Niedrigrangige Darstellungen treffen auf tiefes Entfalten: Ein generalisiertes und interpretiertes Netzwerk zur hyperspektralen Anomalieerkennung

Aktuelle hyperspektrale Anomalieerkennungs-(HAD)-Benchmark-Datensätze leiden unter niedriger Auflösung, einfachem Hintergrund und kleiner Größe der Erkennungsdaten. Diese Faktoren schränken auch die Leistung der bekannten Niedrigrangigen Repräsentations-(LRR)-Modelle in Bezug auf die Robustheit bei der Trennung von Hintergrund- und Zielmerkmalen und der Abhängigkeit von manueller Parameterwahl ein. Zu diesem Zweck erstellen wir einen neuen Satz von HAD-Benchmark-Datensätzen zur Verbesserung der Robustheit des HAD-Algorithmus in komplexen Szenarien, kurz AIR-HAD. Dementsprechend schlagen wir ein generalisiertes und interpretiertes HAD-Netzwerk vor, indem wir ein dictionary-learnable LLR-Modell tief entfalten, genannt LRR-Net^+, das in der Lage ist, die Hintergrundstruktur und die Objektmerkmale auf eine allgemeinere Weise spektral zu entkoppeln und den durch wesentliche Störtergebnisse eingeführten Bias gleichzeitig zu beseitigen. Darüber hinaus integriert LRR-Net^+ den Lösungsprozess des Alternating Direction Method of Multipliers (ADMM)-Optimierers mit dem tiefen Netzwerk, was seinen Suchprozess leitet und eine Interpretierbarkeit bei der Parameteroptimierung vermittelt. Zudem beseitigt die Integration physikalischer Modelle mit DL-Techniken die Notwendigkeit der manuellen Parametertuning. Die manuell justierten Parameter werden nahtlos in trainierbare Parameter für tiefe neuronale Netzwerke umgewandelt, was einen effizienteren und automatisierten Optimierungsprozess erleichtert. Umfangreiche Experimente, die auf dem AIR-HAD-Datensatz durchgeführt wurden, zeigen die Überlegenheit unseres LRR-Net^+ in Bezug auf die Erkennungsleistung und Generalisierungsfähigkeit im Vergleich zu leistungsstarken Mitbewerbern. Darüber hinaus werden die kompilierbaren Codes und unsere AIR-HAD-Benchmark-Datensätze in diesem Papier kostenlos und offen unter https://sites.google.com/view/danfeng-hong zur Verfügung gestellt.