基于径向基激活函数的高光谱小目标检测.docx

摘要

基于深度学习的目标检测方法是当前计算机视觉领域的研究热点,但在小目标的检测问题

上,基于深度学习的检测器存在较多的漏检。高光谱图像的每个像元包含了物质的光谱信

息,能够提升小目标的检测率。然而,高光谱图像的相邻波段相关性高,需要从中选取具备代

表性的波段以降低计算冗余。为此,提出了一种高光谱小目标检测模型,使用径向基激活函

数(RBAF)进行光谱筛选与目标检测。具体而言,针对高光谱图像波段冗余的特点,利用

RBAF 设计注意力机制进行光谱维的特征筛选;针对小目标纹理模糊,相对于背景不显著的特

点,先对输入图像进行分辨率重建,随后利用 RBAF 构建径向基目标输出子网络(RBOON),以

加强目标分类。为了简化模型,将光谱筛选与分辨率重建整合为注意力分辨率重建子网络

missing detection. Every pixel of hyperspectral images contain the spectral information of

small object materials. Therefore, they can provide additional support for improving the

detection performance on small objects. However, the adjacent bands of hyperspectral

images are highly correlated. It is thus necessary to select representative bands to

reduce the computational redundancy. In response, this paper proposed a hyperspectral

small object detection model, which used the radial basis activation function (RBAF) to

carry out spectral screening and object detection. Specifically, in view of the band

redundancy of hyperspectral images, an attention mechanism based on the RBAF was

designed for spectral screening. As for the high texture fuzziness and low

distinguishability against the background of small objects, the resolution of input images

object detection experiments show that the proposed method improves the two detection

accuracy criteria, namely AP50 and AP50:95, by 5.4% and 0.2%, respectively, which

means it is better than other methods.

1 引言

随着深度学习的发展,基于卷积神经网络的目标检测算法取得了巨大的进展

[1-3]

。然而小目标

检测一直是目标检测领域的热点和难点问题之一。针对可见光图像,为了提高小目标的检测

精度,有学者从多尺度检测

[4-5]

、专注小目标样本训练

[6-7]

、提高分辨率

[8-9]

等方面展开研究。

但与中、大目标的检测性能相比,现有方法得到的检测器针对小目标检测精度仍然存在较大

与预训练数据集相似的小目标进行训练,并采用特征金字塔进行多尺度检测。王伟锋等

多个不同大小的卷积核拼接使用,提出感受野模块,以适应不同大小的目标。这些尺度与分

辨率策略能够一定程度上改善检测器对于小目标的检测性能,但由于可见光图像的信息有

限,仍然会出现大量的虚警或漏检测情况。

通常而言,各类物质对电磁辐射的吸收和反射特性与电磁波所在的波段显著相关。而传统的

图像只能依靠可见光波段的纹理细节检测目标,在目标较小或图像分辨率不足的情况下难以

获取足够的检测信息。高光谱成像传感器能够采集所观测场景的三维光谱图像,这些光谱波

段被划分成几十到上百个通道,光谱分辨率高且能够捕捉到不同物质在不同波段通道上的差

波段。

高斯径向基函数是一类取值仅依赖样本距离中心点距离的函数,可以描述样本点与模型中心

点的相似程度。在高光谱小目标检测中,目标点像元在每个光谱通道上的分布通常与目标的

物质成分相关,并以该物质的漫反射光谱为中心成径向分布。因此径向基函数能够筛选特定

的光谱波段,压缩通道数。此外,在目标判别输出阶段,由于小目标与背景点的差异不显著,使

用传统 Sigmoid 激活范围较大,易使与目标相似的背景点落入正输入饱和区,而径向基函数

由于其只激活一个径向范围的特性,可以加强对目标的筛选,抑制复杂纹理的背景点产生的

虚警。基于上述特点,本文提出一种基于径向基激活函数(RBAF)的高光谱小目标检测模型,

主要包含两个子网络:

1)注意力分辨率重建子网络(ABRRN),该子网络起到两个主要作用:分辨率重建与光谱筛

对特征空间内一个径向范围进行激活,避免背景点落入 Sigmoid 函数的正输入饱和区内,从

而抑制小目标虚警。

2 研究方法

早期的研究认为,激活函数应具备单调性,以利于模型进行凸优化。近年来越来越多的研究

表明单调性并非激活函数的必要特性

[18-19]

,且 Ramachandran 等

[20-21]

提出的 Swish、Mish

激活函数更表明非单调的激活函数具备更好的性能。在可见光目标检测中,大多数方法采用

类似 Sigmoid 的单调函数作为注意力机制

在高光谱小目标检测中,Sigmoid 在正输入区域的激活范围过大,难以有效筛选光谱,同时易

同时保证其反向传播,本研究设计了 RBAF-SS。先对通过拉格朗日插值获取像元内指定波

段的值,再对该值进行径向基计算,其表达式为

yb,w,h,dout=exp[−(xb,w,h,sdout−cdout)2η+2λ2dout],{b∈{1,2,…,B},w∈{1,2,…,W},h∈{1,2,…,

H},dout∈{1,2,…,Dout},sdout∈(0,Din)},(1)yb,w,h,dout=exp-(xb,w,h,sdout-

cdout)2η+2λdout2,{b∈{1,2,…,B},w∈{1,2,…,W},h∈{1,2,…,H},dout∈{1,2,…,Dout},sdout

∈(0,Din)},(1)

式中, yb,w,h,doutyb,w,h,dout 为激活函数在第 b 个训练样本,输出特征图中坐标 w、h 的特征

向量第 d

out

; xb,w,h,sdoutxb,w,h,sdout 表示输