新型高光谱异常检测方法可有效抑制背景检出异常
近日，西安电子科技大学物理学院周慧鑫教授团队针对现有基于重建背景的深度学习网络复杂且参数较多而运行效率低的问题，提出了一种基于残差学习和背景估计的轻量级卷积神经网络（CNN）。相关研究成果发表在International Journal of Applied Earth Observation and Geoinformation上。
高光谱图像（HSI）因具备丰富的光谱分辨率特性，在遥感、环境监测、精细农业等领域得到了广泛的应用。其中高光谱异常检测作为一种无监督的目标检测任务，在无目标光谱先验知识的条件下，可实现高光谱数据中的目标预定位，因而具有很强的实际应用价值。
与高光谱异常检测传统方法不同，该检测方法转变了网络的学习任务，直接学习异常特征而非重建背景特征，并引入非中心卷积结构与联合损失，有效地降低了网络参数，同时提高了检测推理的效率，进而实现了在有限参数量下，可有效地抑制背景并检出异常，获得了先进的异常检测性能，并为算法的转化应用奠定了良好的基础。
?
相关论文信息：https://doi.org/10.1016/j.jag.2024.104069
版权声明：凡本网注明“来源：中国科学报、科学网、科学新闻杂志”的所有作品，网站转载，请在正文上方注明来源和作者，且不得对内容作实质性改动；微信公众号、头条号等新媒体平台，转载请联系授权。邮箱：shouquan@stimes.cn。
