[发明专利]一种基于迁移学习张量分解的高光谱异常检测方法

权利要求书

1.一种基于迁移学习张量分解的高光谱异常检测方法，其特征在于包括：

设计具有连续卷积层的卷积神经网络模型，通过迁移训练有标签的高光谱数据生成同类和不同类别的像素对，采用反向传播算法使网络参数不断迭代更新直至收敛；

采用塔克分解将完成训练的模型进行卷积层分解，卷积运算将H×W×S大小的输入数据X映射到H'×W'×T大小的输出数据Y，公式如下：

读取待检测数据，将待检测像素与其周围的16个像素形成像素对，将平均相似度得分作为判断的依据，如果平均相似度得分大于设定阈值则视为异常目标，否则为背景。

2.根据权利要求1所述的高光谱异常检测方法，其特征在于：所述采用塔克分解将训练完备模型的卷积层分解时：将卷积核张量分解得到三个连续卷积公式，形成三个新的卷积层从而增加网络深度，公式如下：

塔克分解后，卷积层中的通道数会发生变化，具体的结构设计如下：

第一层：采用一维卷积，并将输出通道的数量减为输入通道的三分之一；

核心层：第一层卷积后，数据的空间信息不变，仍与原始输入相对应，采用conv2d二维卷积核提取空间信息，卷积核的大小等于分解前卷积层中使用的卷积核的大小；

最后一层：仍然使用一维卷积，但是输出通道将扩展到输入通道的三倍，以恢复原始卷积数据的大小；

将卷积层分解后，保存分解模型，将每个卷积层分解为三个对应的卷积层，并将分解后的张量作为新卷积层的参数。