研究目的
提出一种基于堆叠自编码器的自适应子空间模型（SAEASM），用于高光谱异常检测，该模型通过利用深度学习进行特征提取，改进了现有方法。
研究成果
所提出的SAEASM算法在高光谱异常检测中，无论是合成数据集还是真实数据集，通常都优于对比算法（LRX、BJSR、TBASD），这体现在更高的AUC值和更好的可分离性上，尽管在某些情况下其计算复杂度较高且背景抑制能力较弱。未来的工作应聚焦于参数选择的自动化。
研究不足
该算法需要基于经验进行手动参数调优，并通过反复实验以达到最佳性能；自动参数设置尚未涉及，被列为未来改进的方向。
1：实验设计与方法选择：
本研究采用一种新型SAEASM算法，该算法将堆叠自编码器（SAE）与基于残差比理论的自适应子空间模型相结合。通过在超光谱图像测试点周围定义三个窗口（内窗、外窗、字典窗）提取局部特征，并利用深度特征的2-范数计算检测结果。
2：样本选择与数据来源：
使用一个合成超光谱数据集（105×100像素，ROSIS传感器获取的102个波段，覆盖帕维亚地区）和两个AVIRIS传感器获取的真实数据集（圣地亚哥地区：3个平面，120×120像素，126个波段；38个平面，100×100像素，126个波段）进行评估。
3：实验设备与材料清单：
配备16GB内存的Intel Core i7 CPU计算机，运行Matlab 2017a软件用于实现与分析。
4：实验流程与操作步骤：
针对每个测试像素，使用窗口提取局部背景和字典像素，通过SAE架构（采用sigmoid激活函数、均方误差损失、SGD优化器）计算差异的深度特征，并基于2-范数计算检测结果。使用ROC曲线和可分性图将性能与LRX、BJSR和TBASD算法进行比较。
5：数据分析方法：
通过ROC曲线下面积（AUC）、ROC曲线、可分性图和执行时间测量评估性能。通过敏感性分析优化参数（如窗口大小、SAE维度）。
独家科研数据包，助您复现前沿成果，加速创新突破
获取完整内容-
Intel Core i7 CPU
i7
Intel
Hardware for running experiments and computations
-
Matlab
2017a
MathWorks
Software for implementing and analyzing the algorithm
-
ROSI sensor
Sensor used to acquire the synthetic hyperspectral dataset
-
AVIRIS sensor
Sensor used to acquire the real hyperspectral datasets
-
登录查看剩余2件设备及参数对照表
查看全部
