低秩表示与深度展开相遇：一种用于高光谱异常检测的广义可解释网络
图像与视频处理
2024-02-26 v1 计算机视觉与模式识别
机器学习
摘要
当前高光谱异常检测（HAD）基准数据集存在分辨率低、背景简单和检测数据规模小的问题。这些因素也限制了著名的低秩表示（LRR）模型在背景与目标特征分离的鲁棒性以及对人工参数选择的依赖方面的性能。为此，我们构建了一套新的HAD基准数据集，用于提高HAD算法在复杂场景中的鲁棒性，简称AIR-HAD。相应地，我们通过深度展开一个可字典学习的LLR模型，提出了一种广义且可解释的HAD网络，命名为LRR-Net，该网络能够以更广义的方式光谱解耦背景结构和目标属性，同时消除关键干扰目标引入的偏差。此外，LRR-Net将交替方向乘子法（ADMM）优化器的求解过程与深度网络集成，指导其搜索过程，并为参数优化赋予一定程度的可解释性。另外，物理模型与深度学习技术的结合消除了手动参数调整的需要。手动调整的参数无缝转化为深度神经网络的可训练参数，促进了更高效和自动化的优化过程。在AIR-HAD数据集上进行的大量实验表明，与性能最佳的竞争对手相比，我们的LRR-Net在检测性能和泛化能力方面具有优越性。此外，本文中的可编译代码和我们的AIR-HAD基准数据集将在\url{https://sites.google.com/view/danfeng-hong}上免费公开。
引用
@article{arxiv.2402.15335,
title = {Low-Rank Representations Meets Deep Unfolding: A Generalized and Interpretable Network for Hyperspectral Anomaly Detection},
author = {Chenyu Li and Bing Zhang and Danfeng Hong and Jing Yao and Jocelyn Chanussot},
journal= {arXiv preprint arXiv:2402.15335},
year = {2024}
}