技术特征：
1.一种基于自监督对比学习的高光谱目标检测方法，其特征在于包括：构建光谱残差通道注意力机制，有选择性的强调有用信息特征并抑制对目标检测任务不重要的特征；构建具有光谱残差通道注意力机制的对抗性卷积自动编码器，所述对抗性卷积自动编码器对光谱进行数据增强；对待检测高光谱图像进行奇偶波段采样，得到奇数波段高光谱图像和偶数波段高光谱图像；分别用奇数波段高光谱图像和偶数波段高光谱图像训练具有光谱残差通道注意力机制的对抗性卷积自动编码器；将训练好的对抗性卷积自动编码器中编码器的特征提取部分视为起数据增强作用的转换函数，再对奇数波段高光谱图像和偶数波段高光谱图像使用对应的训练好的编码器中的特征提取部分进行特征提取得到两种数据增强样本；构建具有光谱残差通道注意力机制的主干网络，用于在对比学习阶段进行特征提取；设计光谱对比损失函数和聚类对比损失函数，采用光谱对比损失函数进行光谱级对比学习和采用聚类对比损失函数进行聚类级对比学习；使用数据增强样本在进行光谱级对比学习的同时进行聚类级对比学习，使具有光谱残差通道注意力机制的主干网络在进行光谱相似性与相异性学习的同时，有效地增大对目标和背景提取的表示向量之间的差异；使用训练好的具有光谱残差通道注意力机制的主干网络分别提取待检测高光谱图像中各个像元光谱和先验目标光谱的表示向量，通过余弦相似性衡量待检测像元光谱表示向量和先验目标光谱表示向量之间的相似性，从而得到检测结果。2.根据权利要求1所述的方法，其特征在于：所述具有光谱残差通道注意力机制的对抗性卷积自动编码器的训练过程为：对待检测高光谱图像进行奇偶波段采样，得到由奇数波段与偶数波段组成的两个高光谱图像，分别表示为与分别使用x
odd
与x
even
训练具有光谱残差通道注意力机制的对抗性卷积自动编码器，训练分为自编码器网络的训练和对抗网络的训练，在自编码器网络训练阶段，编码器g1(
·
)与解码器g2(
·
)组成自编码器网络，重构损失被定义为：其中x
i
是输入像元光谱，在对抗网络训练阶段，将训练定义成生成器g1(
·
)与鉴别器d(
·
)之间的博弈过程，先验分布p(z)预设为多元高斯分布，对抗训练过程的优化目标为：3.根据权利要求1所述的方法，其特征在于：所述对抗性卷积自动编码器对光谱进行数据增强时：将训练好的两个具有光谱残差通道注意力机制的对抗性卷积自动编码器中编码器的特征提取部分视为起数据增强作用的转换函数，分别表示为g
aae1
(
·
)和g
aae2
(
·
)，对奇数波
段高光谱图像x
odd
与偶数波段高光谱图像x
even
使用对应的训练好的编码器中的特征提取部分进行特征提取得到两种数据增强样本，此过程表示为：d
a
＝g
aae1
(x
odd
)d
b
＝g
aae2
(x
even
)其中是从待检测高光谱图像x中采样奇数波段组成的高光谱图像x
odd
通过编码器特征提取部分g
aae1
(
·
)得到的数据增强样本，是采样偶数波段得到的高光谱图像x
even
通过编码器特征提取部分g
aae2
(
·
)得到的数据增强样本，l是编码器特征提取部分输出特征向量的大小。4.根据权利要求1所述的方法，其特征在于：所述采用光谱对比损失函数进行光谱级对比学习时：从待检测高光谱图像x中随机采样一个批次，该批次包含n个像元光谱，对该批次中的每个像元光谱x
i
执行所设计的数据增强方法，得到2n个数据增强样本对于一个特定像元光谱x
i
的增强样本该增强样本与一个批次的增强样本之间构成2n-1对，其中该增强样本与特定像元光谱x
i
的另一个增强样本之间形成正样本对与剩余的2n-2个数据增强样本组成负样本对，用光谱对比头g
s
(
·
)将主干提取的表示映射到光谱对比损失空间中，该过程表示为样本对之间的相似性通过余弦距离衡量，表示为其中c1,c2∈{a,b}并且i,j∈[1,n]，将给定增强样本的光谱对比损失定义为：其中τ
s
是光谱对比学习中的温度参数，用于控制柔软度，最后在每个增强样本上计算光谱对比损失：5.根据权利要求1所述的方法，其特征在于：采用聚类对比损失函数进行聚类级对比学习时：设定一个包含n个像元光谱的批次，表示为经过数据增强后得到增强样本和将增强样本输入主干f(
·
)
后得到对应的表示矩阵和使用聚类对比头g
c
(
·
)将h
a
和h
b
投影到聚类对比空间中得到特征矩阵和特征矩阵y
a
和y
b
每一列都代表一个对应的簇，每一行都表示对应样本的软标签，其中特征矩阵y
a
和y
b
中的任意行向量与的维度都为2，行向量与中的第j个元素表示该样本属于第j个簇的概率，从特征矩阵列的角度出发，令与分别表示特征矩阵y
a
和y
b
中的第i列，特征矩阵y
a
和y
b
中的第i列都表示同一个簇，因此将与配对形成正簇对配对形成正簇对与剩余样本配对形成2个负簇对，同样使用余弦距离衡量簇对之间的相似性，即：其中c1,c2∈{a,b}并且i,j∈[1,2]，为了区分正簇对与负簇对，定义聚类对比损失为：其中τ
c
是聚类温度系数用于控制柔软度，遍历所有簇得到最终的聚类对比损失，即：其中j(y)是聚类分配概率的熵，用于避免将大多数样本分配到同一簇，j(y)形式化如下：其中，与表示聚类分配概率，对于聚类对比头输出的特征矩阵y
a
与y
b
，聚类分配概率表示为：其中c∈{a,b}。
技术总结
本发明公开了一种基于自监督对比学习的高光谱图像目标检测方法，包括：首先对待检测的高光谱图像进行奇偶波段采样，然后将得到的奇偶波段高光谱图像用于训练相应的对抗卷积自编码器，将训练好的编码器的特征提取部分作为数据增强函数用于数据增强。正负对通过数据增强构建，主干用于提取增强样本的表示向量。然后使用它们对应的对比头将表示向量分别映射到光谱和聚类对比空间。在对比空间中，通过最大化正对的相似性同时最小化负对的相似性来学习光谱和簇的相似性和相异性，以增加目标和背景的表示向量之间的差异。最后，结合空间信息，使用边缘保持滤波器对利用光谱信息通过余弦相似度得到的检测结果进行处理得到最终的检测结果。的检测结果。的检测结果。
技术研发人员：王玉磊 陈昔 张文君 张姗姗 李亚东
受保护的技术使用者：大连海事大学
技术研发日：2022.05.13
技术公布日：2022/9/26