[发明专利]一种基于集成学习的海上目标检测方法

权利要求书

1.一种基于集成学习的海上目标检测方法，其特征在于：它包含以下步骤：

(1)读入不同数据集来源的多光谱数据；

(2)对图像进行尺寸裁剪、数据预处理，进行深度学习网络所需样本的制作，并确定训练样本和测试样本；

(3)基于十字绣单元在步骤(2)得到的样本数据集的基础上设计基于深度学习网络的多任务学习框架；

(4)针对海上目标特征设计基于单发多框卷积神经网络和基于多尺度特征残差网络框架的两种基检测器网络结构实现不同尺度目标的检测；

(5)引入K均值聚类思想优化模型预测框的生成并使用自门控非单调函数作为激活函数；

(6)基于提升法和加权投票法集成两种基检测器的检测结果，完成基于集成学习的海上目标检测。

2.根据权利要求1所述的一种基于集成学习的海上目标检测方法，其中步骤(1)读入不同数据集来源的多光谱数据：读入待处理不同来源以及不同地区的多光谱数据，通过对不同类型的海上目标进行光谱分析，进行不同类型目标光谱曲线比较，选取目标特征光谱位置处的波段标注。

3.根据权利要求1所述的一种基于集成学习的海上目标检测方法，其中步骤(2)对图像进行尺寸裁剪、数据预处理，进行样本的制作，并确定训练样本和测试样本：多光谱数据在处理之前需要完成统一分辨率等预处理操作，为了目标检测进入网络需对样本大小进行裁剪，以达到相同尺寸检测。

4.根据权利要求1所述的一种基于集成学习的海上目标检测方法，其中步骤(3)基于十字绣单元在步骤(2)得到的样本数据集基础上设计基于深度学习网络的多任务学习框架：十字绣单元可以为多任务学习找到最佳的共享表示形式，十字绣单元使用线性组合对共享表示进行建模，并学习给定任务集的最佳线性组合，将这些十字绣单元集成到卷积网络中，从而提供端到端的学习框架，十字绣单元在编码器的所有单任务网络之间共享激活，假设两个激活映射x_A、x_B，它们分别属于任务A和任务B，在将转换后得到的输入到单任务网络的下一层之前，可应用这些映射的线性组合进行学习，转换为可学习权重参数α，可以表示为：

其中，x_A、x_B分别为任务A和任务B的激活映射，为转换后的激活映射，α_AA为任务A和任务A互相学习后的可学习权重参数，α_AB为任务B经过任务A学习后的可学习权重参数，α_BA为任务A经过任务B学习后的可学习权重参数，α_BB为任务B和任务B互相学习后的可学习权重参数。

5.根据权利要求1所述的一种基于集成学习的海上目标检测方法，其中步骤(4)针对海上目标特征设计两种基检测器网络结构实现不同尺度目标的检测；基于单发多框卷积神经网络结构的基检测器引入金字塔网络思想得到的特征图逐渐变小；基于多尺度特征残差网络结构的基检测器引入上采样的思想，融合相同尺度的特征层以实现不同尺度的特征图特征提取。

6.根据权利要求1所述的一种基于集成学习的海上目标检测方法，其中步骤(5)引入聚类思想优化模型预测框的生成并对网络的激活函数进行优化改进：样本的属性主要由其在特征空间中的相对距离来表示，这就使得距离这个概念对于聚类非常重要，方法实现过程中能通过锚框获得好的交并比值，并且交并比值是与框的尺寸无关的，因此，采用K均值聚类算法对所有标注的先验框根据宽高进行分堆，数据分为n个堆，距离表示为：

Distance＝1-IOU

其中，Distance为距离，IOU为交并比值；为避免“神经元死亡”现象，本发明采用自门控非单调函数作为激活函数，自门控非单调激活函数如下：

f(x)＝x×tanh(ln(1+e^x))

其中，x为自变量，tanh为双曲正切函数，ln(1+e^x)表示对1+e^x取以自然常数e为底的对数；自门控非单调激活函数在输入取较小值时函数具有软饱和的特性，从而提升了对噪声的鲁棒性；另外，负值的时候允许较小的负梯度流入，保证信息不会中断，从而得到更好的准确性和泛化能力。

7.根据权利要求1所述的一种基于集成学习的海上目标检测方法，其中步骤(6)基于提升法和加权投票法集成两种基检测器的检测结果，完成基于集成学习的海上目标检测：基于提升法和加权投票法基本思想是通过选出分类精度比随机预测精度稍微好一些的检测器，当设计的两种基检测器检测结果符合设定阈值时，以加权和的投票策略对两个基检测器进行权重赋值进行集成，构造出分类精度较高的强检测器。在进行集成学习签，每一个尺度的特征图都会给出一个置信度，经非极大值抑制后给出当前的最优解，比较基于单发多框卷积神经网络结构的检测器和基于多尺度特征残差网络结构的检测器给出的最优置信度Z₁、Z₂(判断时，同类别置信度均为正数，不同类别置信度一正一负以作区分)，若Z₁、Z₂均为正数，则认为均预测正确进行下一步；若Z₁、Z₂一正一负，则参考非极大值抑制层之前所有特征图预测置信度，重新对其他输入进行预测，按需调整各个尺度特征图的置信度，重复操作步骤一直到达到提前预定的分类阈值；得到更新后的最优置信度Z₁、Z₂，依据Z₁、Z₂的大小分配两种模型的权重，使用下式线性回归方法进行加权和投票得到最终检测框：

其中，B₁、B₂分别是基于单发多框卷积神经网络结构的检测器和基于多尺度特征残差网络结构的检测器的检测框，α、β是两种模型的权重；α、β的取值由更新后的最优置信度Z₁、Z₂按比例分配，其中α+β＝1；选用集成学习方法，集成学习两个基检测器结果，得到了比单个基检测器更好的检测结果，实现海上目标检测的最终结果。