[发明专利]基于概率模型和深度学习的高光谱未知类别目标检测方法

权利要求书

1.基于概率模型和深度学习的高光谱未知类别目标检测方法，其特征在于：包括如下步骤：

S1:将高光谱训练数据输入到训练好的CNN分类网络进行分类，分类输出结果是每种类别的所有样本的激活向量,并将CNN分类模型输出的激活向量表示为v(x)＝(v₁(x),v₂(x),...,v_N(x))，其中v₁(x),v₂(x)...v_N(x)是激活向量的元素或分量；

S2:将所有属于同一类别且分类正确的样本的激活向量累加并求均值，得到平均激活向量，用该平均激活向量代表该类别的中心，其中，第i个输入样本经过CNN网络后被正确分类为第j类，第i个输入样本表示为x_i,j，样本x_i,j经CNN模型处理后输出的激活向量表示为v_j(x_i,j)，取s_i,j＝v_j(x_i,j),训练样本中被正确分类为第j类的训练样本的数量是N₁，求j类激活向量的平均激活向量公式是：

公式中∑是求和，对N₁个第j类的激活向量求和，除以N₁得到平均激活向量，这样计算N次，求得N个类的平均激活向量；

S3:基于样本的激活向量及每一类别的平均激活向量拟合出属于每一类的威布尔概率模型，拟合结果为每一类的威布尔概率模型的位置参数τ_j、比例参数λ_j、形状参数κ_j；

其中，威布尔分布的概率密度函数为式中，λ_j是比例参数，κ_j是形状参数，τ_j是位置参数，x是随机变量；

其中，第j类激活向量的τ_j,κ_j,λ_j利用python语言libMR库里面的FitHigh函数计算得到，其计算方法为：

首先，利用S2中计算得到的平均激活向量μ_j计算最远距离η_j，η_j是第j类的所有激活向量到平均激活向量μ_j距离中的最大值；

进而，通过平均激活向量计算归一化向量是激活向量s_i,j减去平均激活向量μ_j再除以第j类激活向量的方差得到；

最后，使用计算得到的μ_j,η_j,数值调用python语言libMR库里面的FitHigh函数计算出j类的τ_j,κ_j,λ_j，其中，j＝1,...,N,τ_j,κ_j,λ_j计算公式是并把计算得到的参数τ_j,κ_j,λ_j保存；

S4:基于每个类别的威布尔拟合结果，将新的高光谱测试数据的激活向量输入到每一类的威布尔分布模型，并计算属于未知类别的概率，具体步骤如下：

(4a)测试数据经过CNN网络处理后输出的激活向量是v(x)＝(v₁(x),v₂(x),...,v_N(x))，对激活向量v(x)＝v₁(x),v₂(x),...,v_N(x)的所有分量按照从小到大顺序返回各分量在激活向量中的位置下标，其中，s(i)＝arg sort(v_j(x))表示对激活向量分量v_j(x)的分量按照从小到大排序，并返回分量下标号,s(i)是v_j(x)下标号，预设调整系数ω_j＝1，且j＝1,2,3...N；

(4b)对α个顶级的类别进行调整,计算调整系数，其计算方式为：

式中，i的取值是1,2，...,α；τ_s(i)、λ_s(i)、κ_s(i)表示第s(i)类的位置参数、比例参数、形状参数，ω_s(i)(x)是计算后的调整系数，由计算后α个调整系数ω_s(i)(x)，s(i)＝1,2,...,α和其余N-α个没有调整的ω_j，其中，ω_j＝1，j＝α+1,α+2,...,N，共N个分量组成调整向量ω(x)＝(ω₁(x),ω₂(x),...,ω_α(x),1,...,1)^T,T表示向量转置；

(4c)使用(4b)计算得到的调整向量ω(x)对激活向量进行调整，调整方式如下：

式中，表示两向量相乘，两个向量对应元素相乘得到新向量对应元素，v(x)＝(v₁(x),v₂(x),...,v_N(x))是激活向量，ω(x)是调整系数构成的调整向量，v(x)和ω(x)进行向量乘后得到调整的激活向量

(4d)计算未知类别激活调整分量

式中，∑表示求和,i的取值从1到α,v_i(x)是激活向量的第i个元素或分量,ω_i(x)是调整系数，计算结果是

(4e)运用SoftMax函数，以和作为输入计算输入的测试数据属于未知类别目标的概率，其中，属于第j个类别概率的计算公式为：

式中，j的取值范围是0到N,表示对调整后的激活向量的分量求e为底的指数后相加，输入测试样本属于第j类的概率等于调整后的激活向量的第j个激活分量取e为底的指数后除以这样计算出N+1个概率；

取N+1个概率中的最大概率的类别编号：

y*＝argmaxj P(y＝j|x),j＝0,1,2,...,N

式中，argmaxj表示取N+1个概率中最大值的类别编号，j＝0是未知目标类别编号；如果最大概率类别号等于0，即y*＝0，或者最大概率小于阈值ε,用概率表示是P(y＝y*|x)ε，那么判定测试输入x属于未知类别目标。