Fusión profunda de características basada en atención para la detección de objetivos hiperespectrales

Área de la Ciencia:

• Teledetección
• Visión por Computadora
• Procesamiento de Señales

Sus antecedentes:

• La detección de objetivos hiperespectrales enfrenta desafíos como la alta dimensionalidad, la variabilidad del fondo y el desequilibrio de clases.
• Los métodos existentes luchan por integrar eficazmente el contexto global y los detalles locales.

Objetivo del estudio:

• Proponer un marco novedoso, Fusión de Características de Autoatención y Atención Cruzada (SCAFF), para la detección robusta de objetivos hiperespectrales.
• Abordar los desafíos de la dimensionalidad espectral, la variabilidad del fondo y el desequilibrio de clases.

Principales métodos:

• Un marco basado en parches que integra una rama impulsada por atención (para dependencias intra e inter-parches) y una rama convolucional (para patrones locales).
• Uso conjunto de Autoatención y Atención Cruzada para centrarse en regiones de objetivos potenciales y mitigar el desequilibrio de clases.
• Un filtro guiado mejorado para refinar la consistencia espacial del mapa de detección en el posprocesamiento.

Principales resultados:

• SCAFF demostró una precisión y estabilidad superiores en cuatro conjuntos de datos de referencia.
• Se lograron mejoras de rendimiento de hasta el 15% en comparación con los métodos de vanguardia.
• Se validó la eficacia y robustez del método propuesto para aplicaciones prácticas.

Conclusiones:

• SCAFF equilibra eficazmente la modelización del contexto global con la representación local detallada.
• Los mecanismos de atención guían adaptativamente el enfoque, mejorando la discriminabilidad y mitigando el desequilibrio de clases.
• El método propuesto ofrece una solución robusta para desafiantes tareas de detección de objetivos hiperespectrales.