Abstract

高光谱图像在目标检测中的应用越来越重要，特别是在遥感场景中。

机器学习算法已经成为高光谱图像分析的新兴工具。

高光谱图像的高维性和模拟光谱样本库的可用性使深度学习成为一种很有吸引力的方法。

本报告回顾了该领域最近的数据处理和目标检测方法，包括基于深度学习神经网络的手工和自动特征提取。

根据现有的报告和我们自己的实验(即，在新的数据集上重新实现和测试)比较准确性性能。

CNN模型在大型HSI集合中提供了超过97%的检测精度的可靠性能。

研究使用了广泛的数据:一个农村地区(印第安松数据)、一个城市地区(帕维亚大学)、一个湿地地区(博茨瓦纳)、一个工业区(肯尼迪航天中心)、一个农场(萨利纳斯)。

注意，博茨瓦纳集在最近的工作中没有被 reviewed ，因此高精度选择的方法在本工作中是新的比较。

目标检测应用中，一个普通的CNN模型与比其复杂的变种也具有竞争力的表现。

Conclusion

在这篇报告中，特别回顾了高光谱图像分析在目标检测中的应用。

总结了从空间/谱间特征到手工或使用深度学习自动特征提取的HSI数据表征。

在数据来源方面，我们报告了公开的用于HSI分析的常用数据集。

我们发现受限于我们目标检测集中与 off-nadir data 的研究，而在如 material discrimination, atmospheric compensation 这些领域 HSI 仍然可用。

我们建议未来的工作应该调查这种数据收集的场景，以进一步扩展和更有效的基于 HSI 的目标检测应用。

关于HSI目标检测的技术方法，我们描述了手工特征提取与传统的结合方法(例如，支持向量机或决策树)和使用深度学习神经网络的自动特征提取。

根据已有的比较(总结在表2)，深度学习神经网络的表现比传统的要好得多。

无监督特征(例如，来自自动编码器的中间信息(SAE-LR))可能充当中层表示，因此比低级特征(例如手工)提供更多的语义特征和更健壮的检测精度。