高光谱目标检测是一个像素级的识别问题。给定几个目标样本,它旨在从整个高光谱图像中识别特定的目标像素,例如飞机、车辆、船舶。一般来说,背景像素占图像的大部分并且分布复杂。结果,数据集的注释很弱并且非常不平衡。为了解决这些问题,为高光谱数据设计了一种基于光谱混合的自监督范式,以获得有效的特征表示。该模型采用 基于光谱相似性的匹配网络框架。为了学习更多的判别特征,采用 基于对的损失 来最小化目标像素之间的距离,同时最大化目标和背景之间的距离。此外,通过背景分离步骤,将复杂的未标记光谱 下采样为不同的子类别。在三个真实高光谱数据集上的实验结果表明,与现有检测器相比,本文所提出的框架取得了更好的结果。
高光谱技术在遥感中发挥着重要作用[1, 2]。高光谱图像 (HSI) 包括空间信息和光谱信息。由于光谱中包含丰富的信息,高光谱图像在检测像素较少的小目标方面具有很大的优势。高光谱图像中的目标检测是一个非常实用和重要的研究领域[3, 4]。与目标检测不同,高光谱目标检测是 像素级的 一类的one-class 分类问题。给定几个目标像素,它旨在从整个图像中识别所有目标像素[5]。尽管 HSI 具有丰富的光谱信息,但这是一项相当具有挑战性的任务,因为 数百个光谱维度往往会产生数据冗余 并显著 增加计算消耗。目标通常非常小,并且被大而复杂的背景包围,更不用说一些背景像素与目标非常相似。更糟糕的是,图像的注释很弱,因为只给出了少量的目标像素。考虑到背景占据了图像的大部分,目标和背景像素非常不平衡。
文献[6,7,8]中高光谱目标检测的发展稳定。早期的工作 直接采用光谱 作为像素的表示,并通过 简单的信号处理 或 稀疏编码算法 检测目标像素[9, 10]。最近,受深度学习在计算机视觉任务中取得巨大成功的启发,深度神经网络已被用于 学习更多的 判别表示[11]。尽管实现了更好的性能,但这些方法也存在 缺乏注释数据 以及 样本极度不平衡 的问题。其中一些 采用同心concentric窗口的方法 将局部背景像素 和 给定的目标像素结合起来。与周围环境差异较大 且与给定目标相似的中心像素 将被视为目标。但是,这种方法是