一种端到端高光谱图像多分类伪装目标分割方法及设备与流程

1.本发明涉及目标检测技术领域，尤其涉及一种端到端高光谱图像多分类伪装目标分割方法及设备。


背景技术：

2.多分类伪装目标识别是一项极具挑战的视觉任务，尤其对于高光谱数据。高光谱图像一般具有特定波段范围内几十上百个连续光谱波段，拥有丰富的光谱信息。这种高的波段分辨率为不同物质不同材料的区分提供了极其有效的判别信息，使得可见光波段不易区分的伪装目标和背景能够在高光谱图像上区分开。但是，相邻波段之间存在的高相关性和低差异性带来了谱段众多、数据量大、冗余信息多的挑战。因此，在处理高光谱图像相关任务之前，首先需要对高光谱图像做降维处理。另一方面，基于高光谱图像的多类别伪装识别任务，需要网络模型能够提取到来自空间和谱段的、丰富的、重要的特征。尤其是对于多类别的伪装目标识别任务，提取特征的质量是任务的关键。


技术实现要素：

3.鉴于上述的分析，本发明旨在提供一种端到端高光谱图像多分类伪装目标分割方法及设备，以解决现有技术对高光谱图像伪装目标检测能力与精度不高的问题。
4.本发明的目的主要是通过以下技术方案实现的：
5.本发明提供了一种端到端高光谱图像多分类伪装目标分割方法，包括：
6.构建包含伪装目标的高光谱图像数据集；
7.利用所述数据集对预先构建的初始伪装目标分割模型进行迭代训练，得到收敛的伪装目标分割模型；所述伪装目标分割模型用于对输入的图像进行波段信息提取和特征融合聚焦，并基于特征融合聚焦后的特征图进行伪装目标分类预测；
8.将待检测的高光谱图像输入所述伪装目标分割模型，识别得到多分类伪装目标分割结果。
9.进一步的，所述伪装目标分割模型包括：波段信息提取网络、骨干网络和特征优化网络；
10.所述波段信息提取网络用于对输入的高光谱图像进行波段信息的提取和降维；
11.所述骨干网络用于对所述波段信息提取网络输出的特征图进行多个不同尺度的尺寸压缩和特征提取，得到多个不同尺寸的骨干特征图；
12.所述特征优化网络用于基于不同尺寸的所述骨干特征图进行特征融合和聚焦，并经过分类预测，得到伪装目标分割结果。
13.进一步的，所述波段信息提取网络包括依次设置的空间池化层、1
×
k卷积层和1
×
1卷积层；所述波段信息提取网络用于对输入的高光谱图像进行波段信息的提取和降维，包括：
14.将输入的高光谱图像依次经过空间池化层和1
×
k卷积层进行池化操作和和卷积
操作进行波段信息提取；
15.将波段信息提取得到的图像与输入的所述高光谱图像进行对应通道相乘操作；
16.将相乘后得到的图像输入所述1
×
1卷积层进行通道信息的线性混合，得到所述波段信息提取网络的输出。
17.进一步的，通过所述骨干网络得到n+1个骨干特征图；所述特征优化网络包括n个特征融合聚焦模块；其中，
18.第n个特征融合聚焦模块用于基于第n+1个骨干特征图和第n个骨干特征图进行特征融合；
19.第n-i个特征融合聚焦模块用于对第n-i+1个特征融合聚焦模块输出的特征图和第n-i个骨干特征图进行特征融合，其中，i为1≤i《n的整数；
20.基于第1个特征融合聚焦模块输出的特征图进行分类预测，得到所述伪装目标分割结果。
21.进一步的，所述特征融合聚焦模块包括反卷积模块、第一通道信息融合模块、第二通道信息融合模块、第三通道信息融合模块和空间信息处理模块；
22.所述反卷积模块与所述第一通道信息融合模块串行设置，对输入的两个特征图中的高阶特征图进行图像尺寸扩增和波段信息提取融合，得到第一波段信息特征图；
23.所述第二通道信息融合模块用于对输入的两个特征图中的低阶特征图进行波段信息提取融合，得到第二波段信息特征图；
24.将所述第一波段信息特征图和第二波段信息特征图通过add操作相加，得到波段信息融合特征图；
25.所述第三通道信息融合模块和空间信息处理模块并行设置，分别用于对所述波段信息融合特征图进行波段信息提取和空间信息提取，得到第三波段信息特征图和空间信息特征图；
