Hyperspectral Anomaly Detection Using Dual-Branch Network Based on Frequency Domain Learning
Pourquoi ce travail est dans la base
Une base qui oublie comment elle a trouvé un travail ne peut pas être vérifiée. Voici les voies qui ont admis celui-ci.
Notice bibliographique
Résumé
Existing deep learning-based hyperspectral anomaly detection methods often overlook frequency domain features, hindering the ability to effectively distinguish between background and anomalies. Furthermore, many methods directly apply Mahalanobis distance to reconstructed hyperspectral image (HSI) for detection, disregarding the structural features of the original HSI. This leads to insufficient representation of important information and ultimately limits detection performance. To resolve these challenges, this paper presents a dual-branch network based on frequency domain learning (DB-FDLNet). Using the Haar wavelet transform, the original HSI is divided into highand low-frequency components. Based on the edge detailed properties of the high-frequency component and the smoothness of the low-frequency component, distinct network branches are designed for feature extraction, with the extracted features fused for HSI reconstruction. Notably, the detection process utilizes the outputs of the high- and low-frequency branches directly, rather than the reconstructed HSI. To fully leverage the key structural information in the original HSI, a Mahalanobis distance detection method incorporating the structural similarity index is proposed. By weighting the covariance matrix, the method enhances critical structural and spectral features, improving detection accuracy while effectively suppressing noise. Experiments on six datasets demonstrate the proposed method's superiority and robustness over eight advanced hyperspectral anomaly detection methods.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Prédiction distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,000 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 0,000 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découle