[发明专利]一种基于半监督神经网络的高光谱图像显著图生成方法

权利要求书

1.一种基于半监督神经网络的高光谱图像显著图生成方法，其特征在于，包括如下步骤：

构建半监督神经网络；所述半监督神经网络包括孪生预测模块和注意力辅助模块；

利用完全监督数据集对孪生预测模块和注意力辅助模块进行预训练；

利用预训练的注意力辅助模块对弱监督数据集生成像素级掩码；

使用像素级掩码和弱监督数据集对预训练的对孪生预测模块进行完全监督训练；

利用完全监督训练好的孪生预测模块对输入的高光谱图像生成显著图。

2.根据权利要求1所述的基于半监督神经网络的高光谱图像显著图生成方法，其特征在于，所述注意力辅助模块包括超像素采样网络、全局平均池化层、全连接层、1×1卷积层、Sigmoid函数层和U²Net网络；所述注意力辅助模块的处理过程如下：

所述超像素采样网络对输入的弱监督数据集中的特征图提取超像素局部特征并输入全连接层；

所述全局平均池化层对输入的弱监督数据集中的特征图提取全局特征并将全局特征上采样到原始尺寸后输入全连接层；

所述全连接层将局部特征和全局特征相结合为融合特征后输入卷积层；

所述1×1卷积层根据融合特征生成注意力权重并经Sigmoid函数层输出；

计算注意力权重与输入的弱监督数据集中的特征图的哈达玛积并输入U²Net网络；

所述U²Net网络根据哈达玛积对弱监督数据集生成像素级掩码。

3.根据权利要求1所述的基于半监督神经网络的高光谱图像显著图生成方法，其特征在于，所述特征图的制作方法为：

将显著性边界框作为一种弱标签，计算显著性边界框与原始高光谱图像的哈达玛积得到特征图。

4.根据权利要求1所述的基于半监督神经网络的高光谱图像显著图生成方法，其特征在于，所述孪生预测模块为基于U²Net网络的孪生网络结构，包括两支共享权重参数的预测网络；所述孪生预测模块的处理过程如下：

将原始高光谱图像输入第一支预测网络得到第一预测显著图；

将边界高光谱图像输入第二支预测网络得到第二预测显著图；

用均方误差表示第一预测显著图和第二预测显著图的差异，并通过最小化这种差异进行训练。

5.根据权利要求4所述的基于半监督神经网络的高光谱图像显著图生成方法，其特征在于，所述边界高光谱图像的制作方法为：

将显著性边界框作为一种弱标签，并利用显著性边界框对原始高光谱图像进行裁剪得到边界高光谱图像。

6.根据权利要求4所述的基于半监督神经网络的高光谱图像显著图生成方法，其特征在于，训练所述孪生预测模块时采用的损失函数为混合损失函数；所述混合损失函数包括二分类交叉熵、结构相似性指数和检测框交并比。