26.将所述第三波段信息特征图和空间信息特征图通过add操作相加，得到所述特征融合聚焦模块输出的特征图。
27.进一步的，所述第一通道信息融合模块、第二通道信息融合模块和第三通道信息融合模块均包括依次设置的空间池化层和1
×
k卷积层，用于对输入通道信息融合模块的特征图依次进行空间池化操作和卷积操作，并将输入的所述特征图与所述1
×
k卷积层输出的特征图相乘，得到波段信息特征图。
28.进一步的，所述空间信息处理模块包括1
×
1卷积层和sigmoid激活层，用于对输入空间信息处理模块的特征图依次通过线性卷积操作和激活操作进行空间信息的处理，并将所述激活层输出的特征图与输入空间信息处理模块的特征图通过add操作相加，得到空间信息特征图。
29.进一步的，所述骨干网络为基于resnet152的特征压缩和提取网络。
30.进一步的，所述构建高光谱伪装目标数据集，包括：
31.采集包含伪装目标的高光谱图像；
32.将所述高光谱图像的维度裁剪为h
×w×
c，其中h、w和c分别为图像的高度、宽度和光谱通道数；
33.对每一张高光谱图像对应生成三通道伪彩图，基于所述伪彩图按照分割任务对所
述伪装目标进行标注，基于标注后的伪彩图，构建得到高光谱伪装目标数据集。
34.另一方面，还提供一种电子设备，包括至少一个处理器，以及至少一个与所述处理器通信连接的存储器；
35.所述存储器存储有可被所述处理器执行的指令，所述指令用于被所述处理器执行以实现前述的端到端高光谱图像多分类伪装目标分割方法。
36.本技术方案有益效果如下：
37.1.本发明构建并训练得到的伪装目标分割模型通过对高光谱图像进行波段信息提取和特征融合聚焦，充分利用高光谱图像通道和空间的联合信息优化特征图质量，提高了伪装目标分割的准确性；
38.2.通过前置的波段信息提取网络不仅实现图像降维和关键波段提取，而且实现了高光谱图像端到端一体化分割，并通过特征优化网络提升空间波段特征融合聚焦能力，进而实现高光谱图像的多类别伪装目标识别，该方法并不需要添加额外的设备和设施，能够高效便捷地实现高光谱图像多类别伪装目标分割；
39.3.本发明通过设置1
×
k卷积层，混合相邻的k个谱段的信息，实现了相近波段有效信息的提取，使得模型具备跨图推理的能力。克服了高光谱分类任务基于单张高光谱图像训练推理的限制，同时克服了高光谱图像异常检测基于单张图只区分前景背景的二分类目标识别限制。
40.本发明的其他特征和优点将在随后的说明书中阐述，并且，部分的从说明书中变得显而易见，或者通过实施本发明而了解。本发明的目的和其他优点可通过在所写的说明书、权利要求书、以及附图中所特别指出的结构来实现和获得。
附图说明
41.附图仅用于示出具体实施例的目的，而并不认为是对本发明的限制，在整个附图中，相同的参考符号表示相同的部件；
42.图1为本发明实施例的一种端到端高光谱图像多分类伪装目标分割方法流程示意图；
43.图2为本发明实施例的波段信息提取模块结构示意图；
44.图3为本发明实施例的通道信息融合模块示意图；
45.图4为本发明实施例的不同权重向量通道融合后所形成的不同视觉效果图；
46.图5为本发明实施例的不同的空间权重实现空间聚焦所形成的不同视觉效果图；
47.图6为本发明实施例的对应叠加通道权重和空间权重所形成的基于融合聚焦模块实现的不同视觉效果图；
48.图7为本发明实施例的一例高光谱图像数据的测试结果。
具体实施方式
49.下面结合附图来具体描述本发明的优选实施例，其中，附图构成本技术一部分，并与本发明的实施例一起用于阐释本发明的原理，并非用于限定本发明的范围。
50.本发明的一个具体实施例，如图1所示，公开了一种端到端高光谱图像多分类伪装目标分割方法，包括以下步骤：
51.步骤s1，构建包含伪装目标的高光谱图像数据集；
52.具体的，可以采用高(多)光谱相机采集高(多)光谱图像，高(多)光谱相机的采集方式既可以是线扫描式，也可以是快照式。对于高(多)光谱相机采集的图像，首先将图像的维度统一裁剪为h
×w×
