目的 自编码器作为一种无监督的特征提取算法,可以在无标签的条件下学习到样本的高阶、稠密特征.然而当训练集含噪声或异常时,会迫使自编码器学习这些异常样本的特征,导致性能下降.同时,自编码器应用于高光谱图像处理时,往往会忽略掉空域信息,进一步限制了自编码器的探测性能.针对上述问题,本文提出一种基于空域协同自编码器的高光谱异常检测算法.方法 利用块图模型优良的背景抑制能力从空域角度筛选用于自编码器训练的背景样本集.自编码器采用经预筛选的训练样本集进行网络参数更新,在提升对背景样本表达能力的同时避免异常样本对探测性能的影响.为进一步将空域信息融入探测结果,利用块图模型得到的异常响应构建权重,起到突出目标并抑制背景的作用.结果 实验在3组不同尺寸的高光谱数据集上与5种代表性的高光谱异常检测算法进行比较.本文方法在3组数据集上的AUC(area under the curve)值分别为0.9904、0.9888和0.9970,均高于其他算法.同时,对比了不同的训练集选择策略,与随机选取和使用全部样本进行对比.结果 表明,本文基于空域响应的样本筛选方法相较对比方法具有较明显的优势.结论 提出的基于空域协同自编码器的高光谱异常检测算法从空域角度筛选样本以提升自编码器区分异常与背景的能力,同时融合了光谱域和空域信息,进一步提升了异常检测性能.
Spatial-coordinated autoencoder for hyperspectral anomaly detection
NETL
NSTL
万方数据
维普
