(19)国家知识产权局 (12)发明 专利申请 (10)申请公布号 (43)申请公布日 (21)申请 号 202210283172.9 (22)申请日 2022.03.22 (71)申请人 西北工业大 学 地址 710072 陕西省西安市碑林区友谊西 路127号 (72)发明人 侍佼　谭春晖　雷雨　周德云　 周颖　 (74)专利代理 机构 西安嘉思特知识产权代理事 务所(普通 合伙) 6123 0 专利代理师 高晓倩 (51)Int.Cl. G06V 20/10(2022.01) G06V 10/762(2022.01) G06V 10/774(2022.01) G06V 10/82(2022.01)G06K 9/62(2022.01) G06N 3/04(2006.01) G06N 3/08(2006.01) G06N 3/12(2006.01) (54)发明名称 基于协同分析自主感知网络结构的高光谱 变化检测方法 (57)摘要 本发明公开了一种基于协同分析自主感知 网络结构 的高光谱变化检测方法， 包括： 获取同 一传感器采集的两组 高光谱变化检测数据集， 确 定每组的训练样本和待测样本； 对每组建立变化 检测网络 结构搜索任务； 对每个任务产生初始网 络结构种群； 对每个当前网络结构种群， 利用遗 传算法进行种群内进化得到内部进化后网络结 构种群； 针对该对内部进化后网络结构种群， 在 满足跨任务知识交流条件时共享优秀个体信息， 得到每个内部进化后网络结构种群对应的更新 网络结构种群； 判断是否达到预设的最大迭代次 数； 若否返回种群内进化； 若是停 止迭代， 从每个 更新网络 结构种群中获取最优网络结构， 利用对 应的待测样 本得到变化检测结果。 本发明能提高 各CD任务分类精度。 权利要求书3页 说明书15页 附图6页 CN 114842328 A 2022.08.02 CN 114842328 A 1.一种基于协同分析自主感知网络结构的高光谱变化检测方法， 其特 征在于， 包括： 获取同一传感器采集的两组高光谱变化检测数据集， 并确定每组高光谱变化检测数据 集中的训练样本和待测样本； 其中， 每一组高光谱变化检测数据集含有针对同一区域的前 后两个时刻的高光谱遥感图像数据； 针对每组高光谱变化检测数据集分别建立对应的变化检测网络结构搜索任务； 针对每 个变化检测网络结构 搜索任务， 利用预设的个体基因编 码方式产生对应的初始网络结构种 群； 其中， 所述初始网络结构种群中含有预设数量个用于表征不同神经网络结构的个 体； 针对每个当前网络结构种群， 利用遗传算法进行种群内进化， 得到对应的内部进化后 网络结构种群； 其中， 首次迭代时， 当前网络结构种群为所述初始网络结构种群； 针对该对内部进化后网络结构种群， 在满足跨任务知识交流条件时， 基于跨任务知识 交流共享优秀个 体信息， 得到每 个内部进化后网络结构种群对应的更新网络结构种群； 判断当前迭代次数 是否达到预设的最大迭代次数； 若否， 返回所述针对每 个当前网络结构种群， 利用遗传算法进行种群内进化的步骤； 若是， 停止迭代， 从每个更新网络结构种群 中获取最优 网络结构， 并利用对应的待测样 本得到变化检测结果。 2.根据权利要求1所述的基于协同分析自主感知网络结构的高光谱变化检测方法， 其 特征在于， 所述确定每组高光谱变化检测数据集中的训练样本和待测样本， 包括： 对每组高光谱变化检测数据集分别进行 预变化检测， 得到对应的预变化检测结果； 根据每组高光谱变化检测数据集对应的预变化检测结果， 选出该组高光谱变化检测数 据集中的训练样本， 并将该组高光谱变化检测数据集中除训练样本之外的样本作为待测样 本。 3.