Improved Hyperspectral Anomaly Detection via Unsupervised Subspace Modeling in the Signed Cumulative Distribution Transform Domain
计算机视觉与模式识别
2025-10-02 v1 信号处理
摘要
hyperspectral 异常检测 (HAD) 是许多民用和军事应用的关键方法，旨在识别与大多数背景光谱签名不相称的像素。尽管已努力改进 HAD 技术，但由于复杂的实际环境以及按定义限定了对感兴趣潜在光谱签名的先验知识，仍面临挑战。本文提出一种新型 HAD 方法，通过提出一种描述给定高光谱图像像素组成的基于运输的数学模型。在此方法中，高光谱像素被视为在未知变形下对模板模式的观察，这使其在已签名累积分布变换 (SCDT) 域中的表示成为可能。随后使用无监督子空间建模技术在此域中构建丰富背景信号的模型，其中异常信号则被检测为与所学模型的偏离。跨五个不同数据集的全面评估表明，我们的方法优于最新方法。
引用
@article{arxiv.2510.00148,
title = {Improved Hyperspectral Anomaly Detection via Unsupervised Subspace Modeling in the Signed Cumulative Distribution Transform Domain},
author = {Abu Hasnat Mohammad Rubaiyat and Jordan Vincent and Colin Olson},
journal= {arXiv preprint arXiv:2510.00148},
year = {2025}
}
备注
8 pages, 8 figures