近日，西安电子科技大学物理学院周慧鑫教授团队在高光谱异常检测领域取得重要进展，在地球科学领域国际权威期刊《International Journal of Applied Earth Observation and Geoinformation》（中国科学院I区TOP期刊，JCR Q1，IF=7.6）和人工智能领域顶级期刊《Expert Systems with Applications》（中国科学院I区TOP期刊，JCR Q1，IF=7.5）先后发表两篇最新研究成果，2023级博士生赵哲为第一作者，青年教师宋江鲁奇为通讯作者。
【研究背景】
随着遥感技术和光谱成像设备的不断发展，高光谱成像（Hyperspectral Imaging, HSI）在地球观测、资源勘查、农业监测、环境保护等领域中发挥着越来越关键的作用。与传统图像相比，高光谱图像在每个像素上提供了数十甚至数百个连续波段的光谱信息，能够精准反映地物的物理与化学属性。在遥感应用中，高光谱异常检测是一个极具挑战且具有实际价值的研究方向，主要任务是在缺乏先验类别信息或训练样本的情况下，自动识别图像中与背景显著不同的异常目标。然而，高光谱图像的高维特性、强背景干扰、目标异质性等问题，使得异常检测面临特征冗余、语义模糊、背景噪声复杂等多重挑战。如何构建鲁棒的特征表达机制、高效分离背景与异常信息，并提升检测的精度与可靠性，成为该领域研究的核心难题。
【研究亮点】
第一篇论文“Multi-scale frequency-guided two-stream network for hyperspectral anomaly detection”针对高光谱图像中异常目标与背景具有不同属性的问题，设计了基于频率分解引导双路网络（MFTNet）的高光谱异常检测算法。该方法核心创新点如下。
•频率分解模块：对深层特征进行高频与低频解耦，有效分离异常信息与背景干扰；
•双支路特征重构：高频分支用于异常增强，低频分支用于背景复原，实现对目标与背景的协同建模；
•马氏距离检测机制：在残差图中利用马氏距离判别异常区域，增强了模型在复杂场景中的检测鲁棒性。
该方法在多个高光谱数据集上均取得了优异性能，特别是在复杂背景下的异常目标检测方面表现突出。
第二篇论文“Hyperspectral Anomaly Detection via Cascaded Convolutional Autoencoders with Adaptive Pixel-level Attention”主要针对现有方法对图像中高层语义信息利用不足并导致异常与背景不能有效分离的问题，提出了一种基于像素注意力机制与级联自编码器（CAPNet）的高光谱异常检测算法。该方法的主要创新点如下。
•级联自编码结构：逐层提取高光谱图像的深层语义特征，有效提升对异常模式的感知能力；
•像素级注意力模块：在解码过程中引入像素注意力机制，强化背景建模，提升异常与背景的区分能力；
•基于重构误差的异常判别策略：结合马氏距离评估重构图与原始图之间的差异，实现精确定位。
实验结果表明，该方法在检测精度与泛化能力方面均优于现有主流方法，适用于多种典型高光谱应用场景。（通讯员：宋江鲁奇）
