Hyperspectral Anomaly Detection via Hybrid Convolutional and Transformer-Based U-Net With Error Attention Mechanism
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
Hyperspectral anomaly detection is a crucial technique for recognizing abnormal pixels in hyperspectral images (HSIs), that is, those with distinct spectral characteristics from those of the surrounding background. Traditional methods always fall short in effectively leveraging the information regarding the spectral and spatial aspects of the dataset simultaneously, limiting their detection performances. This article proposes a novel framework using U-Net, termed hybrid convolution and transformer-based U-Net (HCT-Unet), which integrates convolution with a multihead attention mechanism in Transformer for enhanced hyperspectral anomaly detection. To ensure a more comprehensive understanding of spatial and spectral interactions, the HCT-Unet architecture capitalizes on the strengths of local feature extraction of convolutional layers and the capabilities of the long-range dependency modeling of Transformers. A key innovation of this framework is an error attention mechanism, which facilitates adaptive multiscale feature fusion and enhances the feature representation capacity. Furthermore, a new anomaly score calculation method is proposed, which combines reconstruction error with the pixelwise structural similarity index (SSIM) to determine pixel anomaly from both local structural preservation and global spectral consistency perspectives. Experiments carried out on seven different hyperspectral datasets reveal that the proposed method consistently outperforms the widely accepted state-of-the-art methods in hyperspectral anomaly detection.
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 | 0,000 |
| 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