c，其中,h、w和c分别为图像的高度、宽度和光谱通道数。示例性的，本实施例将采集到的图像统一裁剪为960
×
1024
×
180尺寸，其中960、1024、180分别为图像的高度、宽度、光谱通道数。进一步对每一张带伪装目标的高光谱图像，对应生成三通道伪彩图，基于伪彩图按照多分类伪装目标分割任务要求对采集到的图像进行伪装目标标注，基于标注后的图像构建得到包含伪装目标的高光谱图像数据集。在实际应用中，可以将标注后的图像随机划分为训练集、验证集合和测试集，本实施例按照8：1：1进行划分。
53.s2，利用数据集对预先构建的初始伪装目标分割模型进行迭代训练，得到收敛的伪装目标分割模型；伪装目标分割模型用于对输入的图像进行波段信息提取和特征融合聚焦，并基于特征融合聚焦后的特征图进行伪装目标分类预测；
54.具体地，伪装目标分割模型包括：波段信息提取网络、骨干网络和特征优化网络；其中，
55.波段信息提取网络包括依次设置的空间池化层、1
×
k卷积层和1
×
1卷积层，用于对输入的高光谱图像进行波段信息的提取和降维，包括：
56.将输入的高光谱图像依次经过空间池化层和1
×
k卷积层进行池化操作和和卷积操作进行波段信息提取；将波段信息提取得到的图像与输入的高光谱图像进行对应通道相乘操作；将相乘后得到的图像输入1
×
1卷积层进行通道信息的线性混合，得到波段信息提取网络的输出。
57.本实施例中，输入的高光谱图像经过波段信息提取模块能够实现不同波段之间信息的交互和融合，最终输出融合后的三通道特征图。更具体的，如图2所示，输入高光谱图像x，其维度为w
×h×
c，经过一次空间池化、一次1
×
k的卷积处理，得到一维向量1
×1×
c，将得到的一维向量与输入的高光谱图像对应通道相乘，得到新的高光谱图像，其维度仍为w
×h×
c；最后经过输入通道为180，输出通道为3的1
×
1的卷积操作，输出组合后的三通道特征图，其维度为w
×h×
3。波段信息提取模块中的1
×
k卷积，旨在混合相邻的k个波段的信息，其中，k可取3、5或7，本实施例中设置为5。这一做法是受到高光谱图像波段连续，且光谱波长渐变的启发，通过1
×
k的卷积实现了相近波段有效信息的提取；最后1
×
1卷积层在保证原有空间信息的基础上实现通道信息的线性混合。本发明提出的波段信息提取模块通过可学习的方式实现了高光谱图像光谱维的有效缩减的同时，学习到尽可能多的对任务有效的原始高光谱图像的最佳图像特征表达，提高了伪装目标分割的准确性，在伪装目标分割模型的设计实现起到至关重要的作用。
58.骨干网络用于对波段信息提取网络输出的特征图进行多个不同尺度的尺寸压缩和特征提取，得到多个不同尺寸的骨干特征图；
59.具体的，本实施例中，骨干网络为基于resnet152的特征压缩和提取网络，用于对波段信息提取网络输出的图像进行多个尺度的特征提取。示例性的，本实施例中通过骨干网络进行五个阶段特征的提取，每个阶段实现空间分辨率的降低(宽高各缩减为一半)，同时实现通道数的提升。经过第三、四、五阶段输出特征图的尺寸分别为原始图像的1/8、1/16、1/32，得到三个不同尺度的骨干特征图；特殊的，波段信息提取网络进行降维后的图像
尺寸为960
×
1024
×
3，经过骨干网络进行第一和第二阶段尺寸压缩和特征提取，得到特征分辨率分别为480
×
512*64和240
×
256*128的特征图，将第二阶段提取得到的特征图经过第三、第四和第五阶特征提取，分辨率依次缩减一半，得到分辨率分别为120*128*256、60
×
64*512、30
×
32*1024的第一骨干特征图，第二骨干特征图和第三骨干特征图。
60.特征优化网络用于基于不同尺寸的骨干特征图进行特征融合和聚焦，并经过分类预测，得到伪装目标分割结果。
61.具体的，通过骨干网络可以得到n+1个骨干特征图；特征优化网络包括n个特征融合聚焦模块；其中，第n个特征融合聚焦模块用于基于第n+1个骨干特征图和第n个骨干特征图进行特征融合；第n-i个特征融合聚焦模块用于对第n-i+1个特征融合聚焦模块输出的特征图和第n-i个骨干特征图进行特征融合，其中，i为1≤i《n的整数；基于第1个特征融合聚焦模块输出的特征图作为目标特征图进行分类预测，得到伪装目标分割结果。
