基于降维方法的高光谱成像异常检测的经验分析
内容提要
本文综述高光谱图像分类与降维方法：利用互信息和阈值选择相关波段并控制冗余；采用凸包方法选取关键像素与波长以去除冗余信息；提出SuperPCA超像素PCA学习低维特征；在实时检测中用主成分分析加速处理；提出小目标感知检测器STAD及知识蒸馏策略；综述基于图和注意力机制的深度学习方法；提出多视图变换器（MPCA、SED、SPTT）以避免空间过拟合，实验性能优于现有方法。
延伸解读
降维策略的多样性：从波段选择到多视图变换
文章展示了高光谱降维的多种路径：基于互信息和阈值的波段选择、凸包方法去除冗余像素与波长、SuperPCA利用超像素分割融入空间上下文、以及多视图变换器（MPCA、SED、SPTT）构建光谱多视图并降维。这些方法分别从特征选择、空间信息嵌入和多视图表示角度应对高维冗余，反映了该领域从手工设计到深度学习融合的趋势。
实时检测与边缘部署的权衡
在实时高光谱检测中，主成分分析被用于加速处理，且减少主成分数量可在不显著降低检测率的情况下进一步缩短时间。同时，STAD检测器结合知识蒸馏策略，旨在将全连接网络的知识迁移到卷积网络，以适应边缘设备。这表明实际应用需在检测精度与计算效率之间取得平衡，降维和模型压缩是关键技术手段。
空间过拟合：评估陷阱与应对
文章指出，使用特定块大小的HSI立方体提取中心像素特征时，可能引入场景特定但非必要的相关性，导致模型在现有数据集上性能虚高，难以真实评估其能力。作者将这一问题定义为空间过拟合，并采用严格实验设置来避免。多视图变换器通过构建光谱多视图并应用PCA降维，旨在学习更稳健的特征，从而在严格设置下仍优于现有方法。
Q&A
高光谱图像分类中如何选择相关波段并控制冗余？
一些方法利用互信息和阈值选择相关波段，而其他方法则控制和避免冗余。例如，有研究设计了基于互信息的算法，结合最陡上升算法，使用对称不确定性系数策略的特征选择工具和包装器策略，以提高对HSI分类有用的相关波段的选择，并控制冗余。
SuperPCA方法是如何工作的？它有什么优势？
SuperPCA是一种超像素PCA方法，通过超像素分割将空间上下文信息纳入无监督的降维，学习HSI的内在低维特征。它能够提取判别性、紧凑且抗噪声的潜在低维特征，从而改善HSI分类性能。
实时高光谱检测中如何加速处理时间？
在实时高光谱检测中采用主成分分析进行降维可以加速处理时间，并且通过减少主成分数量可以在不显著降低检测率的情况下进一步减少处理时间。
STAD小目标感知检测器是什么？它有什么特点？
STAD是一种小目标感知检测器，它引入了显著性图来捕捉更接近人类视觉感知的高光谱影像特征，并将异常检测过程转移到更稳健的特征空间。此外，还提出了全连接网络到卷积网络的知识蒸馏策略，以适应HAD算法应用于边缘设备的可能性。
多视图变换器如何避免空间过拟合？
多视图变换器通过构建光谱多视图观察并在每个视图数据上应用PCA来降维HSI，提取低维视图表示，并利用空间池化标记化策略将多视图特征转换为标记，从而学习健壮且具有区分性的空间-光谱特征。论文引入空间过拟合问题，并利用严格的实验设置来避免该问题。
基于图和注意力机制的深度学习方法在高光谱分类中有什么进展？
本综述提供了基于图和注意力机制的方法来进行遥感和航空高光谱图像分类的综合概述，同时总结了相关数据集和处理技术的基准评估。使用深度学习技术进行高光谱成像的分类正在迅速增长并取得更好的性能。
