Spektral-räumliche tiefe Unterstützungsvektordatenbeschreibung zur hyperspektralen Anomalieerkennung

Die hyperspektrale Anomalieerkennung (HAD) zielt darauf ab, Anomalien durch Hintergrundmodellierung vom Hintergrund zu unterscheiden. Deep Learning wurde auf HAD angewendet und erzielt vielversprechende Erkennungsergebnisse. Es gibt jedoch mehrere Probleme, die angegangen werden müssen: 1) unrealistische Gaussian-Annahmen über die latenten Darstellungen können ihre Anwendung einschränken; 2) tiefe Merkmale sind aufgrund der Trennung zwischen Merkmalserkennung und Anomalieerkennung nicht gut geeignet für die Anomalieerkennung; 3) Mangel an adäquater Ausnutzung spektral-räumlicher Merkmale; 4) negativer Effekt, der durch Redundanz spectraler Bänder verursacht wird. In diesem Artikel schlagen wir ein end-to-end trainierbares tiefes Ein-Klassen-Klassifikationsnetzwerk für HAD vor. Konkret wird eine minimale umschließende Hypersphäre trainiert, um die tiefen Merkmale der Hintergrundproben einzubeziehen. Diese Hintergrundproben werden durch eine dichte clustering-basierte Methode ausgewählt. Auf diese Weise werden Merkmalserkennung und Anomalieerkennung in ein einheitliches Framework integriert. Gleichzeitig gibt es keine explizite Gaussian-Annahme zu den Hintergrundmerkmalen. Darüber hinaus wird aufgrund der Komplementarität von spektralen und räumlichen Merkmalen eine neuartige Merkmalsfusionstrategie vorgeschlagen, um spektrale und räumliche Merkmale, die von einem zweistream tiefen konvolutionalen Autoencoder-Netzwerk extrahiert wurden, zu fusionieren. Schließlich wird ein Bandaufmerksamkeitsmodul verwendet, um automatisch kleine Gewichtungen für redundante Bänder zu lernen und somit den negativen Effekt, der durch redundante Bänder verursacht wird, zu reduzieren. Experimentelle Ergebnisse auf fünf öffentlichen Datensätzen zeigen die Überlegenheit der vorgeschlagenen Methode im Vergleich zu mehreren state-of-the-art HAD-Methoden in der Erkennungsleistung.