[發明專利]一種基于遷移學習張量分解的高光譜異常檢測方法

在審

• 申請號: 202110624715.4
• 申請日: 2021-06-04
• 公開（公告）號: CN113379696A
• 公開（公告）日: 2021-09-10
• 發明（設計）人: 王玉磊;王鳳超;石瑤;宋梅萍;張建祎
• 申請（專利權）人: 大連海事大學
• 主分類號: G06T7/00
• 分類號: G06T7/00;G06N3/04;G06N3/08
• 代理公司: 大連東方專利代理有限責任公司 21212
• 代理人: 姜玉蓉;李洪福

本發明公開了一種基于遷移學習張量分解的高光譜異常檢測方法，具體步驟包括：設計具有連續卷積層的卷積神經網絡模型，通過遷移訓練有標簽的高光譜數據生成同類和不同類別的像素對，采用反向傳播算法使網絡參數不斷迭代更新直至收斂；采用塔克分解將完成訓練的模型進行卷積層分解，卷積運算將H×W×S大小的輸入數據X映射到H'×W'×T大小的輸出數據Y，讀取待檢測數據，將待檢測像素與其周圍的16個像素形成像素對，將平均相似度得分作為判斷的依據，如果平均相似度得分大于設定閾值則視為異常目標，否則為背景。

技術領域

本發明涉及高光譜圖像異常檢測技術領域，尤其涉及一種基于遷移學習張量分解的高光譜異常檢測方法。

背景技術

異常檢測近年來受到了廣泛的關注，其主要思想是檢測光譜信息與周圍背景顯著不同的像素點，因此異常點的分布通常是稀疏的。異常目標的光譜信息通常是未知的，這對異常檢測來說是一個很大的挑戰。

最廣泛使用的異常檢測方法是Reed-Xiaoli(RX)算法，該算法基于背景分布的假設計算馬氏距離。近年來，基于深度學習和張量的方法在高光譜圖像處理中得到了廣泛的應用。例如，L.Zhang等人提出了一種基于張量的遷移卷積神經網絡(CNN)高光譜異常檢測算法。W.Li等人提出了遷移深度學習算法，但是這些網絡只利用光譜信息進行訓練和檢測，忽略了空間信息。另外，設計的CNN架構比較淺層，學習到的特征不夠。一般來說，淺層神經網絡可能無法很好地提取訓練數據的特征，CNN的層次越深，模型的效果越好。然而，由于訓練數據的缺乏，使得深層神經網絡的設計和訓練受到很大的阻力。

發明內容

根據現有技術存在的問題，本發明公開了一種基于遷移學習張量分解的高光譜異常檢測方法，具體包括如下步驟：

設計具有連續卷積層的卷積神經網絡架構，通過遷移訓練有標簽的高光譜數據，生成同類和不同類別的像素對，采用反向傳播算法使網絡參數不斷迭代更新，最終具有一定的區分像素對差異的能力。

采用塔克分解將訓練完備模型的卷積層分解，卷積運算將H×W×S大小的輸入數據X映射為H'×W'×T大小的輸出數據Y，公式如下：

核張量W被分解成:

P是一個四維的核心張量,Q_sQ_t是因子矩陣。分解后得到三個連續卷積公式，形成三個新的卷積層，它們替代了原始的卷積層，從而增加網絡深度，公式如下：

塔克分解后，卷積層中的通道數會發生變化，具體的結構設計如下：

第一層：采用一維卷積，并將輸出通道的數量將減為輸入通道的三分之一。

核心層：第一層卷積后，數據的空間信息不變，仍與原始輸入相對應，采用conv2d二維卷積核提取空間信息，卷積核的大小等于分解前卷積層中使用的卷積核的大小。

最后一層：仍然使用一維卷積，但是輸出通道將擴展到輸入通道的三倍，以恢復原始卷積數據的大小。

將卷積層分解后，保存分解模型，將每個卷積層分解為三個對應的卷積層，并將分解后的張量作為新卷積層的參數，

分解后的模型增加卷積層的數量即網絡深度，且可以提取輸入數據的空間信息，結合當前像素的光譜和空間信息，獲得檢測結果。具體來說，讀取待檢測數據后，待檢測像素與其周圍的16個像素形成像素對，采用它們的平均相似度作為判斷的依據，如果平均相似度得分高于閾值，則視為異常，否則為背景。