仅训练一次：基于随机掩码学习通用异常增强网络的高光谱异常检测
图像与视频处理
2023-04-03 v1 计算机视觉与模式识别
摘要
本文提出一种新方法，以应对高光谱异常检测（AD）中的泛化挑战。我们的方法消除了大多数现有方法所需的在新测试场景上调整参数或重新训练的需要。采用图像级训练范式，我们实现了一种用于高光谱异常检测的通用异常增强网络，只需训练一次。我们的网络在带有随机掩码的一组无异常高光谱图像上训练，能够以无监督方式学习异常与背景之间的空间上下文特征。此外，提出了一个即插即用模型选择模块，用于搜索比原始数据更适合 AD 任务的空间-光谱变换域。为建立统一基准以全面评估我们的方法与现有方法，我们构建了大规模高光谱异常检测数据集（HAD100），包含 100 个具有多样异常目标的真实测试场景。在对比实验中，我们将我们的网络与无参数检测器结合，在最优异常检测方法中实现了检测精度与推理速度之间的最优平衡。实验结果还表明，当训练集与测试集由不同传感器设备采集时，我们的方法仍具有竞争力。我们的代码见 https://github.com/ZhaoxuLi123/AETNet。
引用
@article{arxiv.2303.18001,
title = {You Only Train Once: Learning a General Anomaly Enhancement Network with Random Masks for Hyperspectral Anomaly Detection},
author = {Zhaoxu Li and Yingqian Wang and Chao Xiao and Qiang Ling and Zaiping Lin and Wei An},
journal= {arXiv preprint arXiv:2303.18001},
year = {2023}
}