Hyperspectral target tracking based on attention mechanism and additive angular margin loss

算法1：	AAML损失计算
输入：	高光谱图像数据集正负样本及其标签 ${(x_{i}, y_{i}), i = 1, \dots, N}$ ，特征提取模型 $f (x)$ ，类别中心向量 $W \in R^{C \times D}$ ，超参数s和m
输出：	AAML损失
for $i = 1$ to $N$ ：
通过网络模型提取到的图像特征 $f (x_{i}) \in ℝ^{D}$
计算提取到的图像特征和正负类的类别中心向量夹角 $θ_{j},$ $i = 1, \dots, C$
对样本所属的类别夹角添加角度间隔 $θ_{y i} \leftarrow θ_{y_{i}} + m$
对样本特征进行缩放 $‖ x_{i} ‖ = s$
通过Softmax交叉熵损失计算损失
end
计算样本损失的均值 $L = \frac{1}{N} \sum_{i = 1}^{N} L_{i}$

Table 2. Bands selection

View table

View in Article

Table 2. Bands selection

算法2：	高光谱图像波段选择
Step1：	计算高光谱图像各波段的图像熵并进行从大到小排列，从25个波段中筛选出信息量较大的前C = 16个波段
Step2：	在所选出的波段中求两两波段之间的相关系数，分别选出两组相关系数小的波段
Step3：	输入：波段排序后的高光谱图像波段合集 $B = {B_{i}}_{i = 1}^{C}$ ，初始化波段子集 $B_{1} = {B_{1}^{}}$ ， $B_{2} = {B_{2}^{}}$ ，选择两路输入的高光谱波段子集波段数 $n = 3$
	输出：模型两路输入的高光谱波段子集 $B_{1}$ 、 $B_{2}$
	fori=2 to $C$
	计算 $B - B_{1}$ 中各波段与 $B_{1}$ 的OIF指数以及 $B - B_{2}$ 中各波段与 $B_{2}$ 的OIF指数
	end
	分别选出使得OIF指数最大的波段加入到各波段子集中

Table 3. Ablation experiment
View table
View in Article
Table 3. Ablation experiment
组合精确率成功率
MANet 0.689 0.338
Ours-AAML(without margin) 0.681 0.342
Ours-AAML 0.689 0.348
Ours-Attention 0.699 0.357
Ours 0.702 0.365

Tools

Get Citation

Copy Citation Text

Zonghan SHI, Haitao ZHAO. Hyperspectral target tracking based on attention mechanism and additive angular margin loss[J]. Journal of Applied Optics, 2022, 43(5): 893

Download Citation

EndNote(RIS)BibTex Plain Text

Set citation alerts for article

Save article for my favorites