[发明专利]基于多示例孪生网络的高光谱目标检测方法

权利要求书

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D^up和下侧样本集合D^down，上侧样本集D^up中包含P/2个正包样本和P/2个负包样本，下侧样本集D^down只包含P个正包样本；

(1c)从上侧样本集D^up和下侧样本集D^down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S^up和S^down；

(3c)将上下两个光谱特征集合S^up和S^down输入长短时记忆网络LSTM，并计算上侧特征集合的权重v^up和下侧特征集合的权重v^down；

(3d)根据上侧权重v^up对上侧光谱特征集合S^up进行加权求和，得到上侧特征集合的融合特征m^up；

(3e)根据下侧权重v^down对下侧光谱特征集合S^down进行加权求和，得到下侧特征集合的融合特征m^down；

(3f)计算融合后两种特征m^up和m^down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m^up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+Loss₂

(3i)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Loss_val：

(3k)重复(3b)～(3j)，直到达到最大迭代次数E，取验证损失Loss_val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。

2.根据权利要求1所述的方法，其中(2)构建的多示例孪生网络中各模块结构及功能如下：

所述特征提取模块，用于提取输入像素块中各个像素独立的光谱特征，并将每个像素特征转化为维度统一的向量，其包括三个卷积层、三个池化层、三个激活函数层和一个全连接，每个卷积层的卷积核尺寸均为1×3，卷积核个数分别为20，128和64，池化层采用的是二维最大池化，池化核参数和步长均为1×2，全连接层的输出维度为128；其结构为：

第一卷积层→第一池化层→第一激活函数层→第二卷积层→第二池化层→第二激活函数层→第三卷积层→第三池化层→第三激活函数层→全连接层。

所述权重计算模块：由一个激活函数为Sigmoid的全连接层组成，用于得到上下侧单个示例对上下侧特征集合的权重；

所述特征融合模块：用于将上下侧光谱单个示例依据各个示例的权重进行按权相加；

所述分类器：由一个激活函数为Sigmoid的全连接层组成，用于对融合后的特征进行分类，输出该特征属于目标的置信度。