RS DL
论文介绍
题目：Learning a Cross-modality Anomaly Detector for Remote Sensing Imagery
期刊：IEEE Transactions on Image Processing, IF = 10.8
论文：https://ieeexplore.ieee.org/abstract/document/10747828
代码：https://github.com/Jingtao-Li-CVer/UniADRS
创新点
跨模态异常检测模型：提出了无需依赖特定背景分布的跨模态异常检测模型UniADRS，通过学习图像无关的偏差度量，实现了不同模态之间的直接迁移检测能力。
大间隔排序损失：设计了像素级和特征级的大间隔损失函数，用于优化偏差排序，使得模型即使在未见样本中也能正确区分背景与异常。这一设计理论上保证了在有限的标记样本下实现模型的迁移能力。
异常模拟策略：在无监督设置中提出了一种异常模拟方法，通过在光谱和空间域中模拟异常样本，将原本的无监督异常检测任务转化为伪监督学习任务，确保模型在无真实异常样本的情况下依然能够有效训练。
适用于多模态的统一框架：模型能够在高光谱、可见光、SAR、红外和低光照等五种模态下工作，且无需针对特定模态或场景重新训练，具备零样本迁移能力。
数据
本文的数据集涵盖了五种模态，包括高光谱、可见光、SAR、红外和低光照图像，用于验证模型的跨模态异常检测能力。
高光谱数据：来自Cri数据集，以及WHU-Hi-Park和WHU-Hi-Station两个大规模无人机数据集，共包含82个场景，分辨率为4–8厘米。 可见光数据：从Google Earth中收集，分辨率为0.5–2米，图像尺寸为1044×915，包含100个场景，异常目标包括飞机等。 SAR数据：数据来源于高分三号卫星和哨兵一号卫星，分辨率为3–10米，图像尺寸为256×256，包含100个场景，异常目标主要为不同种类的船只。 红外数据：无具体传感器来源，图像尺寸为173×98或407×305，包含100个场景，异常目标包括车辆、微弱光源等。 低光照数据：拍摄于夜间，由Indigo NV-400-M传感器采集，图像尺寸为2048×2048，包含100个场景。
方法
本文提出的UniADRS模型通过图像无关的偏差度量学习、多尺度大间隔排序损失、异常模拟策略等，实现了跨模态异常检测。
像素级损失：直接优化像素偏差评分，确保异常像素的偏差分数更高，并在分类正确时也鼓励拉大异常与背景分数的差距。
特征级损失：在特征空间中将异常和背景分开，通过扩大特征间隔和紧缩特征分布，提升跨模态鲁棒性。
光谱模拟：通过光谱扰动生成模拟异常像素，训练模型分辨光谱异常。
空间模拟：生成包含大背景物体和小异常物体的图像，以提升模型的空间异常识别能力。
UniADRS采用端到端流程，不依赖复杂背景建模，通过图像分块加速推理，在各模态下均可快速检测，适用于实时和大规模遥感应用。
结果与分析
精度对比
可视化对比
更多图表分析可见原文
公众号欢迎优秀作者投稿！可加入优秀论文作者群：欢迎加入AI遥感优秀论文作者群！
问题及讨论可直接在文章下方留言
论文赏读 | TIP | TTST: 用于遥感超分辨率重建的可动态选择token的Transformer网络
欢迎关注
分享遥感与深度学习领域的技术、论文、书籍、新鲜事。
欢迎加入遥感与深度学习交流群(点此加入)。
