专利名称 ---【 基于流形约束自编码网络的高光谱异常检测方法及系统 】

基本信息
申请号
CN201910412013.2
申请日
20190517
公开(公告)号
CN110298235A
公开(公告)日
20191001
申请(专利权)人
中国科学院西安光学精密机械研究所
申请人地址
710119 陕西省西安市高新区新型工业园信息大道17号
发明人
卢孝强;张无瑕;吴思远;黄举; 专利类型 发明专利
摘要
本发明公开了一种基于流形约束自编码网络的高光谱异常检测方法及系统,解决样本识别率低的问题,方法实现步骤是:(1)采用流行学习算法来学习低维嵌入流行;(2)通过低维嵌入流形约束的自编码网络提取隐层表达特征;(3)利用低维嵌入流形约束的自编码网络获得全局重构误差;(4)在低维嵌入流形上计算局部重构误差;(5)将全局重构误差和局部重构误差结合起来进行异常目标检测;(6)统计实验结果,计算高光谱异常检测的精度。本发明在利用自编码网络提取高光谱图像的深度特征时,考虑了图像的局部特性;并且综合全局方法和局部方法的优点,在进行异常判断时,同时考虑全局重构误差和局部重构误差,进而提高了异常检测的精度。
主权项
1.一种基于流形约束自编码网络的高光谱异常检测方法,其特征在于,包括以下步骤:步骤一、输入待检测的高光谱图像X,采用流形学习方法学习该待检测高光谱图像X的低维嵌入流形Y;步骤二、输入待检测的高光谱图像X,逐层预训练流形约束自编码网络,其损失函数是其中,xi是第i个样本, 是第i个重构样本,W(l)是第l层和l+1层之间的权重系数,λ是权衰减参数,ρ是稀疏参数,s是隐层的神经元个数, 是第j个神经元的平均响应值,是KL散度;步骤三、使用步骤二中预训练得到的参数初始化流形约束自编码网络;步骤四、采用步骤三中已初始化好的流形约束自编码网络提取隐层特征Z,充分考虑步骤一中已学习得到的低维嵌入流形Y,通过优化下述的损失函数来训练流形约束自编码网络:其中,xi是第i个样本, 是第i个重构样本,W(l)是第l层和l+1层之间的权重系数,λ是权衰减参数,yi表示第i个样本的低维流形嵌入表达,zi表示第i个样本的隐层表达;步骤五、通过已完成训练的流形约束自编码网络的参数来计算重构样本 计算公式如下所示:步骤六、计算全局重构误差,计算公式如下所示:其中,N是高光谱图像的像素个数;步骤七、在低维嵌入流形上,计算局部重构误差,计算公式如下所示:步骤八、综合考虑全局重构误差和局部重构误差来检测异常目标,根据给定的阈值来判断待测像素是背景还是目标,即得到高光谱异常目标检测结果;其中,α是平衡参数,其值在0到1之间。

 

IPC信息
IPC主分类号
G06K9/00

 

法律状态信息
法律状态公告日
20191001
法律状态
公开 法律状态信息
CN201910412013 20191001 公开 公开
法律状态公告日
20191101
法律状态
实质审查的生效 法律状态信息
CN201910412013 20191101 实质审查的生效 实质审查的生效IPC(主分类):G06K 9/00

 

代理信息
代理机构名称
西安智邦专利商标代理有限公司 61211
代理人姓名
汪海艳


| 联系我们 | 网站地图 | 版权声明 |

版权:中国科学院 主办:中国科学院科技促进发展局 承办:中国科学院成都文献情报中心 蜀ICP备05003827号-12

建议使用1024×768 分辨率 IE6.0以上版本浏览器