62.特殊的，特征融合聚焦模块包括反卷积模块、第一通道信息融合模块、第二通道信息融合模块、第三通道信息融合模块和空间信息处理模块；其中，
63.反卷积模块与第一通道信息融合模块串行设置，对输入的两个特征图中的高阶特征图进行图像尺寸扩增和波段信息提取融合，得到第一波段信息特征图；
64.第二通道信息融合模块用于对输入的两个特征图中的低阶特征图进行波段信息提取融合，得到第二波段信息特征图；
65.将第一波段信息特征图和第二波段信息特征图通过add操作相加，得到波段信息融合特征图；
66.第三通道信息融合模块和空间信息处理模块并行设置，分别用于对波段信息融合特征图进行波段信息提取和空间信息提取，得到第三波段信息特征图和空间信息特征图；
67.将第三波段信息特征图和空间信息特征图通过add操作相加，得到特征融合聚焦模块输出的特征图。
68.其中，第一通道信息融合模块、第二通道信息融合模块和第三通道信息融合模块均包括依次设置的空间池化层和1
×
k卷积层，用于对输入通道信息融合模块的特征图依次进行空间池化操作和卷积操作，并将输入的特征图与1
×
k卷积层输出的特征图相乘，得到波段信息特征图。
69.空间信息处理模块包括1
×
1卷积层和sigmoid激活层，用于对输入空间信息处理模块的特征图依次通过线性卷积操作和激活操作进行空间信息的处理，并将激活层输出的特征图与输入空间信息处理模块的特征图通过add操作相加，得到空间信息特征图。
70.本实施例中，不同尺寸的特征图经过通道信息融合模块，在实现相邻尺寸特征图分辨率对齐的同时，能够高效关注到特征图上关键的特征区域，同时实现较高阶特征和较低阶特征的有效融合。示例性的，如图3所示，将高光谱图像的相邻阶特征图同时输入通道信息融合模块，较高阶的特征图首先通过一次反卷积实现分辨率2倍扩增；扩增后的特征图与低阶特征图特征并行，均经过一次空间池化、一次1
×
k的卷积得到对应的一维向量1
×1×
c，并分别将得到的一维向量与对应的输入特征图的对应通道相乘，得到新的特征图，其维度仍为w
×h×
c；通过1
×
1卷积将得到的两个新的特征图转化为相同的通道数后通过add操作相加；经add相加操作，特征图的维度不变，但每一维下的信息量增加，对最终的伪装目标分割提供了有益特征图。将相加后得到的特征图并行的经过通道信息融合模块和空间信
息处理模块实现通道信息的融合处理和空间信息的处理，得到在空间和通道两个维度同时实现重要特征融合聚焦的特征图。
71.具体的，图4为不同权重向量实现通道融合后所形成的不同视觉效果图，显然，不同的权重向量融合对于伪装目标突显具有不同的效果；图5为不同的空间权重实现空间聚焦所形成的不同视觉效果图，同样地，空间权重对于伪装目标的凸显也起到关键的作用；图6为对应叠加通道权重和空间权重所形成的基于融合聚焦模块实现的不同视觉效果图。因此，特征融合聚焦模块能够有效实现图像特征的融合聚焦，达到利于伪装目标揭露的效果。
72.本实施例中的特征优化网络，通过反复调用通道信息融合模块，实现不同尺寸特征图的特征融合；示例性的，本实施例的特征优化网络首先通过一个通道信息融合模块实现第五阶特征(第三骨干特征图)和第四阶特征(第二骨干特征图)的融合聚焦；然后对第一次融合聚焦后得到的特征图与第三阶段特征(第一骨干特征图)进行融合聚焦，得到用于伪装目标分类预测的目标特征图；其中第一次调用通道信息融合模块输出特征图的尺寸为原始图像的1/16；第二次调用通道信息融合模块输出特征图的尺寸为原始图像的1/8；然后通过反卷积操作对1/8尺寸的特征图实现八倍上采样，得到与原始图像尺寸的目标特征图，其通道数等于伪装目标类别数加上背景类别数。使用训练数据集和验证数据集进行训练，通过迭代优化，得到收敛的对伪装目标分割模型。并进一步利用训练好的伪装目标分割模型对测试数据集进行检测识别。在模型给出目标分割结果时，由于目标特征图的通道数为7，无法直接可视化结果。因此，首先将预测结果按概率最大映射到单通道预测类别图，之后基于预测类别图固定对应到颜色板，实现检测结果可视化。如图7所示，为一例高光谱图像数据的测试结果，其中，(a)为该例高光谱图像的伪彩图、(b)对应的标签图，(c)模型对应的预测结果可视化图。
