CN116612356A - 一种基于深度学习网络的高光谱异常检测方法 - Google Patents

一种基于深度学习网络的高光谱异常检测方法 Download PDF

Info

Publication number
CN116612356A
CN116612356A CN202310652449.5A CN202310652449A CN116612356A CN 116612356 A CN116612356 A CN 116612356A CN 202310652449 A CN202310652449 A CN 202310652449A CN 116612356 A CN116612356 A CN 116612356A
Authority
CN
China
Prior art keywords
hyperspectral
hyperspectral image
global
training data
network
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Granted
Application number
CN202310652449.5A
Other languages
English (en)
Other versions
CN116612356B (zh
Inventor
王津申
欧阳彤彬
何益凡
段宇宵
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Beihang University
Original Assignee
Beihang University
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Beihang University filed Critical Beihang University
Priority to CN202310652449.5A priority Critical patent/CN116612356B/zh
Publication of CN116612356A publication Critical patent/CN116612356A/zh
Application granted granted Critical
Publication of CN116612356B publication Critical patent/CN116612356B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
    • G06V10/77—Processing image or video features in feature spaces; using data integration or data reduction, e.g. principal component analysis [PCA] or independent component analysis [ICA] or self-organising maps [SOM]; Blind source separation
    • G06V10/774—Generating sets of training patterns; Bootstrap methods, e.g. bagging or boosting
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/0464—Convolutional networks [CNN, ConvNet]
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
    • G06V10/77—Processing image or video features in feature spaces; using data integration or data reduction, e.g. principal component analysis [PCA] or independent component analysis [ICA] or self-organising maps [SOM]; Blind source separation
    • G06V10/7715—Feature extraction, e.g. by transforming the feature space, e.g. multi-dimensional scaling [MDS]; Mappings, e.g. subspace methods
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
    • G06V10/77—Processing image or video features in feature spaces; using data integration or data reduction, e.g. principal component analysis [PCA] or independent component analysis [ICA] or self-organising maps [SOM]; Blind source separation
    • G06V10/80—Fusion, i.e. combining data from various sources at the sensor level, preprocessing level, feature extraction level or classification level
    • G06V10/806—Fusion, i.e. combining data from various sources at the sensor level, preprocessing level, feature extraction level or classification level of extracted features
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
    • G06V10/82—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using neural networks
    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
    • Y02A—TECHNOLOGIES FOR ADAPTATION TO CLIMATE CHANGE
    • Y02A40/00—Adaptation technologies in agriculture, forestry, livestock or agroalimentary production
    • Y02A40/10—Adaptation technologies in agriculture, forestry, livestock or agroalimentary production in agriculture

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Evolutionary Computation (AREA)
  • Artificial Intelligence (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Computing Systems (AREA)
  • Health & Medical Sciences (AREA)
  • General Health & Medical Sciences (AREA)
  • General Physics & Mathematics (AREA)
  • Software Systems (AREA)
  • Databases & Information Systems (AREA)
  • Medical Informatics (AREA)
  • Multimedia (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Biomedical Technology (AREA)
  • Biophysics (AREA)
  • Computational Linguistics (AREA)
  • Data Mining & Analysis (AREA)
  • Molecular Biology (AREA)
  • General Engineering & Computer Science (AREA)
  • Mathematical Physics (AREA)
  • Image Analysis (AREA)

Abstract

本发明涉及数据处理技术领域，尤其涉及一种基于深度学习网络的高光谱异常检测方法，所述方法包括：S1、获取待处理的高光谱图像；S2、将所述待处理的高光谱图像输入训练好的深度学习网络得到最终的异常检测结果；所述训练好的深度学习网络包括：隐层特征提取网络、深层综合潜在特征提取网络、协同表示神经网络和检测融合网络；其中，预先采用高光谱图像的训练数据对深度学习网络中的隐层特征提取网络、深层综合潜在特征提取网络、协同表示神经网络和检测融合网络进行联合训练以获取训练好的深度学习网络。相对于现有技术而言，其可以提高检测性能以及提高检测精度。

