没有合适的资源?快使用搜索试试~ 我知道了~
基于径向基激活函数的高光谱小目标检测.docx
1.该资源内容由用户上传,如若侵权请联系客服进行举报
2.虚拟产品一经售出概不退款(资源遇到问题,请及时私信上传者)
2.虚拟产品一经售出概不退款(资源遇到问题,请及时私信上传者)
版权申诉
0 下载量 9 浏览量
2023-02-23
20:44:35
上传
评论
收藏 1.48MB DOCX 举报
温馨提示
试读
14页
基于径向基激活函数的高光谱小目标检测.docx
资源推荐
资源详情
资源评论
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
(ABRRN),配合径 RBOON,检测模型能够筛选特定光谱,抑制虚警,从而提高小目标检测的正
确率。高光谱小目标检测实验表明,本研究方法可以使两种检测精度评价指标 AP50 和
AP50:95 分别提升 5.4%和 0.2%,相较其他方法更具备优势。
Abstract
detection methods based on deep learning are the current research focus of computer
vision. However, when detecting small objects, existing detectors often suffer from
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
was reconstructed first. Then, a radial basis object output network (RBOON) based on
the RBAF was constructed to enhance object classification. For model simplification,
spectrum screening and resolution reconstruction were integrated into an attention-based
resolution reconstruction network (ABRRN). With the combination of the ABRRN and
RBOON, the detection model can screen the specific spectrum and suppress false
alarms and thus improve the accuracy of small object detection. Hyperspectral small
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
的差距。
小目标检测的主要难点是在空间维度上小目标所包含的像素点少,分辨率低,卷积神经网络
难以提取有效的纹理特征,许多学者从特征尺度与分辨率的角度进行研究。Lin 等
[5]
提出特征
金字塔网络(FPN),通过将不同尺度的网络中间特征进行聚合,形成特征金字塔以提高针对小
目标的检测性能。Singh 等
[6]
提出特征金字塔尺度归一化(SNIP)算法,在训练中只针对尺度
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
[9]
将
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
异。因此,高光谱图像被广泛地应用于遥感影像分类
[10-11]
、环境与气体监测
[12-13]
、矿物勘探
[14-15]
、农业与食品分析
[16-17]
等对物质成分信息敏感的领域。然而,高光谱图像相邻波段的相
关性高,冗余信息一方面带来高计算复杂度,另一方面会使检测器倾向于选择相关性高而非
鉴别力强的波段进行目标检测。因此需要进行波段筛选,以使网络关注具有目标鉴别能力的
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
选。分辨率重建能够改善目标过小,与预训练数据尺度不匹配的问题;光谱筛选用于压缩高
光谱通道数,降低冗余。具体而言,ABRRN 先采用反卷积层对高光谱图像进行分辨率重建,
形成高分辨率特征图,使小目标在高分辨率特征图中的尺度分布与骨干网络预训练数据中常
见的目标尺度分布相似;随后 ABRRN 利用 RBAF 执行注意力机制,自适应地调整筛选的光
谱波段与激活范围,从而完成光谱筛选。
2)径向基目标输出子网络(RBOON),该子网络使用 RBAF 对目标判别输出分类进行激活,只
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
[22-23]
以及目标判别输出分类
[24-25]
的激活函数,然而
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
将具备复杂纹理的背景点误判为目标。因此,本文构造光谱筛选径向基激活函数(RBAF-SS)
和小目标判别径向基激活函数(RBAF-SOD),分别用于光谱筛选与小目标判别。
2.1 光谱筛选径向基激活函数
在光谱筛选中,RBAF 应针对径向范围内的光谱波段特征进行激活,从而使模型更关注鉴别能
力较高的波段。然而,高光谱图像在光谱维度上只包含固定通道的离散波段,无法在光谱维
度上对参数进行求导与反向传播。为了将光谱维度视为一个连续整体,充分利用光谱特性,
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
通道的元素,输出特征图的形状为 B×W×H×D
out
; xb,w,h,sdoutxb,w,h,sdout 表示输
剩余13页未读,继续阅读
资源评论
罗伯特之技术屋
- 粉丝: 3548
- 资源: 1万+
下载权益
C知道特权
VIP文章
课程特权
开通VIP
上传资源 快速赚钱
- 我的内容管理 展开
- 我的资源 快来上传第一个资源
- 我的收益 登录查看自己的收益
- 我的积分 登录查看自己的积分
- 我的C币 登录后查看C币余额
- 我的收藏
- 我的下载
- 下载帮助
安全验证
文档复制为VIP权益,开通VIP直接复制
信息提交成功