基于光谱偏离关系学习的一步式高光谱异常检测范式
计算机视觉与模式识别
2024-04-22 v1 人工智能
摘要
高光谱异常检测(HAD)旨在无需先验知识地识别光谱上偏离其周围环境的目標。近来,基于深度学习的方法因其强大的空间-光谱特征提取能力成为主流 HAD 方法。然而,当前的深度检测模型被优化以完成代理任务(两步范式),例如背景重建或生成,而非直接实现异常检测。这导致次优结果和较差的可迁移性,即深度模型在同一图像上训练与测试。本文提出一种无监督可迁移直接检测(TDD)模型,其直接针对异常检测任务优化(一步范式)且具有可迁移性。特别地,TDD 模型根据异常定义被优化以识别光谱偏离关系。与大多数模型学习特定背景分布不同,光谱偏离关系对不同图像具有通用性并保证模型可迁移性。为以无监督方式训练 TDD 模型,提出一种异常样本模拟策略以生成大量异常样本对。此外,设计全局自注意力模块与局部自注意力模块以帮助模型关注“光谱偏离”关系。TDD 模型在四个公开 HAD 数据集上得到验证。结果表明所提 TDD 模型能成功克服传统模型在单幅图像上训练与测试的局限,且模型具有强大的检测能力与优异的可迁移性。
引用
@article{arxiv.2303.12342,
title = {One-Step Detection Paradigm for Hyperspectral Anomaly Detection via Spectral Deviation Relationship Learning},
author = {Jingtao Li and Xinyu Wang and Shaoyu Wang and Hengwei Zhao and Liangpei Zhang and Yanfei Zhong},
journal= {arXiv preprint arXiv:2303.12342},
year = {2024}
}