BiGSeT：基于二值掩码引导分离训练的 DNN 高光谱异常检测
图像与视频处理
2023-07-17 v1
摘要
高光谱异常检测（HAD）旨在无需先验知识的情况下识别少数与其周围背景光谱不同的异常。深度神经网络（DNN），包括自编码器（AE）、卷积神经网络（CNN）和视觉Transformer（ViT），凭借其建模复杂背景的强大能力在该领域展现出卓越性能。然而，对于重建任务，DNN 倾向于将背景和异常都纳入估计背景中，这被称为恒等映射问题（IMP），并导致性能显著下降。为解决此局限，我们提出一种与模型无关的、基于二值掩码引导的 DNN 分离训练策略，名为 BiGSeT。我们的方法引入基于潜在二值掩码的分离训练损失，以分别约束估计图像中的背景与异常。背景被保留，而潜在异常通过使用高效的二阶高斯拉普拉斯（LoG）算子被抑制，从而生成纯背景估计。为在训练中保持可分离性，我们使用训练前估计的鲁棒比例阈值周期性更新掩码。在我们的实验中，我们采用朴素 AE 作为网络，在多个真实数据集上验证我们的训练策略。结果显示其优于一些最先进的方法。具体而言，我们在 HyMap Cooke City 数据集上取得了 90.67% 的 AUC 分数。此外，我们将训练策略应用于其他深度网络结构，相比其原始版本实现了改进的检测性能，证明了其有效的可迁移性。我们的方法代码将发布于 https://github.com/enter-i-username/BiGSeT。
引用
@article{arxiv.2307.07428,
title = {BiGSeT: Binary Mask-Guided Separation Training for DNN-based Hyperspectral Anomaly Detection},
author = {Haijun Liu and Xi Su and Xiangfei Shen and Lihui Chen and Xichuan Zhou},
journal= {arXiv preprint arXiv:2307.07428},
year = {2023}
}
备注
13 pages, 13 figures, submitted to IEEE TRANSACTIONS ON IMAGE PROCESSING