摘要
高光谱遥感是遥感科学的一项前沿技术手段，即能成像又能测谱，是遥感科技发展的重大突破。高光谱遥感图像中的每个像元都对应一条近乎连续的光谱曲线，可以反映物质的诊断性光谱吸收差异，为地物信息精确提取提供丰富的光谱信息。高光谱目标检测作为高光谱遥感图像的优势应用之一，受到人们的广泛关注，在国民经济与军事领域有着重要的应用。近年来，随着我国“高分五号”等卫星及航空平台的高光谱数据持续获取能力的不断提升以及深度学习理论的不断发展，高光谱目标检测也将向着大数据驱动的智能化地物信息提取发展。因此，研究基于深度学习的高光谱目标检测方法迫在眉睫。然而基于深度学习的高光谱目标检测方法受限于先验信息的匮乏。为此，本文分别从监督学习、自监督学习和无监督学习的角度出发，研究以下内容： （1）针对现有的基于深度迁移学习的高光谱目标检测方法受限于源域模型知识迁移到目标域中的适应性与泛化能力导致目标检测精度不高的问题，提出一种基于监督元学习和孪生网络的高光谱目标检测方法。该方法从监督学习角度出发，利用设计的三通道深度残差卷积孪生网络与光谱三重态损失函数使模型能鉴别光谱之间的异同，以元学习的方式使用源域已知标签信息的高光谱数据训练三通道深度残差卷积孪生网络获得公共光谱鉴别性元知识。然后将在源域获得的元知识用于目标域的检测任务，提升源域模型知识迁移到目标域检测任务上的适应性与泛化能力，得到更高的目标检测精度。 （2）针对基于深度学习的高光谱目标检测方法受限于先验信息匮乏的问题，提出一种基于自监督光谱级对比学习的高光谱目标检测方法。该方法从自监督学习的角度出发，首先设计带有光谱残差通道注意力机制的对抗性卷积自编码器进行光谱数据增强，以从待检测光谱数据本身得到用于构建光谱判别代理任务的增强样本，摆脱深度模型对监督信息的依赖。然后构建光谱级对比学习模型进行光谱异同鉴别能力学习，以使模型具备分辨与先验目标光谱异同的能力。最后通过二维变换域递归滤波器实现谱-空联合进行背景抑制。 （3）为了使模型关注光谱的全局与局部信息，提出一种基于无监督动量光谱对比学习和 Transformer 网络的高光谱目标检测方法。该方法从无监督学习角度出发，通过无监督动量光谱对比学习进行光谱鉴别能力学习，并构建一种基于 Transformer 的光谱特征提取编码器网络，设计重叠光谱块嵌入和交互token前馈层来帮助网络在关注光谱长距离依赖关系和自相似性的同时，不忽略光谱中的局部细节信息。最后通过指数与归一化，幂函数与归一化操作实现保持目标的同时抑制背景。 本论文从主观评价和客观评价两个方面对提出的三种高光谱目标检测方法进行评估，并在公共高光谱数据集上进行实验，结果验证了本文提出的三种高光谱目标检测方法的有效性。
NETL