[发明专利]基于集成约束多示例学习的高光谱目标检测方法

权利要求书

1.一种基于集成约束多示例学习的高光谱目标检测方法，其特征在于，包括如下步骤：

(1)获取训练样本集和测试样本集：

(1a)从高光谱图像数据集中获取包含C种目标类别共N幅大小为W×H×Q高光谱图像A＝{A_n|1≤n≤N}，每幅高光谱图像A_n至少包含一个目标，其中C≥2，N≥5，A_n表示第n幅高光谱图像，W和H分别表示A_n的行和列像素的个数，Q表示A_n的波段个数，W≥300，H≥300，Q≥72；

(1b)选取A中的m幅高光谱图像，并切割出每幅高光谱图像中标记为目标的区域作为正包，得到正包集合将每幅高光谱图像中标记为非目标的区域作为负包，得到负包集合集合S_e⁺和集合S_e^-构成包集合S_e，将S_e中每个包中的每个像素作为一个示例，其中，表示第e幅图像中第q个大小为a×b×Q的正包，P表示正包的个数，1≤P≤15,a≥5,b≥5,表示第e幅图像中第p个负包；

(1c)将m幅高光谱图像正包和负包中的示例作为训练样本集，将其余N-m幅高光谱图像中的像素作为测试样本集；

(2)构建集成约束多示例学习网络W：

构建包括依次级联的特征提取子网络G和检测子网络fc，损失函数为Loss的集成约束多示例学习网络W；特征提取子网络G包括多个级联的特征提取模块，检测子网络fc包括依次连接的第一全连接层、LeakyReLU层、Dropout层、第二全连接层和Sigmoid层，Loss的表达式为：

Loss＝Loss₁+Loss₂

其中，Loss₁表示W的交叉熵损失函数，Loss₂表示W的距离损失函数，∑表示求和，L_i表示第i个包级别的真值，Y_i表示第i个包的集成约束方式为的检测概率，y_ij表示第i个包中第j个示例的检测概率，参数γ控制二者的融合方式，表示最小值操作，表示最大值操作，表示平均值操作；

(3)对集成约束多示例学习网络W进行迭代训练：

(3a)设迭代次数为t，最大迭代次数为M，M≥500，当前集成约束多示例学习网络为W^t，并令t＝1，W^t＝W；

(3b)将训练样本集作为集成约束多示例学习网络W^t的输入进行前向传播，特征提取子网络G提取训练样本集每个像素的高层一维向量特征，得到一维向量特征集合H＝{H_ij|1≤i≤(m×(P+1)),1≤j≤(a×b)}，检测子网络fc对一维向量特征集合H进行检测，得到目标示例的检测概率y_ij，其中H_ij表示第i个包中第j个示例对应的特征；

(3c)对目标示例的检测概率y_ij进行方式的集成约束，得到检测概率Y_i，并采用损失函数Loss，通过y_ij和Y_i计算W^t的损失值Loss^t，然后采用随机梯度下降法，并通过损失值Loss^t对特征提取子网络G的权值检测子网络fc的权值进行更新，得到更新后的W^t；

(3d)判断t＝M是否成立，若是，得到训练好的集成约束多示例学习网络W^*，否则，令t＝t+1，并执行步骤(3b)；

(4)获取高光谱的目标检测结果：

将测试样本集作为训练好的集成约束多示例学习网络W^*的输入进行目标检测，得到目标分类与位置的预测结果。

2.根据权利要求1所述的基于集成约束多示例学习的高光谱目标检测方法，其特征在于，步骤(2)中所述的特征提取子网络G，包括的特征提取模块的数量为5个，其中，第一、第二和第五特征提取模块均包括层叠的一维卷积层、激活函数层和最大池化层，第三和第四特征提取模块均包括层叠的一维卷积层与激活函数层。

3.根据权利要求1所述的基于集成约束多示例学习的高光谱目标检测方法，其特征在于，步骤(3c)中所述的对特征提取子网络G的权值检测子网络fc的权值进行更新，更新公式分别为：

其中，η表示梯度下降参数，表示更新后的特征提取子网络G的权值，表示更新后的检测子网络fc的权值，表示求导操作。