Description

一种基于深度学习网络的高光谱异常检测方法
技术领域
本发明涉及数据处理技术领域，尤其涉及一种基于深度学习网络的高光谱异常检测方法。
背景技术
高光谱图像将目标探测技术与光谱成像技术结合，充分挖掘了地物的空间信息与光谱特征，更好的反映物体的内部物理属性信息。高光谱图像记录了近似连续的光谱曲线，可以用于区分各种材料之间的细微差异，因此被广泛应用于地物分类、目标检测等民用与军事领域。
传统的异常检测方法具有合理的数学基础与可解释性，但是其浅层学习的方式一定程度上限制了其检测性能，RX方法和CRD方法就属于传统方法。对于RX方法而言，它假设高光谱图像的背景符合高斯分布，这一假设过于理想化，实际上的高光谱图像背景并不严格服从于高斯分布，并且当背景复杂时，高光谱图像的背景可能是由多种不同的分布构成的，在这些情况下，依然将高光谱图像背景假设为理想的高斯分布并不合理，会导致背景估计的准确率低，检测结果误检率高、检测精度差。而基于深度学习的异常检测方法特征利用率高，有着较强的泛化能力，但是其可解释性一般弱于传统方法。对于CRD方法而言，在利用滑动双窗口构建背景字典时，窗口大小需要人为预先设置，由于缺乏目标的先验知识，因此无法预先知道窗口的最优大小，这会对检测结果造成一定的影响。并且在构建背景字典时值利用了局部的信息而没有考虑全局的信息，这会导致特征利用率低、背景可靠性低。这种方法由于需要重复计算还存在计算量大，耗时长的缺点。
发明内容
(一)要解决的技术问题
鉴于现有技术的上述缺点、不足，本发明提供一种基于深度学习网络的高光谱异常检测方法，其解决了传统的异常检测方法中将高光谱图像背景假设为理想的高斯分布并不合理，会导致背景估计的准确率低，检测结果误检率高、检测精度差或者特征利用率低、背景可靠性低等技术问题。
(二)技术方案
为了达到上述目的，本发明采用的主要技术方案包括：
本发明实施例提供一种基于深度学习网络的高光谱异常检测方法，所述方法包括：
S1、获取待处理的高光谱图像；
S2、将所述待处理的高光谱图像输入训练好的深度学习网络得到最终的异常检测结果；
所述训练好的深度学习网络包括：隐层特征提取网络、深层综合潜在特征提取网络、协同表示神经网络和检测融合网络；
所述隐层特征提取网络，用于提取输入至深度学习网络中的高光谱图像的隐层特征；
所述深层综合潜在特征提取网络，用于基于所述隐层特征，得到该高光谱图像的深层综合潜在特征；
所述协同表示神经网络，用于基于该高光谱图像的深层综合潜在特征，分别获取该高光谱图像的全局近似表达特征与局部近似表达特征；
所述检测融合网络，用于基于该高光谱图像的隐层特征以及该高光谱图像的全局近似表达特征与局部近似表达特征，获取最终的异常检测结果；
其中，预先采用高光谱图像的训练数据对深度学习网络中的隐层特征提取网络、深层综合潜在特征提取网络、协同表示神经网络和检测融合网络进行联合训练以获取训练好的深度学习网络。
优选地，
所述隐层特征提取网络包括：用于提取输入至深度学习网络中的高光谱图像的隐层特征的自编码器AE；
所述自编码器AE包括：编码器E和解码器De；
其中，所述编码器E和解码器De均包括la层卷积核尺寸为1×1的二维卷积层；la为预先设定值。
优选地，所述深层综合潜在特征提取网络包括：
自注意力机制模块，用于基于隐层特征提取网络所提取的高光谱图像的隐层特征和残差连接，得到包含该高光谱图像的全局相关特征的全局特征图；
所述全局相关特征为：高光谱图像中每一像素和所有像素之间的相关性；
局部特征提取模块，用于根据所述全局特征图提取局部特征，输出融合了全局相关特征和局部特征的深层综合潜在特征。
优选地，所述协同表示神经网络，包括：
全局支流协同表示神经网络，用于基于所述深层综合潜在特征，获取所述高光谱图像的全局近似表达特征；
局部支流协同表示神经网络，用于基于所述深层综合潜在特征，获取所述高光谱图像的局部近似表达特征。
优选地，在S1之前还包括：
S00、基于预先获取的高光谱图像，获取高光谱图像的训练数据；
所述预先获取的高光谱图像的格式为H*W*k；
其中H为预先获取的高光谱图像的长；
W为预先获取的高光谱图像的宽；
k代表波段数；
X为所述高光谱图像的训练数据；
xi表示高光谱图像的训练数据中第i个像素点的光谱向量；
N代表高光谱图像的训练数据的像素数；
S01、将所述高光谱图像的训练数据输入到深度学习网络中的自编码器AE中，所述自编码器AE针对所述高光谱图像的训练数据进行编码-解码处理，得到所述高光谱图像的训练数据的隐层特征；
Z为高光谱图像的训练数据的隐层特征；
zi高光谱图像的训练数据的隐层特征中的第i个像素；
S02、深度学习网络中的深层综合潜在特征提取网络基于所述高光谱图像的训练数据的隐层特征，得到高光谱图像的训练数据的深层综合潜在特征；
S03、深度学习网络中的协同表示神经网络基于高光谱图像的训练数据的深层综合潜在特征，分别获取所述高光谱图像的训练数据的全局近似表达特征与局部近似表达特征；
S04、基于所述高光谱图像的训练数据的隐层特征和所述高光谱图像的训练数据的全局近似表达特征与局部近似表达特征，获取深度学习网络的预先设定的损失函数的具体数值；
S05、重复S01-S05直至异常检测网络中预先设定的损失函数的具体数值收敛，得到训练好的深度学习网络。
优选地，所述S02具体包括：
S021、深层综合潜在特征提取网络中的自注意力机制模块基于所述高光谱图像的训练数据的隐层特征和残差连接，得到第一全局特征图；
所述第一全局特征图为包含所述高光谱图像的训练数据的全局相关特征的全局特征图；
S022、深层综合潜在特征提取网络中的局部特征提取模块，根据第一全局特征图提取局部特征，输出融合了所述高光谱图像的训练数据中全局相关特征和局部特征的深层综合潜在特征；
所述局部特征提取模块由卷积核为1×1的二维卷积层和卷积核为3×3×3的三维卷积层组成。
优选地，所述S021具体包括：
S021-1、深层综合潜在特征提取网络中的自注意力机制模块基于所述高光谱图像的训练数据的隐层特征，采用公式(1)获取高光谱图像的训练数据的全局相关特征；
