[发明专利]基于多示例孪生网络的高光谱目标检测方法

说明书

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。

技术领域

本发明属于图像处理技术领域，更进一步涉及一种高光谱目标检测方法，可用于爆炸物检测、农作物精细分类。

背景技术

高光谱图像由于具有丰富的时空信息，近年来在爆炸物检测、农作物精细分类等各个领域得到了广泛的应用。然而，由于传感器的精度问题，高光谱图像中标记为目标的像素，在地面真值中不一定存在目标，而是表明目标存在于包括该像素在内的一定范围的空间中。此外，由于背景复杂多样，且多数情况下目标数目远小于背景数目，使得高光谱图像的目标检测成为难点。

多示例学习起源于药物活性检测，随着其应用的日益广泛，目前被认为是除有监督学习、无监督学习和强化学习以外的一种新的机器学习框架。不同于有监督学习的精确标记，多示例学习的训练样本以数据包的形式存在。若一个数据包被标记为正包，则说明该数据包至少包括一个正示例；若一个数据包被标记为负包，则说明该数据包不包含正示例。问题的核心就是通过不精确标记的样本尝试得到精确的判断。这种特性使得多示例学习逐渐在图像检索、文本分类、目标检测等各个领域得到了广泛的应用。因此将高光谱不精确标记下的目标检测问题建模为多示例问题，近年来逐渐成为研究的热点。

孪生网络是一种训练时输入样本对而不是单个样本的特殊网络框架，最早由Bromley等人在进行手写体识别任务中提出。通过构造相似和不相似的样本对，可以将模型在原始的不平衡数据上的学习转变成对平衡分布的样本对的学习，巧妙的解决了数据不平衡分布的问题，适合处理样本类别特别多或者某个样本类别特别少的学习问题。

近年来，对于高光谱目标的检测有不少学者进行了相关的研究：

2014年，武汉大学的张良培教授团队使用了一种将有监督测度学习用于高光谱目标检测的方法，该方法通过引入包含有监督距离最大化的目标函数来最大化正样本和负样本之间的距离，并添加了样本相似性的约束，降低了高光谱目标检测的虚警率。

2018年，Du和Li通过构造像素对之差，利用CNN网络提取中心像素和周围像素的高层特征差异将目标检测问题转化为分类问题，以此使用CNN强大的特征提取能力来进行检测。

2019年，Liu和Wang等人从空间和光谱两方面将动态随机共振引入到高光谱图像的阴影区域增强中，并使用2D卷积神经网络2D-CNN对增强后的高光谱图像进行分类，以实现目标检测。

上述这些方法，结合了机器学习和深度学习技术，性能相较于传统的方法有一定的提升，但是这些方法对于数据有较高的要求。而高光谱数据往往存在数据中目标不足的问题，即待检测目标在场景中较少出现甚至没有，这样会导致在数据分配时的目标不平衡问题。使用这些数据训练上述方法中的模型易出现过拟合现象，导致检测效果下降。

发明内容

本发明的目的在于针对上述现有技术的不足，提出一种基于多示例孪生网络的高光谱目标检测方法，以通过构造正负样本对的方式获得平衡分布的样本，避免由于目标不足带来的过拟合，提高检测效果。

本发明的技术思路是：在多示例的框架基础上，通过构建正负样本对获得平衡分布的样本，之后将样本对输入孪生网络，并通过使用一个衡量样本间相似度的对比损失以及一个分类损失对网络进行约束，使得网络能够朝着正确的方向进行优化；通过在每个数据包中设置任意的像素数来构建正负样本对，并通过逐像素的测试得到该像素对于目标的置信度。