第３５卷，第２期自然资源遥感Ｖｏｌ．３５，Ｎｏ．２２０２３年６月ＲＥＭＯＴＥＳＥＮＳＩＮＧＦＯＲＮＡＴＵＲＡＬＲＥＳＯＵＲＣＥＳＪｕｎ．，２０２３ｄｏｉ：１０．６０４６／ｚｒｚｙｙｇ．２０２２０９３引用格式：张国建，刘胜震，孙英君，等．基于弱监督鲁棒性自编码的高光谱异常检测［Ｊ］．自然资源遥感，２０２３，３５（２）：１６７－１７５．（ＺｈａｎｇＧＪ，ＬｉｕＳＺ，ＳｕｎＹＪ，ｅｔａｌ．Ｈｙｐｅｒｓｐｅｃｔｒａｌａｎｏｍａｌｙｄｅｔｅｃｔｉｏｎｂａｓｅｄｏｎｔｈｅｗｅａｋｌｙｓｕｐｅｒｖｉｓｅｄｒｏｂｕｓｔａｕｔｏｅｎｃｏｄｅｒ［Ｊ］．Ｒｅ⁃ｍｏｔｅＳｅｎｓｉｎｇｆｏｒＮａｔｕｒａｌＲｅｓｏｕｒｃｅｓ，２０２３，３５（２）：１６７－１７５．）基于弱监督鲁棒性自编码的高光谱异常检测张国建１，刘胜震２，孙英君１，俞凯杰３，刘丽娜４（１．山东建筑大学测绘地理信息学院，济南２５０１０１；２．自然资源部第一大地测量队，西安７１００５４；３．浙江中测新图地理信息技术有限公司，湖州３１３２００；４．宁波市鄞州区测绘院，宁波３１５０４１）摘要：高光谱异常检测因其以无监督方式检测目标的能力而受到特别关注，自动编码器及其变体可以自动提取深层特征，还可以检测异常目标。由于训练集中存在异常，自动编码器泛化性较强，从而降低了从背景中区分异常的能力。为解决上述问题，该文提出一种基于弱监督鲁棒性自编码的异常探测算法。首先提出了一种显著类别搜索策略，采用基于概率的类别阈值来标记粗样本，为网络弱监督学习做准备；同时，构建一个具有ｌ２，１范数与异常－背景光谱距离共同约束的鲁棒性自编码网络框架，该框架在训练期间对噪声和异常具有鲁棒性；最后，采用所有样本得到的重构误差检测异常目标。在４个高光谱数据集上进行实验，结果表明，与其他先进的异常检测算法相比，所提算法具有更好的检测性能。关键词：高光谱图像；异常检测；显著类别搜索；鲁棒性ＡＥ中图法分类号：ＴＰ７９文献标志码：Ａ文章编号：２０９７－０３４Ｘ（２０２３）０２－０１６７－０９收稿日期：２０２２－０３－２１；修订日期：２０２２－０８－１６第一作者：张国建（１９８９－），男，讲师，主要从事摄影测量与遥感技术方面的研究。Ｅｍａｉｌ：４９４０８８８４５＠ｑｑ．ｃｏｍ。通信作者：刘胜震（１９８７－），男，工程师，主要从事测绘方面的研究。Ｅｍａｉｌ：ｓｚｌｉｕ１９８７...
