RS DL
介绍
https://ieeexplore.ieee.org/document/10747828 （IEEE TIP 2024）
https://ieeexplore.ieee.org/abstract/document/10506667 （IEEE TGRS 2024）
https://ieeexplore.ieee.org/abstract/document/10630639（IEEE TGRS 2024）
代码：
https://github.com/Jingtao-Li-CVer/TDD
https://github.com/Jingtao-Li-CVer/UniADRS
摘要
遥感异常目标探测技术无需任何先验信息，即可探测与背景存在显著性光谱或空间特性偏离的异常像元，对新型伪装目标、水下未知目标等具备探测能力。然而，一直以来，遥感异常探测局限于单个场景、单个模态的自我训练测试，无法满足实际应用的即时探测要求。为此，我们从异常探测基本原理做出创新，打破现有探测器特定背景学习范式，提出异常与背景跨场景、跨模态不变的偏离关系学习范式，并具象化为多个零样本/可迁移探测器（相关逻辑关系见图1所示），相关成果收录于IEEE TIP 1篇与TGRS 2篇。
异常目标与背景偏离关系学习理论
研究成果1：跨场景高光谱异常探测
在该成果中，我们关注高光谱模态的可迁移异常目标探测，提出单步探测模式。相较于传统“背景分布学习-低概率异常分离”的探测模式，所提模式仅需在模拟光谱偏离样本上进行单次训练，即可迁移探测任何波段、场景的高光谱影像。图2展示了单步探测的关键创新。
论文：https://ieeexplore.ieee.org/abstract/document/10506667 代码：https://github.com/Jingtao-Li-CVer/TDD
图2(a) 所提高光谱异常单步检测范式。(b)定性对比实验，实例化的TDD模型可直接测试多个场景，而传统模型需要逐影像训练测试。
研究成果2：跨模态、跨场景遥感异常探测
在该工作中，我们基于研究成果1的跨场景能力，进一步构建了同时具备跨模态、跨场景能力的遥感异常探测器。我们首先从理论层次上证明了：在模拟偏离样本上满足最大排序间隔，是保证未见模态、场景上异常得分偏离关系仍然满足的关键（论文定理1）。基于此，构建海量光谱异常与空间异常模拟方案，设计像素级与特征级大间隔偏离排序损失，训练通用遥感异常探测器。图3给出了探测器训练框架，图4给出了5个模态上的定性对比实验。
论文：https://ieeexplore.ieee.org/abstract/document/10747828
代码：https://github.com/Jingtao-Li-CVer/UniADRS
图3 跨模态、跨场景遥感异常探测器训练框架
图4 在5种模态上进行定性比较实验。实例化探测器直接推理所有模态，而传统模型逐模态训练测试。
研究成果3：实例级遥感异常探测
在该研究成果中，我们构建了实例级的遥感异常探测器，相较于传统像素级结果，实例级探测可有效抑制虚警，且支持异常目标计数功能。由于遥感异常目标往往种类未知、多样，导致现有为固定类被个数设计的query-based实例分割模型难以直接应用。为此，我们提供适用任意query-based架构的通用适配方案，基于研究成果2的像素级异常探测图，引导实例分割模型的query生成与embedding编码，从特定类别分布学习转为偏离感知的异常目标分布学习。图5展示了所提适配方案的基本框架，图6展示了定性对比结果。
论文：https://ieeexplore.ieee.org/abstract/document/10630639 代码：https://github.com/Jingtao-Li-CVer/Adaptation_For_Instance_Anomalies
图5 所提实例级异常目标探测的通用适配方案
图6 定性对比实验。以Mask2Former和Mask DINO为基准架构测试
公众号欢迎优秀作者投稿！投稿说明请查看：投稿说明
2024-11-15
2024-11-11
问题及讨论可在文章下方留言
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)。
