[发明专利]一种基于深度学习的高光谱图像伪装目标检测方法

权利要求书

1.一种基于深度学习的高光谱图像伪装目标检测方法，其特征在于，包括如下步骤：

a.构建高光谱数据集：包括高光谱数据集的采集、预处理、划分和标注的步骤，得到训练数据集和测试数据集；

b.构建目标检测模型：使用开源的Mask R-CNN模型，并针对输入的高光谱数据集对Mask R-CNN模型进行调整，构建目标检测模型；

c.训练模型：使用训练数据集对步骤b构建的目标检测模型进行训练；

d.测试模型：使用步骤c训练后的目标检测模型对测试数据集进行检测识别。

2.根据权利要求1所述的基于深度学习的高光谱图像伪装目标检测方法，其特征在于，步骤a包括如下子步骤：

a1.高光谱数据集的采集：使用高光谱相机采集高光谱图像，采集的高光谱图像中包含伪装目标；

a2.高光谱数据集的预处理：

(1)将采集的高光谱图像的维度统一裁剪为h×w×c，其中h、w、c分别为高光谱图像的高、宽、光谱通道数；

(2)使用数据降维方法对裁剪后的高光谱图像进行降维处理，得到降维后的高光谱图像，降维后的高光谱图像的维度为h×w×n,其中n表示降维时提取的成分数量，使用降维后的高光谱图像作为高光谱数据集；

a3.高光谱数据集的划分：将步骤a2得到的高光谱数据集划分为训练数据集和测试数据集，并且所述训练数据集和测试数据集的数量比为(7：3)～(8：2)；

a4.高光谱数据集的标注：对所述训练数据集添加标签，该标签针对高光谱图像中的伪装目标进行添加。

3.根据权利要求2所述的基于深度学习的高光谱图像伪装目标检测方法，其特征在于，所述数据降维方法包括但不限于主成分分析法、独立成分分析法和非负矩阵分解法。

4.根据权利要求1所述的基于深度学习的高光谱图像伪装目标检测方法，其特征在于，步骤b中所述目标检测模型的结构包括：

b1.骨干网络：所述骨干网络采用特征金字塔网络结构，用于对输入的高光谱图像进行特征提取，输出多个尺度的特征图；

b2.候选区域生成网络：所述候选区域生成网络为全卷积网络，用于针对骨干网络输出的多个尺度的特征图，生成多种尺寸的锚框，并以此建立候选区域；

b3.头部网络：包括RoI Align层以及三个分支网络；该三个分支网络分别为分类网络、边界框回归网络以及mask网络，用于对候选区域进行边界框识别，包括分类结果、边界框顶点坐标、以及实例分割预测。

5.根据权利要求4所述的基于深度学习的高光谱图像伪装目标检测方法，其特征在于，所述骨干网络包括：

(1)由Resnet卷积层构成的自下而上采样层，用于对输入的高光谱图像进行初步的多尺度特征提取；

(2)由卷积层构成的自上而下采样层，用于实现特征图的上采样；

(3)横向结构层，用于将前自下而上采样层以及自上而下采样层在不同深度进行融合，生成多个尺度的特征图。

6.根据权利要求4所述的基于深度学习的高光谱图像伪装目标检测方法，其特征在于，所述候选区域生成网络包括：

(1)锚框生成层，用于针对骨干网络输出的多个尺度的特征图，生成多种尺寸的锚框，每个特征图对应一种锚框；

(2)利用卷积层构建的两个分支网络：

其中一个分支网络用于分类，对每个锚框框选的特征图的前景、背景概率进行预测；

另一个分支网络用于目标框回归，对每个锚框的坐标位置相关值进行预测；

(3)建议生成层，用于通过置信度排序、剔除超出高光谱图像边界的锚框、非极大值抑制的方法，筛选出若干个锚框，构成候选区域。