买专利卖专利找龙图腾，真高效！ 查专利查商标用IPTOP,全免费！专利年费监控用IP管家,真方便！

申请/专利权人：西安电子科技大学

摘要：本发明公开了一种基于自适应深度多示例神经网络的高光谱目标检测方法，其实现步骤为：步骤1，生成训练样本集；步骤2，构建多示例深度卷积网络；步骤3，对多示例深度卷积网络进行内层迭代训练；步骤4，对内层训练好的多示例深度卷积网络进行外层迭代训练；步骤5，判断当前迭代更新后网络的性能指标NAUC是否提升，若是，执行步骤4，否则，执行步骤6；步骤6，对高光谱图像中的目标进行检测。本发明通过构建多示例深度卷积网络，利用概率阈值自适应地更新正数据包中像素的标签，迭代地训练网络，能够有效地解决现有技术对噪声较大的高光谱图像目标检测容易过拟合、特征具有冗余信息和阈值挑选目标像素的误选和漏选问题，提高了高光谱目标检测的精度。

主权项：1.一种基于自适应深度多示例神经网络的高光谱目标检测方法，其特征在于，构建多示例深度卷积网络，利用概率阈值自适应地挑选训练样本集中属于目标的像素，更新像素的标签，迭代地训练网络；该方法的步骤包括如下：步骤1.生成训练集和验证集：步骤1.1，选取至少五幅大小为W×H×Q的高光谱图像，将其中任意一幅高光谱图像中的像素组成验证集，其余的高光谱图像组成样本集，每幅高光谱图像中均包含四种不同颜色的目标；其中，W和H分别表示每幅高光谱图像中行和列像素的个数，Q表示高光谱图像中波段的个数，W≥300，H≥300，Q≥72，W和H取值不相等；步骤1.2，选取样本集的每幅高光谱图像中不同颜色的每种目标中的每个像素，将所选的每个像素和以该像素为中心的5×5邻域内的所有像素组成正数据包，将每幅高光谱图像中的其余非目标像素组成负数据包；将正数据包中每个像素的标签标注为1，负数据包中每个像素的标签标注为0；将所有标注后的正数据包和负数据包组成训练集；步骤2.构建多示例深度卷积网络：搭建一个16层的多示例深度卷积网络，其结构依次为：输入层，第一模块、第二模块、第三模块，全连接层和输出层；所述第一模块、第二模块、第三模块的结构相同，均为：一维卷积层，批量归一化层、最大池化层、激活层；所述输出层包含全连接层和sigmoid层；设置各层参数如下：将第一至第三模块中的一维卷积层的卷积核个数分别设置为20、128、64，卷积核大小均设置为1×3，批量归一化层的参数分别设置为20、128、64，最大池化层的池化核大小均设置为1×2，池化核移动步长均设置为1×2，激活层均采用Relu激活函数；将全连接层的输入维度设置为64×6，输出维度设置为1×500；将输出层中的全连接层的输入维度设置为500，输出维度为1，sigmoid层采用sigmoid函数实现，用于计算输入样本被检测为每一类的概率；步骤3.对多示例深度卷积网络进行内层迭代训练：步骤3.1，将训练集的正数据包和负数据包输入到多示例深度卷积网络的输入层中，该网络的第一模块输出正负数据包中每个像素的第一光谱特征；步骤3.2，将正负数据包中每个像素的第一光谱特征，输入到多示例深度卷积网络的第二模块中，输出每个像素的第二光谱特征；步骤3.3，将每个像素的第二光谱特征输入到多示例深度卷积网络的第三模块中，输出每个像素的第三光谱特征；步骤3.4，将每个像素的第三光谱特征输入到多示例深度卷积网络的全连接层中，对特征进行映射后展开为一维光谱特征，再通过输出层中的全连接层，sigmoid层后输出多示例深度卷积网络的预测分类标签；步骤3.5，利用交叉熵损失函数，计算预测分类标签与目标真实类别标签间的损失值，利用反向传播算法迭代更新网络参数，直到交叉熵损失函数收敛为止，得到内层训练好的多示例深度卷积网络；步骤4.对内层训练好的多示例深度卷积网络进行外层迭代训练：步骤4.1，将训练集中正数据包中的每个像素输入到内层训练好的多示例深度卷积网络中，通过sigmoid层得到每个像素被检测为目标的概率，计算概率阈值λ；步骤4.2，利用概率阈值λ对训练集中正数据包中像素的标签进行更新，将概率大于λ的像素的标签更新为1，小于λ的像素的标签更新为0，得到更新后的训练集；步骤4.3，将更新后的训练集中的正、负数据包中的所有像素输入到多示例深度卷积网络中，利用反向传播算法，迭代更新内层训练好的多示例深度卷积网络的参数，直到交叉熵损失函数收敛为止，得到外层训练好的多示例深度卷积网络；步骤5.判断当前迭代更新后网络的性能指标NAUC是否提升，若是，则执行步骤4，否则，将当前迭代更后的网络作为训练好的多示例深度卷积网络后执行步骤6；步骤6.对高光谱图像中的目标进行检测：步骤6.1，采用与步骤1.2相同的方法，对待检测高光谱图像进行处理，得到由待检测高光谱图像中所有标注后的正数据包和负数据包组成的数据集；步骤6.2，将数据集中的每个正数据包和负数据包中的像素，输入到训练好的多示例深度卷积网络中，通过sigmoid层，输出待检测的正数据包和负数据包中的像素被检测为各类的概率，从各类概率中选取最高概率作为高光谱中该目标检测的类别。

全文数据：

权利要求：

百度查询： 西安电子科技大学 基于自适应深度多示例神经网络的高光谱目标检测方法