基于自编码器的 hyperspectral 异常变化检测
图像与视频处理
2020-10-28 v1 计算机视觉与模式识别
摘要
随着高光谱成像技术的发展，高光谱数据提供了丰富的光谱信息，并在地质调查、植被分析和军事侦察中发挥着更重要的作用。与常规变化检测不同，高光谱异常变化检测（HACD）有助于发现多时相高光谱图像（HSI）之间那些微小但重要的异常变化。在以往的工作中，大多数经典方法使用线性回归建立两幅 HSI 之间的映射关系，然后从残差图像中检测异常。然而，多时相 HSI 之间真实的光谱差异很可能是相当复杂且非线性的，导致这些线性预测器的性能受限。本文提出一种基于自编码器（ACDA）的原始 HACD 算法以给出非线性解决方案。所提出的 ACDA 在面对复杂成像条件时能够构建有效的预测器模型。在 ACDA 模型中，部署两个系统化的自编码器（AE）网络从两个方向构建两个预测器。该预测器用于对背景的光谱变化建模，以获得另一成像条件下的预测图像。随后计算预测图像与相应期望图像之间的均方误差（MSE）以得到损失图，其中未变化像素的光谱差异被高度抑制而异常变化被突出。最终，我们取两个方向的两张损失图的最小值作为最终的异常变化强度图。在公开“Viareggio 2013”数据集上的实验结果表明了该方法相对于传统方法的效率与优越性。
引用
@article{arxiv.2010.14119,
title = {Hyperspectral Anomaly Change Detection Based on Auto-encoder},
author = {Meiqi Hu and Chen Wu and Liangpei Zhang and Bo Du},
journal= {arXiv preprint arXiv:2010.14119},
year = {2020}
}
备注
11 pages,9 figures,3 tables