73.s3，将待检测的高光谱图像输入伪装目标分割模型，识别得到多分类伪装目标分割结果；
74.在实际应用中，将实时采集的高光谱图像输入经过训练得到的伪装目标分割模型，充分利用高光谱图像的光谱信息和空间信息高效完成高光谱图像多分类伪装目标分割，无需添加额外的探测设备和探测器材，实现了对多分类伪装目标的精确识别，提高了伪装目标分割方法对应用场景的适应性和实用性。
75.综上，本发明公开了一种端到端高光谱图像多分类伪装目标分割方法及设备，该方法构建并训练得到的伪装目标分割模型通过对高光谱图像进行波段信息提取和特征融合聚焦，充分利用高光谱图像通道和空间的联合信息优化特征图质量，提高了伪装目标分割的准确性。通过前置的波段信息提取网络实现高光谱图像降维的同时完成关键光谱信息的提取，并通过特征优化网络提升空间波段特征融合聚焦能力，进而实现高光谱图像的多类别伪装目标识别，该方法并不需要添加额外的设备和设施，能够高效便捷地实现高光谱图像多类别伪装目标分割。且本发明通过设置包含1
×
k卷积层的通道信息融合模块，混合相邻的k个谱段的信息，实现了相近波段有效信息的提取，使得模型具备跨图推理的能力。克服了高光谱分类任务基于单张高光谱图像训练推理的限制，同时克服了高光谱图像异常检测基于单张图只区分前景背景的二分类目标识别限制。
76.本发明的另一个实施例，还提供一种电子设备，包括至少一个处理器，以及至少一个与处理器通信连接的存储器；
77.存储器存储有可被处理器执行的指令，指令用于被处理器执行以实现前述的端到端高光谱图像多分类伪装目标分割方法。
78.本领域技术人员可以理解，实现上述实施例中方法的全部或部分流程，可以通过计算机程序来指令相关的硬件来完成，所述的程序可存储于计算机可读存储介质中。其中，所述计算机可读存储介质为磁盘、光盘、只读存储记忆体或随机存储记忆体等。
79.以上所述，仅为本发明较佳的具体实施方式，但本发明的保护范围并不局限于此，任何熟悉本技术领域的技术人员在本发明揭露的技术范围内，可轻易想到的变化或替换，都应涵盖在本发明的保护范围之内。

技术特征：
1.一种端到端高光谱图像多分类伪装目标分割方法，其特征在于，包括：构建包含伪装目标的高光谱图像数据集；利用所述数据集对预先构建的初始伪装目标分割模型进行迭代训练，得到收敛的伪装目标分割模型；所述伪装目标分割模型用于对输入的图像进行波段信息提取和特征融合聚焦，并基于特征融合聚焦后的特征图进行伪装目标分类预测；将待检测的高光谱图像输入所述伪装目标分割模型，识别得到多分类伪装目标分割结果。2.根据权利要求1所述的端到端高光谱图像多分类伪装目标分割方法，其特征在于，所述伪装目标分割模型包括：波段信息提取网络、骨干网络和特征优化网络；所述波段信息提取网络用于对输入的高光谱图像进行波段信息的提取和降维；所述骨干网络用于对所述波段信息提取网络输出的特征图进行多个不同尺度的尺寸压缩和特征提取，得到多个不同尺寸的骨干特征图；所述特征优化网络用于基于不同尺寸的所述骨干特征图进行特征融合和聚焦，并经过分类预测，得到伪装目标分割结果。3.根据权利要求2所述的端到端高光谱图像多分类伪装目标分割方法，其特征在于，所述波段信息提取网络包括依次设置的空间池化层、1
×
k卷积层和1
×
1卷积层；所述波段信息提取网络用于对输入的高光谱图像进行波段信息的提取和降维，包括：将输入的高光谱图像依次经过空间池化层和1
×
k卷积层进行池化操作和和卷积操作进行波段信息提取；将波段信息提取得到的图像与输入的所述高光谱图像进行对应通道相乘操作；将相乘后得到的图像输入所述1
×