所述公式(1)为：
Yg＝softmax(ZTZ)g(Z)；
Softmax()为归一化方法；
g()为特征表示函数；
ZT为高光谱图像的训练数据的隐层特征的转置；
其中，Yg为高光谱图像的训练数据的全局相关特征，且
S021-2、基于高光谱图像的训练数据的隐层特征和和残差连接，采用公式(2)得到第一全局特征图；
所述公式(2)为：
Z′＝WzYg+XT；
其中，Z′为第一全局特征图；
XT为高光谱图像的训练数据的转置；
Wz为残差连接的权重矩阵。
优选地，所述S03具体包括：
S031、所述协同表示神经网络中的全局支流协同表示神经网络，基于高光谱图像的训练数据的深层综合潜在特征，采用公式(3)获取高光谱图像的训练数据的全局近似表达特征；
所述公式(3)为：
为高光谱图像的训练数据的全局近似表达特征；
其中，αg为全局表达权重系数矩阵，所述全局表达权重系数矩阵αg是通过对高光谱图像的训练数据的深层综合潜在特征经过lb层1×1的二维卷积层计算所得到的；
lb为预先设定值；
Dg为高光谱图像训练数据的全局背景字典，其中，其中C为字典Dg中的原子数量；
S032、协同表示神经网络中的局部支流协同表示神经网络，基于高光谱图像的深层综合潜在特征，采用公式(4)获取所述高光谱图像的训练数据的局部近似表达特征中的第i个像素；
其中，为所述高光谱图像的训练数据的局部近似表达特征；
所述公式(4)为：
其中，其中为局部近似表达特征/>中的第i个像素；
表示第i个像素的局部背景字典，为以高光谱图像的训练数据的隐层特征Z中第i个像素为中心的预先设定的内窗口区域和预先设定的外窗口区域之间的像素的集合，且
S代表内外窗口区域之间的背景像素数量；
为局部表达权重系数矩阵中第i个像素的权重系数；其中，/>
局部表达权重系数矩阵al是通过对高光谱图像的训练数据的深层综合潜在特征经过lb层winout×winout的二维卷积层计算所得到的；
其中，
其中，winout为预先设定的外窗口区域。
优选地，
其中，所述深度学习网络的预先设定的损失函数为：
LCR＝LDjc+λ1LGlobal+λ2LLocal；
其中，LGlobal为在对深度学习网络过程中对获取所述待处理的高光谱图像的全局近似表达特征的目标函数；
为高光谱图像的训练数据的全局近似表达特征/>中第i个像素；
λ为拉格朗日乘子；
LDic为在对深度学习网络过程中对高光谱图像训练数据的全局背景字典Dg的约束条件；
其中，为高光谱图像训练数据的全局背景字典Dg中的第j个原子；
LLocal在对深度学习网络过程中对获取所述待处理的高光谱图像的局部近似表达特征的目标函数；
λ1为损失函数中预先设定的第一贡献权重；
λ2为损失函数中预先设定的第二贡献权重。
优选地，
所述步骤S2中，
检测融合网络，在深度学习网络的预先设定的损失函数收敛时，获取所述待处理的高光谱图像的全局近似表达特征与局部近似表达特征；
基于所述待处理的高光谱图像的全局近似表达特征和所述待处理的高光谱图像的隐层特征，获取全局检测结果Ag；
其中，
基于所述待处理的高光谱图像的局部近似表达特征和所述待处理的高光谱图像的隐层特征，获取局部检测结果Al；
其中，
所述全局检测结果和所述局部检测结果融合，得到最终的异常检测结果A。
(三)有益效果
本发明的有益效果是：本发明的一种基于深度学习网络的高光谱异常检测方法，由于采用隐层特征提取网络获取高光谱数据的隐层特征，并通过深层综合潜在特征提取网络基于隐层特征，得到该高光谱图像的深层综合潜在特征，然后，采用协同表示神经网络来学习高光谱数据的全局近似表达特征与局部近似表达特征，最后通过检测融合网络基于该高光谱图像的隐层特征以及该高光谱图像的全局近似表达特征与局部近似表达特征，获取最终的异常检测结果。相对于现有技术而言，其可以提高检测性能以及提高检测精度。
附图说明
图1为本发明的一种基于深度学习网络的高光谱异常检测方法流程图；
图2为本发明的一种基于深度学习网络的高光谱异常检测方法实际应用示意图；
图3为圣地亚哥机场的原始高光谱图像；
图4为圣地亚哥机场图像的异常目标真值图；
图5是GRX异常检测方法对图3中的高光谱图像进行异常检测得到的检测结果图；
图6是CRD异常检测方法对图3中的高光谱图像进行异常检测得到的检测结果图；
图7是LREN异常检测方法对图3中的高光谱图像进行异常检测得到的检测结果图；
图8是本实施例中的基于深度学习网络的高光谱异常检测方法对图3中的高光谱图像进行异常检测得到的检测结果图；
图9为本实施例中GRX异常检测方法、CRD异常检测方法、LREN异常检测方法以及本实施例中的基于深度学习网络的高光谱异常检测方法的ROC曲线；
图10为本实施例中GRX异常检测方法、CRD异常检测方法、LREN异常检测方法以及本实施例中的基于深度学习网络的高光谱异常检测方法的AUC值柱形图。
具体实施方式
为了更好的解释本发明，以便于理解，下面结合附图，通过具体实施方式，对本发明作详细描述。
为了更好的理解上述技术方案，下面将参照附图更详细地描述本发明的示例性实施例。虽然附图中显示了本发明的示例性实施例，然而应当理解，可以以各种形式实现本发明而不应被这里阐述的实施例所限制。相反，提供这些实施例是为了能够更清楚、透彻地理解本发明，并且能够将本发明的范围完整的传达给本领域的技术人员。
参见图1，本实施例提供一种基于深度学习网络的高光谱异常检测方法，所述方法包括：
S1、获取待处理的高光谱图像。
S2、将所述待处理的高光谱图像输入训练好的深度学习网络得到最终的异常检测结果。
所述训练好的深度学习网络包括：隐层特征提取网络、深层综合潜在特征提取网络、协同表示神经网络和检测融合网络。
所述隐层特征提取网络，用于提取输入至深度学习网络中的高光谱图像的隐层特征。
所述隐层特征提取网络包括：用于提取输入至深度学习网络中的高光谱图像的隐层特征的自编码器AE。
所述自编码器AE包括：编码器E和解码器De。
