通过混合卷积和基于变压器的U-Net与错误注意机制来检测超光谱异常

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:

• 超光谱异常检测识别具有独特光谱特征的像素.
• 现有的方法难以同时利用光谱和空间信息.
• 这种限制阻碍了传统的超光谱异常检测技术的性能.

研究的目的:

• 提出一个新的框架,HCT-Unet,用于增强超谱异常检测.
• 改进在高光谱图像 (HSI) 中同时利用光谱和空间信息.
• 克服传统异常检测方法的局限性.

主要方法:

• 开发了一个混合卷积和基于变压器的U-Net (HCT-Unet) 架构.
• 集成的卷积层用于局部特征提取和变压器用于远程依赖模型.
• 引入了适应性多尺度特征融合的错误注意机制,并提出了结合重建错误和SSIM的新异常评分.

主要成果:

• HCT-Unet架构有效地捕捉了本地和全球空间光谱相互作用.
• 错误注意机制显著提高了特征表示能力.
• 七个数据集的实验结果表明,与最先进的方法相比,性能优越.

结论:

• 拟议的HCT-Unet框架在超光谱异常检测方面取得了重大进展.
• 混合方法有效地解决了传统方法的局限性.
• 新的异常评分方法为像素异常识别提供了一个强大的措施.