[論文レビュー] BSDM: Background Suppression Diffusion Model for Hyperspectral Anomaly Detection

Jitao Ma, Weiying Xie+2 more|arXiv (Cornell University)|Jul 19, 2023

Remote-Sensing Image Classification被引用数 4

ひとこと要約

本稿では、ラベルなしで潜在的背景分布を学習するための新規な背景抑制拡散モデル、BSDMを提案する。本モデルは、擬似背景ノイズと統計的オフセットモジュールを用いて、ドメイン一般化を実現する。推論時に元のHSIをノイズ除去ネットワークに直接入力することで、複雑な背景をノイズとして抑制し、異常検出の正確性を最大26.39%向上させるとともに、誤検出を低減する。再トレーニングを必要とせず、多様なデータセットに強く一般化する。

ABSTRACT

Hyperspectral anomaly detection (HAD) is widely used in Earth observation and deep space exploration. A major challenge for HAD is the complex background of the input hyperspectral images (HSIs), resulting in anomalies confused in the background. On the other hand, the lack of labeled samples for HSIs leads to poor generalization of existing HAD methods. This paper starts the first attempt to study a new and generalizable background learning problem without labeled samples. We present a novel solution BSDM (background suppression diffusion model) for HAD, which can simultaneously learn latent background distributions and generalize to different datasets for suppressing complex background. It is featured in three aspects: (1) For the complex background of HSIs, we design pseudo background noise and learn the potential background distribution in it with a diffusion model (DM). (2) For the generalizability problem, we apply a statistical offset module so that the BSDM adapts to datasets of different domains without labeling samples. (3) For achieving background suppression, we innovatively improve the inference process of DM by feeding the original HSIs into the denoising network, which removes the background as noise. Our work paves a new background suppression way for HAD that can improve HAD performance without the prerequisite of manually labeled data. Assessments and generalization experiments of four HAD methods on several real HSI datasets demonstrate the above three unique properties of the proposed method. The code is available at https://github.com/majitao-xd/BSDM-HAD.

研究の動機と目的

• 高スペクトル画像（HSI）における複雑で混同要因となる背景が、正確な異常検出を妨げるという課題に対処すること。
• 手動による背景または異常サンプルのラベル付けを必要としない、一般化可能なHAD手法を開発すること。
• 拡散モデルを用いて潜在的背景分布を学習することで、異常と背景の識別を向上させること。
• 再トレーニングを必要とせず、推論時に効果的な背景抑制を実現し、計算コストを低く保つこと。

提案手法

• 入力HSIから直接導出される擬似背景ノイズを提案し、従来のガウスノイズに代えて、手動ラベルなしで潜在的背景分布を学習する拡散モデルのガイドラインとする。
• 入力HSIの統計的特徴（例：平均、分散）をデノイジングネットワークに埋め込む統計的オフセットモジュールを導入し、異なるドメイン間の特徴分布を一致させることで、一般化性能を向上させる。
• 推論プロセスを画期的に変更し、元のHSIをデノイジングネットワークに直接入力することで、推論時に背景をノイズ除去として抑制する。
• HSIを用いて拡散モデルをトレーニングし、擬似背景ノイズを逆方向に学習させることで、クリアな異常豊富な画像の再構成を効果的に学習する。
• スパイラル・スペクトル的詳細を保持するため、スキップ接続を備えたU-Netベースのデノイジングネットワークを採用する。
• HSIのスペクトル特性に適したノイズスケジュールを採用し、安定したトレーニングと効果的な背景モデリングを実現する。

実験結果

リサーチクエスチョン

• RQ1 ラベルなしの異常または背景データを必要とせず、複雑な背景を効果的に抑制できるように、拡散モデルを高スペクトル画像に適応させることは可能か？
• RQ2 異なるセンサー、スペクトル特性、シーンコンテンツを有する複数のHSIデータセット間で、拡散モデルをどのように一般化可能にするか？
• RQ3 拡散モデルの推論プロセスを再構築することで、画像生成ではなく、背景をノイズとして直接抑制することは可能か？
• RQ4 統計的オフセットモジュールは、多様なHSIデータセットにわたるドメイン一般化性能をどの程度向上させるか？
• RQ5 BSDMによる背景抑制は、既存のHAD手法の検出正確性および誤検出率において顕著に向上をもたらすか？

主な発見

• SanDiegoデータセットにおいて、2S-GLRTの正確性を26.39%向上させ、誤検出率は0.11%に維持した。
• Beachデータセットにおいて、DFAE手法の正確性を99.73%から99.94%に向上させ、誤検出率を0.03%から0.01%に低減した。
• HAD-100データセットにおいて、Hydiceをトレーニングセットとして使用した場合、HAD-100自体を用いた場合より性能が向上し、正確性が0.77%向上、誤検出率が1.54%低下した。
• トレーニングセットとテストセットが異なるドメインに属する場合でも、BSDMの一般化性能は正確性で最大1.1%、誤検出率で最大0.8%低下にとどまり、強力なクロスデータセット耐性を示した。
• SanDiegoでトレーニングした場合、HAD-100データセットで統計的オフセットモジュールを用いることで正確性が1.45%向上し、ドメイン内トレーニングと比較して性能低下を1.43%から1.45%に緩和した。
• BSDMは4種類の異なるHAD手法および複数の実世界HSIデータセットで一貫した性能向上を達成し、有効性と一般化能力を確認した。