其中，所述编码器E和解码器De均包括la层卷积核尺寸为1×1的二维卷积层；la为预先设定值。本实施例中la为4。
所述深层综合潜在特征提取网络，用于基于所述隐层特征，得到该高光谱图像的深层综合潜在特征。
所述深层综合潜在特征提取网络包括：
自注意力机制模块，用于基于隐层特征提取网络所提取的高光谱图像的隐层特征和残差连接，得到包含该高光谱图像的全局相关特征的全局特征图。
所述全局相关特征为：高光谱图像中每一像素和所有像素之间的相关性。
局部特征提取模块，用于根据所述全局特征图提取局部特征，输出融合了全局相关特征和局部特征的深层综合潜在特征。
所述协同表示神经网络，用于基于该高光谱图像的深层综合潜在特征，分别获取该高光谱图像的全局近似表达特征与局部近似表达特征。
所述协同表示神经网络，包括：
全局支流协同表示神经网络，用于基于所述深层综合潜在特征，获取所述高光谱图像的全局近似表达特征。
局部支流协同表示神经网络，用于基于所述深层综合潜在特征，获取所述高光谱图像的局部近似表达特征。
所述检测融合网络，用于基于该高光谱图像的隐层特征以及该高光谱图像的全局近似表达特征与局部近似表达特征，获取最终的异常检测结果。
其中，预先采用高光谱图像的训练数据对深度学习网络中的隐层特征提取网络、深层综合潜在特征提取网络、协同表示神经网络和检测融合网络进行联合训练以获取训练好的深度学习网络。
在本实施例的实际应用中，在S1之前还包括：
S00、基于预先获取的高光谱图像，获取高光谱图像的训练数据。
所述预先获取的高光谱图像的格式为H*W*k。
其中H为预先获取的高光谱图像的长。
W为预先获取的高光谱图像的宽。
k代表波段数。
X为所述高光谱图像的训练数据。
xi表示高光谱图像的训练数据中第i个像素点的光谱向量。
N代表高光谱图像的训练数据的像素数。
S01、将所述高光谱图像的训练数据输入到深度学习网络中的自编码器AE中，所述自编码器AE针对所述高光谱图像的训练数据进行编码-解码处理，得到所述高光谱图像的训练数据的隐层特征。
Z为高光谱图像的训练数据的隐层特征。
zi高光谱图像的训练数据的隐层特征中的第i个像素。
S02、深度学习网络中的深层综合潜在特征提取网络基于所述高光谱图像的训练数据的隐层特征，得到高光谱图像的训练数据的深层综合潜在特征。
具体的，所述S02具体包括：S021、深层综合潜在特征提取网络中的自注意力机制模块基于所述高光谱图像的训练数据的隐层特征和残差连接，得到第一全局特征图；所述第一全局特征图为包含所述高光谱图像的训练数据的全局相关特征的全局特征图；S022、深层综合潜在特征提取网络中的局部特征提取模块，根据第一全局特征图提取局部特征，输出融合了所述高光谱图像的训练数据中全局相关特征和局部特征的深层综合潜在特征；所述局部特征提取模块由卷积核为1×1的二维卷积层和卷积核为3×3×3的三维卷积层组成。
S03、深度学习网络中的协同表示神经网络基于高光谱图像的训练数据的深层综合潜在特征，分别获取所述高光谱图像的训练数据的全局近似表达特征与局部近似表达特征。
S04、基于所述高光谱图像的训练数据的隐层特征和所述高光谱图像的训练数据的全局近似表达特征与局部近似表达特征，获取深度学习网络的预先设定的损失函数的具体数值。
S05、重复S01-S05直至异常检测网络中预先设定的损失函数的具体数值收敛，得到训练好的深度学习网络。
在实际应用中，本实施例所述S021具体包括：
S021-1、深层综合潜在特征提取网络中的自注意力机制模块基于所述高光谱图像的训练数据的隐层特征，采用公式(1)获取高光谱图像的训练数据的全局相关特征。
所述公式(1)为：
Yg＝softmax(ZTZ)g(Z)。
Softmax()为归一化方法。
g()为特征表示函数。
ZT为高光谱图像的训练数据的隐层特征的转置。
其中，Yg为高光谱图像的训练数据的全局相关特征，且
S021-2、基于高光谱图像的训练数据的隐层特征和和残差连接，采用公式(2)得到第一全局特征图。
所述公式(2)为：
Z′＝WzYg+XT。
其中，Z′为第一全局特征图。
XT为高光谱图像的训练数据的转置。
Wz为残差连接的权重矩阵。
在一种具体实施方式中，所述S03具体包括：
S031、所述协同表示神经网络中的全局支流协同表示神经网络，基于高光谱图像的训练数据的深层综合潜在特征，采用公式(3)获取高光谱图像的训练数据的全局近似表达特征。
所述公式(3)为：
为高光谱图像的训练数据的全局近似表达特征。
其中，αg为全局表达权重系数矩阵，所述全局表达权重系数矩阵αg是通过对高光谱图像的训练数据的深层综合潜在特征经过lb层1×1的二维卷积层计算所得到的。
lb为预先设定值；本实施例中lb为3。
Dg为高光谱图像训练数据的全局背景字典，其中，其中C为字典Dg中的原子数量。本实施例中，C的具体数值为人为预先设定值。
S032、协同表示神经网络中的局部支流协同表示神经网络，基于高光谱图像的深层综合潜在特征，采用公式(4)获取所述高光谱图像的训练数据的局部近似表达特征中的第i个像素。
其中，为所述高光谱图像的训练数据的局部近似表达特征。
所述公式(4)为：
其中，其中为局部近似表达特征/>中的第i个像素。
表示第i个像素的局部背景字典，为以高光谱图像的训练数据的隐层特征Z中第i个像素为中心的预先设定的内窗口区域和预先设定的外窗口区域之间的像素的集合，且
S代表内外窗口区域之间的背景像素数量。
为局部表达权重系数矩阵中第i个像素的权重系数；其中，/>
局部表达权重系数矩阵al是通过对高光谱图像的训练数据的深层综合潜在特征经过lb层winout×winout的二维卷积层计算所得到的。
其中，
其中，winout为预先设定的外窗口区域。
其中，所述深度学习网络的预先设定的损失函数为：
LCR＝LDic+λ1LGlobal+λ2LLocal；
其中，LGlobal为在对深度学习网络过程中对获取所述待处理的高光谱图像的全局近似表达特征的目标函数；
为高光谱图像的训练数据的全局近似表达特征/>中第i个像素；
λ为拉格朗日乘子；