1卷积层进行通道信息的线性混合，得到所述波段信息提取网络的输出。4.根据权利要求2所述的端到端高光谱图像多分类伪装目标分割方法，其特征在于，通过所述骨干网络得到n+1个骨干特征图；所述特征优化网络包括n个特征融合聚焦模块；其中，第n个特征融合聚焦模块用于基于第n+1个骨干特征图和第n个骨干特征图进行特征融合；第n-i个特征融合聚焦模块用于对第n-i+1个特征融合聚焦模块输出的特征图和第n-i个骨干特征图进行特征融合，其中，i为1≤i<n的整数；基于第1个特征融合聚焦模块输出的特征图进行分类预测，得到所述伪装目标分割结果。5.根据权利要求4所述的端到端高光谱图像多分类伪装目标分割方法，其特征在于，所述特征融合聚焦模块包括反卷积模块、第一通道信息融合模块、第二通道信息融合模块、第三通道信息融合模块和空间信息处理模块；所述反卷积模块与所述第一通道信息融合模块串行设置，对输入的两个特征图中的高阶特征图进行图像尺寸扩增和波段信息提取融合，得到第一波段信息特征图；所述第二通道信息融合模块用于对输入的两个特征图中的低阶特征图进行波段信息提取融合，得到第二波段信息特征图；将所述第一波段信息特征图和第二波段信息特征图通过add操作相加，得到波段信息
融合特征图；所述第三通道信息融合模块和空间信息处理模块并行设置，分别用于对所述波段信息融合特征图进行波段信息提取和空间信息提取，得到第三波段信息特征图和空间信息特征图；将所述第三波段信息特征图和空间信息特征图通过add操作相加，得到所述特征融合聚焦模块输出的特征图。6.根据权利要求5所述的端到端高光谱图像多分类伪装目标分割方法，其特征在于，所述第一通道信息融合模块、第二通道信息融合模块和第三通道信息融合模块均包括依次设置的空间池化层和1
×
k卷积层，用于对输入通道信息融合模块的特征图依次进行空间池化操作和卷积操作，并将输入的所述特征图与所述1
×
k卷积层输出的特征图相乘，得到波段信息特征图。7.根据权利要求5所述的端到端高光谱图像多分类伪装目标分割方法，其特征在于，所述空间信息处理模块包括1
×
1卷积层和sigmoid激活层，用于对输入空间信息处理模块的特征图依次通过线性卷积操作和激活操作进行空间信息的处理，并将所述激活层输出的特征图与输入空间信息处理模块的特征图通过add操作相加，得到空间信息特征图。8.根据权利要求2所述的端到端高光谱图像多分类伪装目标分割方法，其特征在于，所述骨干网络为基于resnet152的特征压缩和提取网络。9.根据权利要求1所述的端到端高光谱图像多分类伪装目标分割方法，其特征在于，所述构建高光谱伪装目标数据集，包括：采集包含伪装目标的高光谱图像；将所述高光谱图像的维度裁剪为h
×
w
×
c，其中h、w和c分别为图像的高度、宽度和光谱通道数；对每一张高光谱图像对应生成三通道伪彩图，基于所述伪彩图按照分割任务对所述伪装目标进行标注，基于标注后的伪彩图，构建得到包含伪装目标的高光谱图像数据集。10.一种电子设备，其特征在于，包括至少一个处理器，以及至少一个与所述处理器通信连接的存储器；所述存储器存储有可被所述处理器执行的指令，所述指令用于被所述处理器执行以实现权利要求1-9任一项所述的端到端高光谱图像多分类伪装目标分割方法。

技术总结
本发明涉及一种端到端高光谱图像多分类伪装目标分割方法及设备，属于目标检测技术领域。该方法包括以下步骤：构建包含伪装目标的高光谱图像数据集；利用数据集对预先构建的初始伪装目标分割模型进行迭代训练，得到收敛的伪装目标分割模型；伪装目标分割模型用于对输入的图像进行波段信息提取和特征融合聚焦，并基于特征融合聚焦后的特征图进行伪装目标分类预测；将待检测的高光谱图像输入伪装目标分割模型，识别得到多分类伪装目标分割结果。本发明解决了现有技术对高光谱图像伪装目标检测能力与精度不高的问题。测能力与精度不高的问题。测能力与精度不高的问题。


技术研发人员：邓尧 闫超 王正伟 刘志刚 李柱
受保护的技术使用者：四川九洲电器集团有限责任公司
技术研发日：2023.07.26
技术公布日：2023/10/7