基于集成约束多示例学习的高光谱目标检测方法

作     者：李嘉铭 

作者单位：西安电子科技大学 

学位级别：硕士

导师姓名：焦昶哲;钟君

授予年度：2023年

学科分类：0810[工学-信息与通信工程] 08[工学] 081002[工学-信号与信息处理] 

主      题：高光谱目标检测 多示例学习 集成学习 对比学习 一维卷积 

摘      要：由于高光谱图像的空谱合一的特性,使得高光谱图像在精准农业、变化检测、生物医学工程和军事等许多领域得到广泛应用,其中目标检测是最重要和最广泛的应用之一。然而,由于高光谱目标标识的不确定性,例如定位坐标的偏移、不确定的亚像素混合等,获取像素级标签通常是不可行的,往往会产生不精确的标签。此外,目标数据样本和背景数据样本之间像素数量的显著差异也是高光谱目标检测中的难点之一。因此,如何更好地使用不精确标签并有效地利用高光谱图像的光谱信息以实现精确的目标检测是本文要研究的主要内容。本文将高光谱目标检测建模为一个多示例学习(Multiple Instance Learning,MIL)问题,其中的数据以包的形式存在,包含至少一个目标示例的包被标记为正包,包含纯背景的包被标记为负包,利用一维卷积神经网络(One Dimensional Convolutional Neural Network,1DCNN)可以保留包信息的优势,从不同角度提出了三种高光谱目标检测方法。 (1)针对高光谱目标检测中存在不精确的标签问题,提出了一种基于深度集成多示例网络的高光谱目标检测方法,采用1DCNN来实现端到端的高光谱目标检测结构。首先搭建示例级目标检测模块以获得示例级置信度得分,采用三层卷积进行特征提取,在目标检测中引入Dropout结构增加模型的泛化能力,其次结合不同的多示例池化层并通过集成学习重构示例级别置信度得分,最终通过全局平均池化得出每个包的包级别置信度分数。在损失函数上,使用带参数的交叉熵损失函数对不平衡数据集做了处理,构建距离函数来约束包中示例间的差异,构建L1正则化函数来约束深度集成中的权重值,L1正则化具有稀疏性,使权重较小的值在优化问题中收敛于0。实验证明了该算法的有效性。 (2)针对第一个方法由于某些包的示例结构组成复杂导致重构的示例级得分效果较差的问题,提出了一种基于加权集成与协作集成多示例的高光谱目标检测方法。首先使用1DCNN提取单个示例的光谱特征信息,得到示例的特征向量,将特征向量输入到全连接层计算每个示例属于目标的置信度,接下来利用深度学习自适应学习网络参数的特性,通过加权集成组合多个多示例池化层的结果,得到包的置信度。在损失函数上,总损失函数由带参数交叉熵损失函数与协作损失函数共同组成,协作损失函数是利用多示例池化层的结果构建专家与非专家集合,利用专家的输出来监督非专家集合的学习而构建的损失函数。实验结果表明该方法在各个目标上均取得了较为领先的检测效果。 (3)为了在解决不平衡数据的同时更好的增加正负样本间的一个区分度,在第二个方法的基础上提出了基于对比学习集成多示例网络的高光谱目标检测算法。该算法首先使用数据增强对原始数据进行包级增强,其次,构建示例级别的目标检测网络模型来学习示例置信度,引入加权集成组合多个多示例池化层,学习包与示例的关系,得到包级概率,同时引入对比学习进一步学习正负包之间的差异,根据正负样本对构造对比学习损失,使得正负包间相似性差距变大,进而使得网络向着更好的方向学习。实验结果表明该算法具有较好的检测能力。