LDic为在对深度学习网络过程中对高光谱图像训练数据的全局背景字典Dg的约束条件；
其中，为高光谱图像训练数据的全局背景字典Dg中的第j个原子；
LLocal在对深度学习网络过程中对获取所述待处理的高光谱图像的局部近似表达特征的目标函数：
其中，
λ1为损失函数中预先设定的第一贡献权重；
λ2为损失函数中预先设定的第二贡献权重。
在本实施例中，所述步骤S2中，
检测融合网络，在深度学习网络的预先设定的损失函数收敛时，获取所述待处理的高光谱图像的全局近似表达特征与局部近似表达特征。
基于所述待处理的高光谱图像的全局近似表达特征和所述待处理的高光谱图像的隐层特征，获取全局检测结果Ag。
其中，
基于所述待处理的高光谱图像的局部近似表达特征和所述待处理的高光谱图像的隐层特征，获取局部检测结果Al。
其中，
所述全局检测结果和所述局部检测结果融合，得到最终的异常检测结果A。
另一方面，本实施例还提供一种计算机装置，包括存储器、处理器和总线，所述处理器与所述存储器通过所述总线连接。
所述存储器用于存储程序，所述处理器用于运行所述程序，其中，所述程序运行时执行本实施例中的基于深度学习网络的高光谱异常检测方法。
本实施例中的一种基于深度学习网络的高光谱异常检测方法效果可通过下面结合仿真实验进一步说明。
仿真条件
是基于NVIDIA 1080Ti GPU、Intel(R)Core(TM)i9-7920U CPU、Pytorch深度学习框架和Matlab 2018b软件环境下进行的。
仿真内容与结果分析
仿真1
采用现有的传统方法GRX异常检测方法、CRD异常检测方法、LREN异常检测方法和本实施例中的基于深度学习网络的高光谱异常检测方法分别对高光谱图像进行异常检测，检测的结果如下：
图3为圣地亚哥机场的原始高光谱图像，该图的数据大小为90×90×189；图4是圣地亚哥机场图像的异常目标真值图，该图的数据大小为90×90，图中的黑色部分为背景，白色部分是异常目标；图5是GRX异常检测方法对图3中的高光谱图像进行异常检测得到的检测结果图；
图6是CRD异常检测方法对图3中的高光谱图像进行异常检测得到的检测结果图；图7是LREN异常检测方法对图3中的高光谱图像进行异常检测得到的检测结果图；图8是使用本实施例中的基于深度学习网络的高光谱异常检测方法对图3中的高光谱图像进行异常检测得到的检测结果图。
参见图9和图10，相比于本实施例中的基于深度学习网络的高光谱异常检测方法，现有的技术对异常的检测不够精准，检测结果中存在很多虚警甚至无法检测出异常目标，本实施例中的基于深度学习网络的高光谱异常检测方法对异常的检测结果很好，能够精准的检测出飞机，达到了很好的抑制背景突出异常的效果，优于其他方法。
仿真2
分别将现有的GRX异常检测方法、CRD异常检测方法、LREN异常检测方法和本实施例中的基于深度学习网络的高光谱异常检测方法的检测结果图和被检测高光谱图像的异常目标真值图进行对比，分别画出现有的GRX异常检测方法、CRD异常检测方法、LREN异常检测方法和本实施例中的基于深度学习网络的高光谱异常检测方法对应的ROC曲线，并计算对应的AUC值。图9是四种方法的ROC曲线；图10是四种方法的AUC值柱形图。
从图9和图10可见，相比于现有的三种方法，本实施例中的基于深度学习网络的高光谱异常检测方法的ROC曲线最先到达1且AUC值最高，说明本实施例中的基于深度学习网络的高光谱异常检测方法对异常目标的检测效果最好、最精准。
本实施例中的一种基于深度学习网络的高光谱异常检测方法，由于采用隐层特征提取网络获取高光谱数据的隐层特征，并通过深层综合潜在特征提取网络基于隐层特征，得到该高光谱图像的深层综合潜在特征，然后，采用协同表示神经网络来学习高光谱数据的全局近似表达特征与局部近似表达特征，最后通过检测融合网络基于该高光谱图像的隐层特征以及该高光谱图像的全局近似表达特征与局部近似表达特征，获取最终的异常检测结果。相对于现有技术而言，其可以提高检测性能以及提高检测精度。
在本发明的描述中，需要理解的是，术语“第一”、“第二”仅用于描述目的，而不能理解为指示或暗示相对重要性或者隐含指明所指示的技术特征的数量。由此，限定有“第一”、“第二”的特征可以明示或者隐含地包括一个或者更多个该特征。在本发明的描述中，“多个”的含义是两个或两个以上，除非另有明确具体的限定。
在本发明中，除非另有明确的规定和限定，术语“安装”、“相连”、“连接”、“固定”等术语应做广义理解，例如，可以是固定连接，也可以是可拆卸连接，或成一体；可以是机械连接，也可以是电连接；可以是直接相连，也可以通过中间媒介间接相连；可以是两个元件内部的连通或两个元件的相互作用关系。对于本领域的普通技术人员而言，可以根据具体情况理解上述术语在本发明中的具体含义。
在本发明中，除非另有明确的规定和限定，第一特征在第二特征“上”或“下”，可以是第一和第二特征直接接触，或第一和第二特征通过中间媒介间接接触。而且，第一特征在第二特征“之上”、“上方”和“上面”，可以是第一特征在第二特征正上方或斜上方，或仅仅表示第一特征水平高度高于第二特征。第一特征在第二特征“之下”、“下方”和“下面”，可以是第一特征在第二特征正下方或斜下方，或仅仅表示第一特征水平高度低于第二特征。
在本说明书的描述中，术语“一个实施例”、“一些实施例”、“实施例”、“示例”、“具体示例”或“一些示例”等的描述，是指结合该实施例或示例描述的具体特征、结构、材料或者特点包含于本发明的至少一个实施例或示例中。在本说明书中，对上述术语的示意性表述不必须针对的是相同的实施例或示例。而且，描述的具体特征、结构、材料或者特点可以在任一个或多个实施例或示例中以合适的方式结合。此外，在不相互矛盾的情况下，本领域的技术人员可以将本说明书中描述的不同实施例或示例以及不同实施例或示例的特征进行结合和组合。
尽管上面已经示出和描述了本发明的实施例，可以理解的是，上述实施例是示例性的，不能理解为对本发明的限制，本领域的普通技术人员在本发明的范围内可以对上述实施例进行改动、修改、替换和变型。

