CL-CaGAN：基于胶囊微分对抗性连续学习的跨域 hyperspectral 异常检测
计算机视觉与模式识别
2025-05-20 v1 人工智能
图像与视频处理
摘要
异常检测（AD）在遥感图像（HSI）处理领域吸引了广泛关注，大多数现有的深度学习（DL）基于算法在特定训练情境下指示潜在的检测异常样本的潜力。然而，limited prior information和catastrophic forgetting问题指明了现有DL结构在开放情境下跨域检测中的关键挑战。为提高检测性能，提出了一种新的基于连续学习的胶囊微分生成对抗网络（CL-CaGAN），用于提升跨情境学习性能，以促进DL-based结构在hyperspectral AD（HAD）任务中的实际应用。首先，构建了带有对抗学习网络的修改胶囊结构，用于估计背景分布以克服先验信息的不足。为缓解catastrophic forgetting现象，集成了基于聚类的样本回放策略和设计的额外自蒸馏正则化，用于合并连续AD任务中的历史和未来知识，同时通过精心设计的结构保留从以前检测情境到当前情境的辨识学习能力。此外，施加了可微的增强，以提高训练数据的生成性能。进一步地，这稳定了训练过程，收敛性更好，有效地巩固了背景样本的重建能力。为验证我们提出的CL-CaGAN的有效性，我们在几个真实HSIs上进行了实验，结果表明，所提出的CL-CaGAN在跨域情境下表现出更高的检测性能和持续学习能力，以有效缓解catastrophic forgetting。
引用
@article{arxiv.2505.11793,
title = {CL-CaGAN: Capsule differential adversarial continuous learning for cross-domain hyperspectral anomaly detection},
author = {Jianing Wang and Siying Guo and Zheng Hua and Runhu Huang and Jinyu Hu and Maoguo Gong},
journal= {arXiv preprint arXiv:2505.11793},
year = {2025}
}