自主监督的蒙面图形自编码器用于超谱异常检测

科学领域:

• 遥感 遥感 遥感 遥感
• 计算机视觉 计算机视觉
• 人工智能的人工智能

背景情况:

• 超光谱异常检测是具有挑战性的,因为难以注释目标.
• 基于自动编码器 (AE) 的方法在图像重建方面表现出色,但在远程依赖和非欧几里德数据方面存在困难.
• 传统的基于网格的方法无法在超光谱图像中捕捉复杂的空间光谱关系.

研究的目的:

• 提出一种用于超光谱异常检测的新型自我监督方法.
• 解决现有方法在捕获远程依赖和非欧几里德结构方面的局限性.
• 为了提高异常检测在超光谱图像中的准确性和稳定性.

主要方法:

• 提出了一个掩盖图形自编码器 (MGAE) 框架,使用图形注意网络 (GAT) 自编码器.
• 为高光谱图像构建一个拓图形结构,由GAT自编码器使用多头注意力机制处理.
• 引入了重新掩盖策略和带有图形拉普拉斯规则化的新损失函数 (Twice Loss),以增强重建并防止微不足道的解决方案.

主要成果:

• MGAE模型有效地重建了高光谱图像的背景.
• 与现有技术相比,该方法在识别异常目标方面表现优异.
• 在多个现实世界的超光谱数据集上的实验结果验证了MGAE的有效性.

结论:

• MGAE为超光谱异常检测提供了强大而有效的解决方案.
• 拟议的自我监督方法克服了高光谱图像分析的关键挑战.
• 图形注意力网络和掩盖策略的整合显著推动了这一领域的发展.