一种基于类脑脉冲神经网络的遥感影像检测在线学习方法

本发明涉及图像处理领域，尤其涉及一种基于类脑脉冲神经网络的遥感影像检测在线学习方法。

背景技术：

1、遥感图像目标检测作为遥感影像解译的重要环节，广泛应用于国防军事和国民经济等多个领域。例如，在国土资源调查和战场态势侦察感知等多种重要应用，准确识别遥感图像中的水面船舶、地面车辆和建筑等目标是一项重要的应用任务。这一过程涉及从复杂环境中自动识别和分类遥感数据中的特定物体或特征。

2、当前主流的遥感图像检测技术主要基于卷积神经网络(cnn)构建的，这些模型通过从遥感图像中提取复杂的特征，有效地执行目标检测任务。通常包括多层网络结构，通过学习遥感数据中的不同级别的特征来进行准确的目标检测。尽管基于cnn的遥感图像检测模型取得了显著成效，但它们存在几个关键的局限性：

3、①与生物大脑的动力学过程差异：当前的遥感影像检测模型主要是基于cnn构建，其与生物大脑神经元在动力学过程上有着本质不同，在生物可解释性和能效上存在明显劣势。

4、②缺乏在线学习能力，现有检测模型多依赖于源域样本，采取端到端的训练部署方式，导致遥感影像识别模型在面对未见遥感目标识别时，无法实现在线学习和适应新样本的特征，从而导致性能下降。

技术实现思路

1、针对上述技术问题，提出一种基于类脑脉冲神经网络的遥感影像检测在线学习方法，本发明的目的可通过下列技术方案来实现：

2、本发明提供了一种基于类脑脉冲神经网络的遥感影像检测在线学习方法，包括以下步骤：

3、s1、获取遥感影像；

4、s2、构建一个包括卷积层、激活函数层和动态裁剪层的类脑脉冲神经网络模型；其中，卷积层提取遥感数据的初步特征，激活函数层模拟生物神经元的充电过程、放电过程和重置过程处理特征；动态裁剪层根据特征的变化调整神经元的激活阈值；

5、s3、将获取的遥感影像作为一个目标域输入到网络模型中进行处理，得到分析结果，同时，网络模型针对新目标域冻结除归一化层和动态裁剪层以外的所有层，并基于新目标域数据的特性，调整归一化层的缩放因子和偏移量；

6、s4、网络模型处理新目标域数据后，通过网络模型最后一层的膜电位输出来计算无监督瞬时膜电位熵损失，并基于熵损失反向传播算法对批归一化层的参数进行更新来执行在线学习过程。

7、进一步地，在步骤s2中，卷积层提取遥感数据的初步特征，具体为：

8、遥感影像作为输入数据送入卷积层，其中，卷积层中的卷积滤波器提取遥感影像的特征，包括边缘、纹理和颜色分布。

9、进一步地，在步骤s2中，激活函数层模拟神经元的充电过程、放电过程和重置过程处理特征，动态裁剪层根据特征的变化调整神经元的激活阈值，具体为：

10、s21、将卷积层处理过的特征输入激活函数层，并转化为神经网络中的输入信号，其中，激活函数层包括if脉冲神经元；

11、s22、激活函数层的if脉冲神经元模拟生物神经元的充电过程整合卷积层传来的输入信号；

12、s23、输入信号增加神经元的膜电位，直到达到预设的激活阈值，一旦膜电位超过激活阈值，神经元模拟放电过程发放脉冲；

13、s24、神经元发放脉冲后模拟重置过程进行状态重置。

14、其中，在步骤s22中，激活函数层的if脉冲神经元模拟生物神经元的充电过程整合卷积层传来的输入信号，具体为：

15、if脉冲神经元的膜电位v(t)接收来自突触前神经元加权输入的膜电压的过程，if脉冲神经元的充电方程为：

16、v[t]-v[t-1]＝x[t]；

17、其中，v(t)为在时间t的膜电位，v[t-1]为在时间t-1的膜电位，x[t]为时间t的输入信号。

18、进一步地，在步骤s23中，输入信号增加神经元的膜电位，直到达到预设的激活阈值，一旦膜电位超过激活阈值，神经元模拟放电过程发放脉冲，具体为：if脉冲神经元的放电方程为：s[t]＝θ(v[t]-vthreshold)；其中，θ(x)为判断是否放电的阶跃函数，v(t)为在时间t的膜电位，vthreshold为激活阈值；其中，θ(x)为判断是否放电的阶跃函数：

19、进一步地，在步骤s24中，神经元发放脉冲后模拟重置过程进行状态重置，具体为：

20、if脉冲神经元的膜电位重置，其中带有动态裁剪层的激活函数，表示如下：

21、

22、其中，σ为可训练的参数。

23、进一步地，在步骤s3中，将获取的遥感影像作为一个目标域输入到网络模型中进行处理，得到分析结果，同时，网络模型针对新目标域冻结除归一化层和动态裁剪层以外的所有层，并基于新目标域数据的特性，调整归一化层的缩放因子和偏移量，具体为：

