深度展开网络的高光谱异常探测

在现有基于物理模型的高光谱异常探测HAD(Hyperspectral Anomaly Detection)方法中,低秩表示LRR(Low-Rank Representation)模型以其强大的背景和目标特征分离能力而受到广泛的关注和采用。然而,由于依赖手动参数的选择以及较差的泛化性,导致其实际应用受到限制。为此,本文将LRR模型与深度学习技术相结合,提出了一种新的适用于HAD的基础深度展开网络,称为LRR-Net。该方法借助交替方向乘法ADMM(Alternating Direction Method of Multipliers)优化器高效地求解LRR模型,并将其求解步骤耦合至深度网络中以指导其搜索过程,为深度网络提供了一定的理论基础,具有较强的可解释性。此外,LRR-Net以端到端的方式将一系列正则化的参数转换为可学习的网络参数,从而避免了手动调参。4组不同的高光谱异常探测实验证明了LRR-Net的有效性,与其他无监督的异常探测方法相比,LRR-Net具有较强的泛化性和鲁棒性,能够提高HAD的精度。