Nearshore Underwater Target Detection Meets UAV-borne Hyperspectral Remote Sensing: A Novel Hybrid-level Contrastive Learning Framework and Benchmark Dataset

要約

UAV媒介性過敏症のリモートセンシングは、水中ターゲット検出（UTD）の有望なアプローチとして浮上しています。
ただし、その有効性は、沿岸環境でのスペクトルの歪みによって妨げられており、これにより、海底地形モデルに依存する従来のハイパースペクトルUTD（HUTD）メソッドの精度が損なわれます。
これらの歪みは、ターゲットとバックグラウンドスペクトルの重大な不確実性につながり、検出プロセスに挑戦します。
これに対処するために、沿岸地域の堅牢なHUTDの自己ペースの学習パラダイムと対照的な学習を統合する新しいフレームワークである、ハイパースペクトル水中対照学習ネットワーク（HUCLNET）を提案します。
Huclnetは、対照学習を通じて歪んだ極端なデータから識別的特徴を抽出しますが、自己ペースの学習戦略は最も有益なサンプルを選択的に優先します。
さらに、信頼性ガイド付きクラスタリング戦略は、学習した表現の堅牢性を高めます。方法の有効性を評価するために、さまざまな水タイプと濁度、ターゲットタイプを備えた3つの多様なシナリオをカバーする新しい近距離HUTDベンチマークデータセットATR2-HUTDを実施します。
広範な実験は、Huclnetが最先端の方法を大幅に上回ることを示しています。
データセットとコードは、https：//github.com/qjh1996/hutdで公開されます

要約(オリジナル)

UAV-borne hyperspectral remote sensing has emerged as a promising approach for underwater target detection (UTD). However, its effectiveness is hindered by spectral distortions in nearshore environments, which compromise the accuracy of traditional hyperspectral UTD (HUTD) methods that rely on bathymetric model. These distortions lead to significant uncertainty in target and background spectra, challenging the detection process. To address this, we propose the Hyperspectral Underwater Contrastive Learning Network (HUCLNet), a novel framework that integrates contrastive learning with a self-paced learning paradigm for robust HUTD in nearshore regions. HUCLNet extracts discriminative features from distorted hyperspectral data through contrastive learning, while the self-paced learning strategy selectively prioritizes the most informative samples. Additionally, a reliability-guided clustering strategy enhances the robustness of learned representations.To evaluate the method effectiveness, we conduct a novel nearshore HUTD benchmark dataset, ATR2-HUTD, covering three diverse scenarios with varying water types and turbidity, and target types. Extensive experiments demonstrate that HUCLNet significantly outperforms state-of-the-art methods. The dataset and code will be publicly available at: https://github.com/qjh1996/HUTD

arxiv情報

提供元, 利用サービス

arxiv.jp, Google