24、将网络模型中除归一化层和动态裁剪层以外的所有层冻结；

25、归一化层被设置为能够根据每个目标域的数据时实时计算均值和方差；

26、进行批归一化层运算，计算方式为：

27、

28、其中x(b)为每个小批次的输入数据，μ和σ分别为每个小批次在线计算的均值和方差，γ和β是归一化层的仿射参数。

29、进一步地，在步骤s4中，网络模型处理新目标域数据后，通过网络模型最后一层的膜电位输出来计算无监督瞬时膜电位熵损失，并基于熵损失反向传播算法对批归一化层的参数进行更新来执行在线学习过程，具体为；

30、网络模型在新目标域进行在线学习；

31、当新目标域数据输入预训练的网络模型时，通过最后一层if脉冲神经元的膜电位输出v(t)计算无监督瞬时膜电位熵损失。

32、进一步地，无监督瞬时膜电位熵损失计算公式为：

33、

34、其中，t为网络仿真的时间步步长，tem为用于控制膜电位激活值的温度系数。

35、进一步地，在步骤s4中，基于熵损失反向传播算法对批归一化层的参数进行更新来执行在线学习过程，具体为；通过反向传播算法回传更新网络模型中所有的批归一化层的仿射参数并统计网络模型经过在线更新后的预测计算平均精度。

36、与现有技术相比，本发明存在以下至少一种技术效果：

37、本方法基于类脑脉冲神经网络构建模型，通过对模型参数进行配置，使得模型在测试阶段面对与训练阶段数据不同表征的样本时，无需新样本标签，采取无监督的方式更新网络参数提升对陌生样本的检测精度，且网络的更新能够伴随样本的流式输入在线进行。

技术特征：

1.一种基于类脑脉冲神经网络的遥感影像检测在线学习方法，其特征在于，包括以下步骤：

2.根据权利要求1所述的遥感影像检测在线学习方法，其特征在于，在步骤s2中，所述卷积层提取所述遥感数据的初步特征，具体为：

3.根据权利要求2所述的遥感影像检测在线学习方法，其特征在于，在所述步骤s2中，所述激活函数层模拟神经元的充电过程、放电过程和重置过程处理所述特征，所述动态裁剪层根据所述特征的变化调整所述神经元的激活阈值，具体为：

4.根据权利要求3所述的遥感影像检测在线学习方法，其特征在于，在所述步骤s22中，所述激活函数层的所述if脉冲神经元模拟生物神经元的充电过程整合所述卷积层传来的所述输入信号，具体为：

5.根据权利要求4所述的遥感影像检测在线学习方法，其特征在于，在步骤s23中，所述输入信号增加所述神经元的膜电位，直到达到预设的激活阈值，一旦所述膜电位超过所述激活阈值，所述神经元模拟所述放电过程发放脉冲，具体为：

6.根据权利要求5所述的遥感影像检测在线学习方法，其特征在于，在步骤s24中，所述神经元发放所述脉冲后模拟所述重置过程进行状态重置，具体为：

7.根据权利要求6所述的遥感影像检测在线学习方法，其特征在于，在步骤s3中，将获取的所述遥感影像作为一个目标域输入到所述网络模型中进行处理，得到分析结果，同时，所述网络模型针对新目标域冻结除归一化层和所述动态裁剪层以外的所有层，并基于所述新目标域数据的特性，调整所述归一化层的缩放因子和偏移量，具体为：

8.根据权利要求7所述的遥感影像检测在线学习方法，其特征在于，在步骤s4中，所述网络模型处理所述新目标域数据后，通过所述网络模型最后一层的膜电位输出来计算无监督瞬时膜电位熵损失，并基于所述熵损失反向传播算法对批归一化层的参数进行更新来执行在线学习过程，具体为；

9.根据权利要求8所述的遥感影像检测在线学习方法，其特征在于，所述无监督瞬时膜电位熵损失计算公式为：

10.根据权利要求9所述的遥感影像检测在线学习方法，其特征在于，在步骤s4中，基于所述熵损失反向传播算法对批归一化层的参数进行更新来执行在线学习过程，具体为；通过所述反向传播算法回传更新所述网络模型中所有的批归一化层的仿射参数并统计所述网络模型经过在线更新后的预测计算平均精度。

技术总结本发明涉及图像处理领域，提供了一种基于类脑脉冲神经网络的遥感影像检测在线学习方法，包括S1、获取遥感影像；S2、构建类脑脉冲神经网络模型；S3、将遥感影像作为目标域输入到网络模型中处理，针对新目标域冻结除归一化层和动态裁剪层以外的所有层，并调整归一化层的缩放因子和偏移量；S4、通过网络模型最后一层的膜电位输出来计算无监督瞬时膜电位熵损失，对批归一化层的参数进行更新来执行在线学习。本方法基于类脑脉冲神经网络构建模型，通过对模型参数进行配置，使得模型在测试阶段面对与训练阶段数据不同表征的样本时，无需新样本标签，采取无监督的方式更新网络参数提升对陌生样本的检测精度，网络的更新能够伴随样本的流式输入在线进行。技术研发人员：刘佩林,段德鑫,路遥,黄立威,文飞受保护的技术使用者：上海交通大学技术研发日：技术公布日：2024/8/1