相近的负样本；

其中：f表示sigmod激活函数m表示第m次训练；W^m+1、b^m+1分别表示第m+1次训练的SAE的权重和偏置；

S4：将SAE模型参数作为下一次训练的初始模型参数，实现SAE模型的参数更新，完成SAE模型的特征自迁移；执行S2；直至得到SAE模型训练的损失函数的值与前一次损失函数的值相同时，执行S5；

S5：训练好的SAE模型后，将测试样本集输入到最后的softmax中，得到测试结果；

步骤S2，所述Softmax的表达式如下：

其中，V_i是分类器前级输出单元的输出；i表示类别索引，总的类别个数为C；S_i表示的是当前训练样本对应的特征向量的指数与所有样本指数和的比值；

步骤S4中的SAE模型的参数更新的公式为：

其中：W^m表示第m次训练时SAE的权重矩阵；α为学习率；s₂表示隐藏层单元的个数；ΔW^m为第m次训练时损失函数关于权重的偏导数矩阵；λ为正则化惩罚因子；b^m表示第m次训练时SAE的偏置矩阵；为矩阵ΔW^m矩阵中的一个元素；h_W,b(x⁽ⁱ⁾)为当输入为x⁽ⁱ⁾对应的输出；为稀疏编码器影藏层平均激活度；表示隐藏层第j个神经元的激活；Δb^m为第m次训练时关于权重b的偏导数矩阵；x⁽ⁱ⁾表示第i个神经元的输入；

所述S4的损失函数公式为：

其中，β为稀疏项惩罚因子；称之为KL散度，用于衡量两个概率分布的接近程度；为隐藏层第j个神经元的平均激活度；ρ为稀疏性参数；所述的J(W,b)通过下式进行表达：

其中：n为样本的个数；为l层第i个神经元对下一层第j个神经元的权重。

2.根据权利要求1所述的基于特征自迁移的单一稀疏编码器弱小目标检测方法，其特征在于：所述的a取值为0.75，即从图像数据库中选取数量为75％的图像数据作为训练样本集，从数据库中选取数量为25％的图像数据作为测试样本集。