(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 202210350100.1 (22)申请日 2022.04.02 (71)申请人 西安电子科技大 学 地址 710071 陕西省西安市太白南路2号 (72)发明人 焦昶哲　李哲　李嘉铭　毛莎莎　 刘丽蓉　 (74)专利代理 机构 陕西电子 工业专利中心 61205 专利代理师 田文英　王品华 (51)Int.Cl. G06V 20/20(2022.01) G06V 10/25(2022.01) G06V 10/44(2022.01) G06V 10/764(2022.01) G06K 9/62(2022.01)G06V 10/82(2022.01) G06N 3/04(2006.01) G06N 3/08(2006.01) (54)发明名称 基于自适应深度多示例神经网络的高光谱 目标检测方法 (57)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。 权利要求书2页 说明书7页 附图2页 CN 114898237 A 2022.08.12 CN 114898237 A 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≥3 00， 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sigmo id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：权　利　要　求　书 1/2 页 2 CN 114898237 A 2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sigmo id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。 2.根据权利要求1所述的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， 步骤3.5中所述的交叉熵损失函数如下： 其中， L表示交叉熵损失函数， M表示训练集正数据包和负数据包中所有像素的总数， log表示以10为底的对数操作， yi表示多示例深度卷积网络对训练集正数据包和负数据包 的所有像素中第i个像素的预测分类标签， 表示训练集正数据包和负数据包的所有像素 的第i个像素的真实类别标签。 3.根据权利要求1所述的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， 步骤4.1中所述每 个像素被检测为目标的概 率是由下式得到的： suj＝sigmoid(xuj) 其中， suj表示训练集中第u个正数据包中的第j个像素被检测为目标的概率， sigmoid (·)表示sigmo id函数， xuj表示训练集中第u个正数据包中的第j个 像素。 4.根据权利要求1所述的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， 步骤4.1中所述计算 概率阈值 λ 的步骤为： 第一步， 选取训练集中每 个正数据包中像素被 检测为目标的概 率的最小值； 第二步， 将所有正数据包中选取的最小值中的最大值作为评分阈值 λ。 5.根据权利要求1所述的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， 步骤5中所述网络的性能指标NAUC是由下式得到的： 其中， f(x)表示多示例深度卷积网络在验证集上的检测结果的ROC曲线方程， NAUC指标 的含义是截取ROC曲线前千分之一部分放大后， 计算放大后曲线下面积占整个坐标系的比 例值。权　利　要　求　书 2/2 页 3 CN 114898237 A 3