Claims (10)

1.一种基于深度学习网络的高光谱异常检测方法，其特征在于，所述方法包括：
S1、获取待处理的高光谱图像；
S2、将所述待处理的高光谱图像输入训练好的深度学习网络得到最终的异常检测结果；
所述训练好的深度学习网络包括：隐层特征提取网络、深层综合潜在特征提取网络、协同表示神经网络和检测融合网络；
所述隐层特征提取网络，用于提取输入至深度学习网络中的高光谱图像的隐层特征；
所述深层综合潜在特征提取网络，用于基于所述隐层特征，得到该高光谱图像的深层综合潜在特征；
所述协同表示神经网络，用于基于该高光谱图像的深层综合潜在特征，分别获取该高光谱图像的全局近似表达特征与局部近似表达特征；
所述检测融合网络，用于基于该高光谱图像的隐层特征以及该高光谱图像的全局近似表达特征与局部近似表达特征，获取最终的异常检测结果；
其中，预先采用高光谱图像的训练数据对深度学习网络中的隐层特征提取网络、深层综合潜在特征提取网络、协同表示神经网络和检测融合网络进行联合训练以获取训练好的深度学习网络。
2.根据权利要求1所述的基于深度学习网络的高光谱异常检测方法，其特征在于，
所述隐层特征提取网络包括：用于提取输入至深度学习网络中的高光谱图像的隐层特征的自编码器AE；
所述自编码器AE包括：编码器E和解码器De；
其中，所述编码器E和解码器De均包括la层卷积核尺寸为1×1的二维卷积层；la为预先设定值。
3.根据权利要求2所述的基于深度学习网络的高光谱异常检测方法，其特征在于，所述深层综合潜在特征提取网络包括：
自注意力机制模块，用于基于隐层特征提取网络所提取的高光谱图像的隐层特征和残差连接，得到包含该高光谱图像的全局相关特征的全局特征图；
所述全局相关特征为：高光谱图像中每一像素和所有像素之间的相关性；
局部特征提取模块，用于根据所述全局特征图提取局部特征，输出融合了全局相关特征和局部特征的深层综合潜在特征。
4.根据权利要求3所述的基于深度学习网络的高光谱异常检测方法，其特征在于，所述协同表示神经网络，包括：
全局支流协同表示神经网络，用于基于所述深层综合潜在特征，获取所述高光谱图像的全局近似表达特征；
局部支流协同表示神经网络，用于基于所述深层综合潜在特征，获取所述高光谱图像的局部近似表达特征。
5.根据权利要求4所述的基于深度学习网络的高光谱异常检测方法，其特征在于，在S1之前还包括：
S00、基于预先获取的高光谱图像，获取高光谱图像的训练数据；
所述预先获取的高光谱图像的格式为H*W*k；
其中H为预先获取的高光谱图像的长；
W为预先获取的高光谱图像的宽；
k代表波段数；
X为所述高光谱图像的训练数据；
xi表示高光谱图像的训练数据中第i个像素点的光谱向量；
N代表高光谱图像的训练数据的像素数；
S01、将所述高光谱图像的训练数据输入到深度学习网络中的自编码器AE中，所述自编码器AE针对所述高光谱图像的训练数据进行编码-解码处理，得到所述高光谱图像的训练数据的隐层特征；
Z为高光谱图像的训练数据的隐层特征；
zi高光谱图像的训练数据的隐层特征中的第i个像素；
S02、深度学习网络中的深层综合潜在特征提取网络基于所述高光谱图像的训练数据的隐层特征，得到高光谱图像的训练数据的深层综合潜在特征；
S03、深度学习网络中的协同表示神经网络基于高光谱图像的训练数据的深层综合潜在特征，分别获取所述高光谱图像的训练数据的全局近似表达特征与局部近似表达特征；
S04、基于所述高光谱图像的训练数据的隐层特征和所述高光谱图像的训练数据的全局近似表达特征与局部近似表达特征，获取深度学习网络的预先设定的损失函数的具体数值；
S05、重复S01-S05直至异常检测网络中预先设定的损失函数的具体数值收敛，得到训练好的深度学习网络。
6.根据权利要求5所述的基于深度学习网络的高光谱异常检测方法，其特征在于，所述S02具体包括：
S021、深层综合潜在特征提取网络中的自注意力机制模块基于所述高光谱图像的训练数据的隐层特征和残差连接，得到第一全局特征图；
所述第一全局特征图为包含所述高光谱图像的训练数据的全局相关特征的全局特征图；
S022、深层综合潜在特征提取网络中的局部特征提取模块，根据第一全局特征图提取局部特征，输出融合了所述高光谱图像的训练数据中全局相关特征和局部特征的深层综合潜在特征；
所述局部特征提取模块由卷积核为1×1的二维卷积层和卷积核为3×3×3的三维卷积层组成。
7.根据权利要求6所述的基于深度学习网络的高光谱异常检测方法，其特征在于，所述S021具体包括：
S021-1、深层综合潜在特征提取网络中的自注意力机制模块基于所述高光谱图像的训练数据的隐层特征，采用公式(1)获取高光谱图像的训练数据的全局相关特征；
所述公式(1)为：
Yg＝softmax(ZTZ)g(Z)；
Softmax()为归一化方法；
g()为特征表示函数；
ZT为高光谱图像的训练数据的隐层特征的转置；
其中，Tg为高光谱图像的训练数据的全局相关特征，且
S021-2、基于高光谱图像的训练数据的隐层特征和和残差连接，采用公式(2)得到第一全局特征图；
所述公式(2)为：
Z'＝WzYg+XT；
其中，Z′为第一全局特征图；
XT为高光谱图像的训练数据的转置；
Wz为残差连接的权重矩阵。
8.根据权利要求7所述的基于深度学习网络的高光谱异常检测方法，其特征在于，所述S03具体包括：
S031、所述协同表示神经网络中的全局支流协同表示神经网络，基于高光谱图像的训练数据的深层综合潜在特征，采用公式(3)获取高光谱图像的训练数据的全局近似表达特征；
所述公式(3)为：
为高光谱图像的训练数据的全局近似表达特征；
其中，αg为全局表达权重系数矩阵，所述全局表达权重系数矩阵αg是通过对高光谱图像的训练数据的深层综合潜在特征经过lb层1×1的二维卷积层计算所得到的；
lb为预先设定值；
Dg为高光谱图像训练数据的全局背景字典，其中，其中C为字典Dg中的原子数量；
S032、协同表示神经网络中的局部支流协同表示神经网络，基于高光谱图像的深层综合潜在特征，采用公式(4)获取所述高光谱图像的训练数据的局部近似表达特征中的第i个像素；
其中，为所述高光谱图像的训练数据的局部近似表达特征；
所述公式(4)为：
其中，其中为局部近似表达特征/>中的第i个像素；
表示第i个像素的局部背景字典，为以高光谱图像的训练数据的隐层特征Z中第i个像素为中心的预先设定的内窗口区域和预先设定的外窗口区域之间的像素的集合，且
S代表内外窗口区域之间的背景像素数量；
为局部表达权重系数矩阵中第i个像素的权重系数；其中，/>
局部表达权重系数矩阵al是通过对高光谱图像的训练数据的深层综合潜在特征经过lb层winout×winout的二维卷积层计算所得到的；
其中，
其中，winout为预先设定的外窗口区域。
9.根据权利要求8所述的基于深度学习网络的高光谱异常检测方法，其特征在于，
其中，所述深度学习网络的预先设定的损失函数为：
LCR＝LDic+λ1LGlobal+λ2LLocal；
其中，LGlobal为在对深度学习网络过程中对获取所述待处理的高光谱图像的全局近似表达特征的目标函数；
为高光谱图像的训练数据的全局近似表达特征/>中第i个像素；
λ为拉格朗日乘子；
LDic为在对深度学习网络过程中对高光谱图像训练数据的全局背景字典Dg的约束条件；
其中，为高光谱图像训练数据的全局背景字典Dg中的第j个原子；
LLocal在对深度学习网络过程中对获取所述待处理的高光谱图像的局部近似表达特征的目标函数；
λ1为损失函数中预先设定的第一贡献权重；
λ2为损失函数中预先设定的第二贡献权重。
10.根据权利要求9所述的基于深度学习网络的高光谱异常检测方法，其特征在于，
所述步骤S2中，
检测融合网络，在深度学习网络的预先设定的损失函数收敛时，获取所述待处理的高光谱图像的全局近似表达特征与局部近似表达特征；
基于所述待处理的高光谱图像的全局近似表达特征和所述待处理的高光谱图像的隐层特征，获取全局检测结果Ag；
其中，
基于所述待处理的高光谱图像的局部近似表达特征和所述待处理的高光谱图像的隐层特征，获取局部检测结果Al；
其中，
所述全局检测结果和所述局部检测结果融合，得到最终的异常检测结果A。
CN202310652449.5A 2023-06-02 2023-06-02 一种基于深度学习网络的高光谱异常检测方法 Active CN116612356B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202310652449.5A CN116612356B (zh) 2023-06-02 2023-06-02 一种基于深度学习网络的高光谱异常检测方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202310652449.5A CN116612356B (zh) 2023-06-02 2023-06-02 一种基于深度学习网络的高光谱异常检测方法

