基于自监督异常先验的高光谱异常检测
计算机视觉与模式识别
2024-04-23 v1 机器学习
摘要
大多数现有高光谱异常检测 (HAD) 方法使用低秩表示 (LRR) 模型来分离背景和异常成分，其中异常成分通过手工稀疏先验（如 -范数）进行优化。然而，这种方法不理想，因为它们忽略了异常中存在的空间结构，使得检测结果很大程度上依赖于手动设置的稀疏性。为解决这些问题，我们提出一种自监督网络，称为自监督异常先验 (SAP)，重新定义 LRR 模型中异常成分的优化准则。该先验通过自监督学习的预文本任务获得，该任务定制化以学习高光谱异常的特征。具体而言，该预文本任务是一种分类任务，用于区分原始高光谱图像 (HSI) 和伪异常 HSI，后者由从原始 HSI 生成，设计为具有任意多边形基底和任意光谱带的棱柱。此外，提出一种双重净化策略，以丰富背景词典，提供更精细的背景表示，从而促进异常从复杂背景中的分离。在 various 高光谱数据集上的大量实验表明，所提 SAP 方法比其他先进 HAD 方法更准确且更具可解释性。
引用
@article{arxiv.2404.13342,
title = {Hyperspectral Anomaly Detection with Self-Supervised Anomaly Prior},
author = {Yidan Liu and Weiying Xie and Kai Jiang and Jiaqing Zhang and Yunsong Li and Leyuan Fang},
journal= {arXiv preprint arXiv:2404.13342},
year = {2024}
}