Abstract

在预测监督信息有限的数据时，基于深度迁移学习的高光谱目标检测方法预计网络将不需要大量的再训练来泛化到陌生的应用环境。

元学习是深度学习中解决这一问题的有效而实用的框架。提出了一种基于元学习的基于 Siamese 网络的高光谱目标检测方法。

首先，设计了深度残差卷积特征嵌入模块，将光谱向量嵌入欧几里得特征空间。

然后，在设计的三通道 Siamese 网络上使用已知标记源数据进行元训练，利用三元组损失来学习嵌入特征空间中光谱之间的类内相似性和类间不相似性。

通过设计的双通道 Siamese 网络，将学习到的元知识与先验目标光谱进行更新，以快速适应新的检测任务。

需要注意的是，Siamese网络中每个通道的深度残差卷积嵌入模块的参数和结构都是相同的。

最后，对空间信息进行组合，通过引导 image filtering 和 morphological closing 运算对双通道 Siamese 网络的 detection map 进行处理，得到最终的检测结果。

通过对6组真实高光谱图像数据集的实验分析，表明所提出的MLSN具有良好的综合性能。

Conclusion

迁移模型的泛化能力和对新任务的适应能力，以及深度神经网络的训练样本有限，限制了基于深度迁移学习的高光谱目标检测算法。

针对这些问题，提出了一种基于 Siamese 网络(MLSN)元学习的高光谱目标检测方法。

通过引入元学习方法，设计了三通道DRSN结构，并利用三元组损失对已知标签数据集进行元训练。

学习了欧几里得特征空间中的相似光谱距离。

然后使用相同参数和结构的DRFE模块形成双通道DRSN，并使用先验目标光谱更新元知识，使模型能够快速更好地适应新的目标检测任务。

将目标的先验光谱输入到 upper branch channel，将待检测HSI的每个像素谱输入到 lower brach chnnel。

通过DRFE模块将像素光谱嵌入欧几里得特征空间，通过余弦相似度计算光谱相似度，得到 detection map。

由于HSI包含丰富的空间信息，采用引导 image filtering 来保持目标的边缘和平滑背景。

最后，通过形态学闭合操作连接目标区域，得到最终的光谱-空间联合检测结果。

实验结果表明，MLSN具有良好的综合性能。

这篇文章的主要贡献如下：

设计了一种深度残差卷积特征嵌入模块(DRFE)，将像素点的光谱嵌入到欧氏特征空间中，然后利用该模块构建一个三通道深度残差卷积Siamese网络(three-channel DRSN)进行元训练。这样DRFE模块有能力区分光谱相似点和不同点,然后形成一个双通道深度残留卷积 Siamese 用于 meta-testing ,这样DRFE模块的 meta-knowledge 适用于检测任务, 进一步增加了判别的能力。
首先将元学习的思想引入到HSI目标检测中，使元训练得到的DRFE模块无需大量的再训练就可以推广到不熟悉的应用场景，在预测几乎没有监督信息的数据时具有更好的泛化能力。通过对多个传感器采集的数据集进行测试，获得了较好的综合性能。