物理与光电工程学院涂兵教授团队在IEEE Transactions on Image Processing期刊发表题为“Multi-scale autoencoder suppression strategy for hyperspectral image anomaly detection”的论文。
高光谱异常检测在环境监测、国防安全等领域应用广泛，但传统方法在复杂场景下易受背景干扰，检测精度受限。基于自编码器的异常检测方法虽有效，但普遍存在两大难题：一是难以有效提取和利用高光谱图像中的多尺度空间-光谱特征；二是自编码器往往会精确重建异常像素，导致基于重构误差的检测机制失效。
该研究提出一种用于高光谱异常检测的多尺度自编码器抑制策略（MASS）。具体而言，设计了一种融合常规卷积与全维动态卷积（ODConv）的局部特征提取器，结合基于Transformer的全局特征提取器，以充分捕获不同尺度的上下文信息；针对异常重建问题，提出了自注意力抑制模块（SAS），通过计算像素间关联性并掩蔽低注意力权重区域，在特征空间中抑制异常表征；此外，引入覆盖感知损失函数（Cover-Aware Loss），在训练过程中动态忽略疑似异常区域，引导网络专注于背景重构。在公开数据集上的实验表明，该方法在检测精度与鲁棒性上均优于现有主流算法。
图| MASS框架流程图
文章链接:
https://ieeexplore.ieee.org/stamp/stamp.jsptp=&arnumber=11121566
