KDTGAN:基于Transformer-GAN和知识蒸馏的高光谱目标检测 |
| |
作者姓名: | 谢雯 闪晨超 张哲哲 张嘉鹏 |
| |
作者单位: | 西安邮电大学通信与信息工程学院 西安 710121 |
| |
基金项目: | 国家自然科学基金(61901365, 62071379);陕西省自然科学基金(2019JQ-377);陕西省教育厅专项科研计划(19JK0805);西安邮电大学西邮新星团队项目(xyt2016-01) |
| |
摘 要: | 高光谱目标检测在地球观测中至关重要,被广泛应用于军事和民用领域。然而,由于高光谱图像的背景复杂性和目标样本的有限性,该任务面临较大的挑战。本文首先采用CEM(约束能量最小化)粗检测方法提取背景数据。随之,引入了一种新的知识蒸馏模型,即KDTGAN(通过Transformer-GAN实现)。教师模型的生成器采用了Transformer编码器的结构,并结合多尺度数据融合的方法,能够准确地学习背景分布,进而通过重构背景信息实现目标检测。为了克服GAN(生成对抗网络)训练不稳定的挑战,特别是纯背景数据的稀缺性,本文提出了一种新的损失算法,以减小可疑目标样本对模型性能的负面影响。为了降低模型的计算负担,本文引入知识蒸馏,并设计新的蒸馏损失对学生模型加以约束,使模型轻量化的同时提高学生模型检测精度。实验结果表明:KDTGAN相较于当前检测方法表现更优,具有更高的检测精度和鲁棒性。
|
关 键 词: | 高光谱图像 目标检测 知识蒸馏 生成对抗网络 Transformer-GAN |
收稿时间: | 2024/1/19 0:00:00 |
修稿时间: | 2024/3/5 0:00:00 |
|
| 点击此处可从《》浏览原始摘要信息 |
| 点击此处可从《》下载免费的PDF全文 |