(19)国家知识产权局
(12)发明 专利申请
(10)申请公布号
(43)申请公布日
(21)申请 号 202210524826.2
(22)申请日 2022.05.13
(71)申请人 大连海事大学
地址 116026 辽宁省大连市高新园区凌海
路1号
(72)发明人 王玉磊 陈昔 张文君 张姗姗
李亚东
(74)专利代理 机构 大连东方专利代理有限责任
公司 21212
专利代理师 李馨
(51)Int.Cl.
G06V 20/10(2022.01)
G06V 10/74(2022.01)
G06V 10/75(2022.01)
G06V 10/762(2022.01)
(54)发明名称
基于自监督对比学习的高光谱图像目标检
测方法
(57)摘要
本发明公开了一种基于自监督对比学习的
高光谱图像目标检测方法, 包括: 首先对待检测
的高光谱图像进行奇偶波 段采样, 然后将得到的
奇偶波段高光谱图像用于训练相应的对抗卷积
自编码器, 将训练好的编码器的特征提取部分作
为数据增强函数用于数据增强。 正负对通过数据
增强构建, 主干用于提取增强样本的表示向量。
然后使用它们对应的对比头将表示向量分别映
射到光谱和聚类对比空间。 在对比空间中, 通过
最大化正对的相似性同时最小化负对的相似性
来学习光谱和簇的相似性和相异性, 以增加目标
和背景的表示向量之间的差异。 最后, 结合空间
信息, 使用边缘保持滤波器对利用光谱信息通过
余弦相似度得到的检测结果进行处理得到最终
的检测结果。
权利要求书3页 说明书9页 附图5页
CN 115115933 A
2022.09.27
CN 115115933 A
1.一种基于自监 督对比学习的高光谱目标检测方法, 其特 征在于包括:
构建光谱残差通道注意力 机制, 有选择性的强调有用信 息特征并抑制对目标检测任务
不重要的特 征;
构建具有光谱残差通道注意力 机制的对抗性卷积自动编码器, 所述对抗性卷积自动编
码器对光谱进行 数据增强;
对待检测高光谱图像进行奇偶波段采样, 得到奇数波段高光谱图像和偶数波段高光谱
图像;
分别用奇数波段高光谱图像和偶数波段高光谱 图像训练具有光谱残差通道注意力机
制的对抗 性卷积自动 编码器;
将训练好的对抗性卷积自动编码器中编码器的特征提取部分视为起数据增强作用的
转换函数, 再对奇数波段高光谱图像和 偶数波段高光谱图像使用对应的训练好的编 码器中
的特征提取部分进行 特征提取得到两种数据增强样本;
构建具有光谱残差通道 注意力机制的主干网络, 用于在对比学习阶段进行 特征提取;
设计光谱对比损失函数和聚类对比损失函数, 采用光谱对比损失函数进行光谱级对比
学习和采用聚类对比损失函数进行聚类级对比学习;
使用数据增强样本在进行光谱级对比学习的同时进行聚类级对比学习, 使具有光谱残
差通道注意力机制的主干网络在进行光谱相似性与相异 性学习的同时, 有效地增大对目标
和背景提取的表示向量之间的差异;
使用训练好的具有光谱残差通道注意力机制的主干网络分别提取待检测高光谱图像
中各个像元光谱和先验目标光谱的表示向量, 通过余弦相似性衡量待检测像元光谱表示向
量和先验目标光谱表示向量之间的相似性, 从而得到检测结果。
2.根据权利要求1所述的方法, 其特征在于: 所述具有光谱残差通道注意力 机制的对抗
性卷积自动 编码器的训练过程 为:
对待检测高光谱图像进行奇偶波段采样, 得到由奇数波段与偶数波段组成的两个 高光
谱图像, 分别 表示为
与
分别使用Xodd与Xeven训练具有光
谱残差通道注意力机制的对抗性卷积自动编码器, 训练分为自编 码器网络的训练和对抗网
络的训练, 在自编码器网络训练阶段, 编码器G1(·)与解码器G2(·)组成自编码器网络, 重
构损失被定义 为:
其中xi是输入像元光谱, 在对抗网络训练阶段, 将训练定义成生成器G1(·)与鉴别器D
(·)之间的博 弈过程, 先验分布p(z)预设为多元高斯分布, 对抗训练过程的优化目标为:
3.根据权利要求1所述的方法, 其特征在于: 所述对抗性卷积自动编码器对光谱进行数
据增强时:
将训练好的两个具有光谱残差通道注意力机制的对抗性卷积自动编码器中编码器的
特征提取部分视为起 数据增强作用的转 换函数, 分别表示为gAAE1(·)和gAAE2(·), 对奇数波权 利 要 求 书 1/3 页
2
CN 115115933 A
2段高光谱图像Xodd与偶数波段高光谱图像Xeven使用对应的训练好的编码器中 的特征提取部
分进行特征提取得到两种数据增强样本, 此 过程表示 为:
Da=gAAE1(Xodd)
Db=gAAE2(Xeven)
其中
是从待检测高光谱图像X中采样奇数波段组成
的高光谱图像Xo d d通过编码器特征提取部分gA A E 1(·)得到的数据增强样本,
是采样偶数波段得到 的高光谱图像Xeven通过编码器特
征提取部分gAAE2(·)得到的数据增强样本, L是编码器特 征提取部分输出 特征向量的大小。
4.根据权利要求1所述的方法, 其特征在于: 所述采用光谱对比损失函数进行光谱级对
比学习时:
从待检测高光谱图像X中随机采样一个批次, 该批次包含N个像元光谱, 对该批次中的
每 个 像 元 光 谱 xi执 行 所 设 计 的 数 据 增 强 方 法 , 得 到 2 N 个 数 据 增 强 样 本
对于一个特定像元光谱xi的增强样本
该增强样本
与一个批
次的增强样本之间构成2N ‑1对, 其中该增强样本
与特定像元光谱xi的另一个增强样本
之间形成正样本对
与剩余的2N ‑2个数据增强样本组成负样本对, 用光谱对比
头gS(·)将主干提取的表示映射到光谱 对比损失空间中, 该 过程表示 为
样本对之间的相似性 通过余弦距离衡量, 表示 为
其中c1,c2∈{a,b}并且i,j∈[1,N], 将给定增强样本
的光谱对比损失定义 为:
其中τs是光谱对比学习中的温度参数, 用于控制柔软度, 最后在每个增强样本 上计算光
谱对比损失:
5.根据权利要求1所述的方法, 其特征在于: 采用聚类对比损失函数进行聚类级对比学
习时:
设定一个包含N个像元光谱的批次, 表示为
经过数据增强后得到增强样本
和
将增强样本输入主干f( ·)权 利 要 求 书 2/3 页
3
CN 115115933 A
3
专利 基于自监督对比学习的高光谱图像目标检测方法
文档预览
中文文档
18 页
50 下载
1000 浏览
0 评论
0 收藏
3.0分
温馨提示:本文档共18页,可预览 3 页,如浏览全部内容或当前文档出现乱码,可开通会员下载原始文档
本文档由 SC 于 2024-02-24 00:59:51上传分享