Self-Supervised Masked Graph Autoencoder for Hyperspectral Anomaly Detection

doi:10.1109/TIP.2025.3620091

Self-Supervised Masked Graph Autoencoder for Hyperspectral Anomaly Detection

2025-01-01

0

PRE

AI

DOI：10.1109/TIP.2025.3620091

原文链接

原文求助

摘要

En 中文

高光谱图像异常检测面临标注异常目标困难的挑战。基于自编码器（AE）的方法因其出色的图像重建能力而被广泛应用。然而，传统的基于网格的图像表示方法难以捕捉长距离依赖关系并建模非欧几里得结构。为解决这些问题，本文提出了一种用于高光谱异常检测的自监督掩码图自编码器（MGAE）。MGAE利用图注意力网络（GAT）自编码器重建高光谱图像的背景，并通过比较重建特征与原始特征来识别异常。具体而言，我们构建了高光谱图像的拓扑图结构，然后将其输入GAT自编码器进行重建，利用多头注意力机制学习空间和光谱特征。为防止解码器学习平凡解，我们引入了一种重掩码策略，在训练过程中随机掩码输入特征和隐藏表示，迫使模型在有限信息下学习和重建特征，从而提高检测性能。此外，提出的带有图拉普拉斯正则化的损失函数（Twice Loss）最小化了特征表示的变异性，导致更一致的背景重建。在多个真实高光谱数据集上的实验结果表明，MGAE优于现有方法。

Keyword:

Anomaly detection

autoencoder

graph attention network

re-masking strategy

twice loss

Self-Supervised Masked Graph Autoencoder for Hyperspectral Anomaly Detection

摘要

期刊

机构

引用论文