Publications (2)

Publication Number Publication Date
CN116612356A true CN116612356A (zh) 2023-08-18
CN116612356B CN116612356B (zh) 2023-11-03

Family

ID=87676349

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202310652449.5A Active CN116612356B (zh) 2023-06-02 2023-06-02 一种基于深度学习网络的高光谱异常检测方法

Country Status (1)

Country Link
CN (1) CN116612356B (zh)

Citations (13)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN106897737A (zh) * 2017-01-24 2017-06-27 北京理工大学 一种基于超限学习机的高光谱遥感图像地物分类方法
CN109584194A (zh) * 2018-10-26 2019-04-05 西安电子科技大学 基于卷积变分概率模型的高光谱图像融合方法
CN109949278A (zh) * 2019-03-06 2019-06-28 西安电子科技大学 基于对抗自编码网络的高光谱异常检测方法
CN110298235A (zh) * 2019-05-17 2019-10-01 中国科学院西安光学精密机械研究所 基于流形约束自编码网络的高光谱异常检测方法及系统
CN110533077A (zh) * 2019-08-01 2019-12-03 南京理工大学 用于高光谱图像分类的形状自适应卷积深度神经网络方法
KR102197297B1 (ko) * 2019-09-27 2020-12-31 서울대학교산학협력단 순환형 3차원 완전 합성곱망을 활용한 초분광영상의 변화탐지 방법
CN113111755A (zh) * 2021-04-02 2021-07-13 北京航空航天大学 一种高光谱图像异常检测方法
CN113361485A (zh) * 2021-07-08 2021-09-07 齐齐哈尔大学 基于光谱空间注意力融合和可变形卷积残差网络的高光谱图像分类方法
CN114202539A (zh) * 2021-12-18 2022-03-18 南京理工大学 基于端到端rx的高光谱图像异常检测方法
CN114511735A (zh) * 2022-01-12 2022-05-17 南京理工大学 级联空谱特征融合与核极限学习机的高光谱图像分类方法及系统
WO2022121139A1 (zh) * 2020-12-11 2022-06-16 中国矿业大学 一种基于多传感信息融合的放顶煤过程中煤矸识别方法
CN115661069A (zh) * 2022-10-22 2023-01-31 北京航空航天大学 一种高光谱异常检测方法及计算机装置
CN115719449A (zh) * 2022-11-16 2023-02-28 大连民族大学 基于非对称自编码器的高光谱异常目标检测方法

