[发明专利]基于特征自迁移的单一稀疏自编码器弱小目标检测方法

摘要

本发明公开了一种基于特征自迁移的单一稀疏编码器弱小目标检测方法，该方法如下：构建用于训练的弱小目标的训练样本集、测试样本集、原始数据集；将训练样本集输入SAE模型中训练，得到样本的稀疏特征，即模型参数用稀疏特征训练softmax，即输入特征f(Wm+1x+bm+1)对softmax进行训练每次训练完成后，保留正样本，随机选取数量与正样本的数量相近的负样本；将模型参数作为下一次训练的初始模型参数，实现SAE模型的参数更新，重复以上步骤，当SAE模型训练的损失函数的值与前一次损失函数的值相同时，训练结束；将测试样本集输入最后一次训练得到的softmax进行测试，得到测试结果。本发明能够准确地检测图像中的弱小目标。

主权项

1.一种基于特征自迁移的单一稀疏编码器弱小目标检测方法，其特征在于：该方法包括步骤如下：S1：从图像数据库中选取数量为a的图像数据作为训练样本集，用于构建训练样本集中的正样本和负样本；从数据库中选取数量为1‑a的图像数据作为测试样本集，用于构建测试样本集中的正样本和负样本；所述正样本包含微动脉瘤，并以微动脉瘤为中心构建21*21像素的块；所述负样本不包含微动脉瘤的像素，其大小为21*21像素的块；同时从正样本、负样本中分别选取彩色图像中的绿色通道、蓝色通道、经过Gamma校正得到的对比度增强结果作为原始数据集；其中：a表示训练样本集占图像数据库的百分比，0<a<1，a为人工设定的；S2：对训练样本集进行训练，将训练样本集输入到SAE模型中，训练得到训练样本集的稀疏特征，即SAE模型参数其中：表示经过反向传播得到的SAE模型的权重和偏置；S3：利用稀疏特征训练softmax，即输入特征f(W^m+1x+b^m+1)对softmax进行训练，每次训练完成后，保留正样本，随机选取数量与正样本的数量相近的负样本；其中：f表示sigmod激活函数m表示第m次训练；W^m+1、b^m+1分别表示第m+1次训练的SAE的权重和偏置；S4：将SAE模型参数作为下一次训练的初始模型参数，实现SAE模型的参数更新，完成SAE模型的特征自迁移；执行S2；直至得到SAE模型训练的损失函数的值与前一次损失函数的值相同时，执行S5；S5：训练好的SAE模型后，将测试样本集输入到最后的softmax中，得到测试结果。