深度展开网络的高光谱异常探测

作     者：李晨玉 洪丹枫 张兵 LI Chenyu;HONG Danfeng;ZHANG Bing

作者机构：中国科学院空天信息创新研究院北京100094 东南大学数学学院南京210089 中国科学院大学电子电气与通信工程学院北京100049 中国科学院大学资源与环境学院北京100049 

出 版 物：《遥感学报》 (NATIONAL REMOTE SENSING BULLETIN)

年 卷 期：2024年第28卷第1期

页      面：69-77页

核心收录：

学科分类：0710[理学-生物学] 070801[理学-固体地球物理学] 07[理学] 08[工学] 0708[理学-地球物理学] 0816[工学-测绘科学与技术] 0812[工学-计算机科学与技术（可授工学、理学学位）] 

基　　金：国家自然科学基金(编号:42241109 42271350) 

主　　题：高光谱遥感影像 异常探测 深度展开 低秩表示(LRR) 交替方向乘子法(ADMM) 

摘      要：在现有基于物理模型的高光谱异常探测HAD(Hyperspectral Anomaly Detection)方法中,低秩表示LRR(Low-Rank Representation)模型以其强大的背景和目标特征分离能力而受到广泛的关注和采用。然而,由于依赖手动参数的选择以及较差的泛化性,导致其实际应用受到限制。为此,本文将LRR模型与深度学习技术相结合,提出了一种新的适用于HAD的基础深度展开网络,称为LRR-Net。该方法借助交替方向乘法ADMM(Alternating Direction Method of Multipliers)优化器高效地求解LRR模型,并将其求解步骤耦合至深度网络中以指导其搜索过程,为深度网络提供了一定的理论基础,具有较强的可解释性。此外,LRR-Net以端到端的方式将一系列正则化的参数转换为可学习的网络参数,从而避免了手动调参。4组不同的高光谱异常探测实验证明了LRR-Net的有效性,与其他无监督的异常探测方法相比,LRR-Net具有较强的泛化性和鲁棒性,能够提高HAD的精度。