Patent Citations (13)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN106897737A (zh) * 2017-01-24 2017-06-27 北京理工大学 一种基于超限学习机的高光谱遥感图像地物分类方法
CN109584194A (zh) * 2018-10-26 2019-04-05 西安电子科技大学 基于卷积变分概率模型的高光谱图像融合方法
CN109949278A (zh) * 2019-03-06 2019-06-28 西安电子科技大学 基于对抗自编码网络的高光谱异常检测方法
CN110298235A (zh) * 2019-05-17 2019-10-01 中国科学院西安光学精密机械研究所 基于流形约束自编码网络的高光谱异常检测方法及系统
CN110533077A (zh) * 2019-08-01 2019-12-03 南京理工大学 用于高光谱图像分类的形状自适应卷积深度神经网络方法
KR102197297B1 (ko) * 2019-09-27 2020-12-31 서울대학교산학협력단 순환형 3차원 완전 합성곱망을 활용한 초분광영상의 변화탐지 방법
WO2022121139A1 (zh) * 2020-12-11 2022-06-16 中国矿业大学 一种基于多传感信息融合的放顶煤过程中煤矸识别方法
CN113111755A (zh) * 2021-04-02 2021-07-13 北京航空航天大学 一种高光谱图像异常检测方法
CN113361485A (zh) * 2021-07-08 2021-09-07 齐齐哈尔大学 基于光谱空间注意力融合和可变形卷积残差网络的高光谱图像分类方法
CN114202539A (zh) * 2021-12-18 2022-03-18 南京理工大学 基于端到端rx的高光谱图像异常检测方法
CN114511735A (zh) * 2022-01-12 2022-05-17 南京理工大学 级联空谱特征融合与核极限学习机的高光谱图像分类方法及系统
CN115661069A (zh) * 2022-10-22 2023-01-31 北京航空航天大学 一种高光谱异常检测方法及计算机装置
CN115719449A (zh) * 2022-11-16 2023-02-28 大连民族大学 基于非对称自编码器的高光谱异常目标检测方法

Non-Patent Citations (6)

* Cited by examiner, † Cited by third party
Title
"高光谱图像序列中的运动弱小目标检测", 飞控与探测, vol. 2, no. 03, pages 85 - 89 *
JINSHEN WANG等: "SAOCNN: Self-Attention and One-Class Neural Networks for Hyperspectral Anomaly Detection", REMOTE SENSING, vol. 14, no. 21, pages 1 - 29 *
LIN QI等: "Multiview Spatial–Spectral Two-Stream Network for Hyperspectral Image Unmixing", IEEE TRANSACTIONS ON GEOSCIENCE AND REMOTE SENSING, vol. 61, pages 1 - 16 *
LIN QI等: "SSCU-Net: Spatial–spectral collaborative unmixing network for hyperspectral images", IEEE TRANSACTIONS ON GEOSCIENCE AND REMOTE SENSING, vol. 60, pages 1 - 15, XP011903974, DOI: 10.1109/TGRS.2022.3150970 *
YUXIAO DUAN等: "CRNN: Collaborative Representation Neural Networks for Hyperspectral Anomaly Detection", REMOTE SENSING, vol. 15, no. 13, pages 1 - 25 *
丁繁昌: "基于GAN的高光谱图像特征提取", 中国优秀硕士学位论文全文数据库 工程科技Ⅱ辑, pages 028 - 450 *

Also Published As

Publication number Publication date
CN116612356B (zh) 2023-11-03

Similar Documents

Publication Publication Date Title
Sun et al. Nonlocal patch similarity based heterogeneous remote sensing change detection
CN110443143B (zh) 多分支卷积神经网络融合的遥感图像场景分类方法
CN111652321B (zh) 一种基于改进yolov3算法的海上船舶检测方法
Sun et al. Iterative robust graph for unsupervised change detection of heterogeneous remote sensing images
CN110503630B (zh) 一种基于三维深度学习模型的脑出血分类、定位与预测方法
Sun et al. Sparse-constrained adaptive structure consistency-based unsupervised image regression for heterogeneous remote-sensing change detection
CN111639719B (zh) 基于时空运动和特征融合的足迹图像检索方法
CN108229551B (zh) 一种基于紧凑字典稀疏表示的高光谱遥感图像分类方法
US9449395B2 (en) Methods and systems for image matting and foreground estimation based on hierarchical graphs
CN110458192B (zh) 基于视觉显著性的高光谱遥感图像分类方法及系统
CN112633386A (zh) 基于sacvaegan的高光谱图像分类方法
CN111563408B (zh) 多层次感知特征渐进自学习的高分辨率影像滑坡自动检测方法
CN112734911A (zh) 基于卷积神经网络的单幅图像三维人脸重建方法及系统
CN113838064B (zh) 一种基于分支gan使用多时相遥感数据的云去除方法
CN111680579B (zh) 一种自适应权重多视角度量学习的遥感图像分类方法
Sun et al. Image regression with structure cycle consistency for heterogeneous change detection
CN112906813A (zh) 一种基于密度聚类和胶囊神经网络的浮选工况识别方法
CN112700461A (zh) 一种肺结节检测和表征类别识别的系统
Cheng et al. Deep Self-Representation Learning Framework for Hyperspectral Anomaly Detection
Zhang et al. Dense haze removal based on dynamic collaborative inference learning for remote sensing images
CN116825363B (zh) 基于融合深度学习网络的早期肺腺癌病理类型预测系统
CN116912240B (zh) 基于半监督学习的突变tp53免疫学检测方法
Song et al. Hyperspectral image change detection based on active convolutional neural network and spatial–spectral affinity graph learning
CN112329662B (zh) 基于无监督学习的多视角显著性估计方法
Hu et al. A total variation regularized bipartite network for unsupervised change detection

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination
GR01 Patent grant
GR01 Patent grant