西安電子科技大學(xué)物理學(xué)院周慧鑫教授團(tuán)隊在高光譜異常檢測領(lǐng)域取得重要進(jìn)展，在地球科學(xué)領(lǐng)域國際權(quán)威期刊《International Journal of Applied Earth Observation and Geoinformation》（中科院I區(qū)TOP期刊，JCR Q1，IF=7.6）和人工智能領(lǐng)域頂級期刊《Expert Systems with Applications》（中科院I區(qū)TOP期刊，JCR Q1，IF=7.5）先后發(fā)表兩篇最新研究成果，2023級博士生趙哲為第一作者，青年教師宋江魯奇為通訊作者。

　　第一篇論文“Multi-scale frequency-guided two-stream network for hyperspectral anomaly detection”針對高光譜圖像中異常目標(biāo)與背景具有不同屬性的問題，設(shè)計了基于頻率分解引導(dǎo)雙路網(wǎng)絡(luò)（MFTNet）的高光譜異常檢測算法。

　　該方法核心創(chuàng)新點如下：

　　頻率分解模塊

　　雙支路特征重構(gòu)

　　馬氏距離檢測機(jī)制

　　該方法在多個高光譜數(shù)據(jù)集上均取得了優(yōu)異性能，特別是在復(fù)雜背景下的異常目標(biāo)檢測方面表現(xiàn)突出。

　　第二篇論文“Hyperspectral Anomaly Detection via Cascaded Convolutional Autoencoders with Adaptive Pixel-level Attention”主要針對現(xiàn)有方法對圖像中高層語義信息利用不足并導(dǎo)致異常與背景不能有效分離的問題，提出了一種基于像素注意力機(jī)制與級聯(lián)自編碼器（CAPNet）的高光譜異常檢測算法。

　　該方法的主要創(chuàng)新點如下：

　　級聯(lián)自編碼結(jié)構(gòu)

　　像素級注意力模塊

　　基于重構(gòu)誤差的異常判別策略

　　實驗結(jié)果表明，該方法在檢測精度與泛化能力方面均優(yōu)于現(xiàn)有主流方法，適用于多種典型高光譜應(yīng)用場景。

---

轉(zhuǎn)載請注明來自：http://www.jinnzone.com/qikanzhishi/80131.html