Low-Rank Representations Meets Deep Unfolding: A Generalized and Interpretable Network for Hyperspectral Anomaly Detection

要約

現在のハイパースペクトル異常検出 (HAD) ベンチマーク データセットは、解像度が低く、背景が単純で、検出データのサイズが小さいという問題があります。
これらの要因は、背景とターゲットの特徴の分離と手動パラメーター選択への依存性の観点から、よく知られている低ランク表現 (LRR) モデルのパフォーマンスも制限します。
この目的を達成するために、複雑なシナリオにおける HAD アルゴリズムの堅牢性を向上させるための新しい HAD ベンチマーク データセット (略して AIR-HAD) を構築します。
したがって、LRR-Net$^+$という辞書学習可能なLLRモデルを深く展開することにより、一般化された解釈可能なHADネットワークを提案します。このモデルは、より一般化された方法で背景構造とオブジェクトのプロパティをスペクトル的に分離し、バイアスを排除することができます。
重要な干渉ターゲットによって同時に導入されます。
さらに、LRR-Net$^+$ は、Alternating Direction Method of Multipliers (ADMM) オプティマイザーのソリューション プロセスをディープ ネットワークと統合し、その検索プロセスをガイドし、パラメーターの最適化に一定レベルの解釈可能性を与えます。
さらに、物理モデルと DL 技術を統合することで、手動でパラメータを調整する必要がなくなります。
手動で調整されたパラメーターは、ディープ ニューラル ネットワークのトレーニング可能なパラメーターにシームレスに変換され、より効率的で自動化された最適化プロセスが促進されます。
AIR-HADデータセットに対して行われた広範な実験により、トップパフォーマンスのライバルと比較して、検出性能と一般化能力の点で当社のLRR-Net$^+$が優れていることが示されました。
さらに、このペーパーに記載されているコンパイル可能なコードと AIR-HAD ベンチマーク データセットは、\url{https://sites.google.com/view/danfeng-hong} から自由かつオープンに利用できるようになります。

要約(オリジナル)

Current hyperspectral anomaly detection (HAD) benchmark datasets suffer from low resolution, simple background, and small size of the detection data. These factors also limit the performance of the well-known low-rank representation (LRR) models in terms of robustness on the separation of background and target features and the reliance on manual parameter selection. To this end, we build a new set of HAD benchmark datasets for improving the robustness of the HAD algorithm in complex scenarios, AIR-HAD for short. Accordingly, we propose a generalized and interpretable HAD network by deeply unfolding a dictionary-learnable LLR model, named LRR-Net$^+$, which is capable of spectrally decoupling the background structure and object properties in a more generalized fashion and eliminating the bias introduced by vital interference targets concurrently. In addition, LRR-Net$^+$ integrates the solution process of the Alternating Direction Method of Multipliers (ADMM) optimizer with the deep network, guiding its search process and imparting a level of interpretability to parameter optimization. Additionally, the integration of physical models with DL techniques eliminates the need for manual parameter tuning. The manually tuned parameters are seamlessly transformed into trainable parameters for deep neural networks, facilitating a more efficient and automated optimization process. Extensive experiments conducted on the AIR-HAD dataset show the superiority of our LRR-Net$^+$ in terms of detection performance and generalization ability, compared to top-performing rivals. Furthermore, the compilable codes and our AIR-HAD benchmark datasets in this paper will be made available freely and openly at \url{https://sites.google.com/view/danfeng-hong}.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google