根据权利要求2所述的基于协同分析自主感知网络结构的高光谱变化检测方法， 其 特征在于， 所述根据每组高光谱变化检测数据集对应的预变化检测结果， 选出该组高光谱 变化检测数据集中的训练样本， 包括： 针对每个预变化检测结果， 对该预变化检测结果的图像数据中的每一个像素， 将该像 素作为预设大小的矩形窗口的中心像素， 判断该矩形窗口内所有像素的预变化检测结果是 否一致； 若是， 利用该像素的位置将对应组高光谱变化检测数据集中的两个像素进行拼接， 得 到对应组高光谱变化检测数据集中的一个训练样本 。 4.根据权利要求1所述的基于协同分析自主感知网络结构的高光谱变化检测方法， 其 特征在于， 所述针对每个变化检测网络结构搜索任务， 利用预设的个体基因编码方式产生 对应的初始网络结构种群， 包括： 针对每个变化检测网络结构搜索任务， 在预设的网络层数范围内， 随机生成一个正整 数n； 并在预设的层内神经元数范围内， 随机生成n个正整数构成一个一维向量作为一个初 始网络结构， 由得到的所述预设数量个初始网络结构， 构成该变化检测网络结构搜索任务 对应的初始网络结构种群； 其中， 所述预设的个体基因编码方式包括对神经网络中隐藏层 深度和每层的神经 元数进行编码。 5.根据权利要求1或4所述的基于协同分析自主感知网络结构的高光谱变化检测方法， 其特征在于， 所述针对每个当前网络结构种群， 利用遗传算法进 行种群内进化， 得到对应的权　利　要　求　书 1/3 页 2 CN 114842328 A 2内部进化后网络结构种群， 包括： 针对每个当前网络结构种群， 利用该当前网络结构种群的训练样本， 对每个个体进行 网络结构性能评价得到该个 体对应的评价 值； 从该当前网络结构种群中， 选取评价值排名在前的部分个体作为父代种群， 利用两两 交叉变异操作， 得到多个子代个 体； 从该当前网络结构种群加入所述多个子代个体所得到的集合中， 选取所述预设数量个 优秀个体， 得到该当前网络结构种群对应的内部进化后网络结构种群。 6.根据权利要求5所述的基于协同分析自主感知网络结构的高光谱变化检测方法， 其 特征在于， 对一个 个体进行网络结构性能评价得到对应的评价 值的过程， 包括： 对一个个体利用预设的适应度评价 函数计算对应的评价 值， 所述适应度评价 函数为： F(xi)＝ λ1Lt(xi)+λ2Lp(xi) 其中， F(xi)表示适应度评价函数； xi表示个体； Lt(xi)表示基于个体xi构建的网络训练 损失； Lp(xi)表示网络参数损失； λ1表示Lt(xi)的权重； λ2表示Lp(xi)的权重； N表示训练样本数量； bj表示第j个训练样本的真实分类标签； aj表示训练样本集合中第 j个训练样本； w表示被测试的网络结构的权重参数集合； f(aj,w)表示被测试的网络结构对 样本aj的预测； λ表示 正则化参数， 其取值范围为(0,1)； b和 分别代表真实值与预测值； 其中， 是对当前被测试的网络可训练参数的估计； ni表示第i层内的神经元数； k表示 当前被测试网络的层数； Pmax是具有最大神经元数和最大层数时的网络的可训练参数量； nm 表示最大神经 元个数， K表示 最大层数。 7.根据权利要求5所述的基于协同分析自主感知网络结构的高光谱变化检测方法， 其 特征在于， 所述从该当前网络结构种群加入所述多个子代个体所得到的集合中， 选取所述 预设数量个优秀个 体， 得到该当前网络结构种群对应的内部进化后网络结构种群， 包括： 生成当前次的淘汰随机数， 判断其是否小于预设的淘汰概 率； 若是， 从该当前网络结构种群 中淘汰存在时间最长的个体； 若否， 从所述多个子代个体 中淘汰评价 值最低的个 体； 判断当前保留的个 体数是否达到所述预设数量个； 若未达到， 返回所述 生成当前次的淘汰随机数的步骤； 若达到， 由当前保留的个体构成该当前网络结构种群对应的内部进化后网络结构种 群。 8.根据权利要求6所述的基于协同分析自主感知网络结构的高光谱变化检测方法， 其 特征在于， 该对内部进化后网络结构种群是否满足跨任务知识交流条件的判断过程包括：权　利　要　求　书 2/3 页 3 CN 114842328 A 3