[논문 리뷰] BSDM: Background Suppression Diffusion Model for Hyperspectral Anomaly Detection

Jitao Ma, Weiying Xie외 2명|arXiv (Cornell University)|2023. 07. 19.

Remote-Sensing Image Classification인용 수 4

한 줄 요약

이 논문은 레이블이 없는 데이터를 사용하여 잠재적 배경 분포를 학습하고 도메인 일반화를 위한 통계적 오프셋 모듈을 활용함으로써, 표준화되지 않은 배경을 억제하는 새로운 배경 억제 확산 모델인 BSDM을 제안한다. 추론 중 원본 HSI를 노이즈 제거 네트워크에 공급하는 혁신적인 방법을 통해 복잡한 배경을 노이즈로 억제함으로써, 정확도를 최대 26.39% 향상시키고 임의의 재학습 없이 다양한 데이터셋에서 강력한 일반화 성능을 보인다.

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.

연구 동기 및 목표

• 고도로 복잡하고 혼동을 유발하는 배경이 있는 고분광 영상(HSI)에서 정확한 이상 탐지에 지장을 주는 문제를 해결하기 위해.
• 수동으로 배경 또는 이상 샘플을 레이블링할 필요가 없는 일반화 가능한 HAD 방법을 개발하기 위해.
• 확산 모델을 사용하여 잠재적 배경 분포를 학습함으로써 이상과 배경 간의 구분 능력을 향상시키기 위해.
• 재학습 없이도 추론 중에 효과적인 배경 억제를 가능하게 하여 낮은 계산 비용을 확보하기 위해.

제안 방법

• 원본 HSI에서 직접 유도된 가짜 배경 노이즈를 제안하여 기존의 가우시안 노이즈를 대체함으로써, 수동 레이블링 없이도 잠재적 배경 분포를 학습할 수 있도록 확산 모델을 안내한다.
• 입력 HSI의 통계적 특징(예: 평균, 분산)을 노이즈 제거 네트워크에 통합하는 통계적 오프셋 모듈을 도입하여, 다양한 도메인 간 특징 분포를 일치시켜 일반화 능력을 향상시킨다.
• 추론 과정에서 확산 모델을 혁신적으로 수정하여 원본 HSI를 노이즈 제거 네트워크에 입력함으로써, 추론 중에 배경을 노이즈 제거 방식으로 직접 억제할 수 있도록 한다.
• 확산 모델을 HSI에 대해 훈련하여 가짜 배경 노이즈를 역으로 복원함으로써, 깨끗한 이상이 풍부한 이미지를 효과적으로 재구성하도록 학습한다.
• 스킵 연결을 갖춘 U-Net 기반의 노이즈 제거 네트워크를 사용하여 노이즈 제거 과정에서 공간-스펙트럼 세부 정보를 유지한다.
• HSI의 스펙트럼 특성에 맞게 조정된 노이즈 첨부 스케줄을 적용하여 안정적인 훈련과 효과적인 배경 모델링을 보장한다.

실험 결과

연구 질문

• RQ1 레이블이 없는 이상 또는 배경 데이터가 필요한 조건에서, 확산 모델이 고분광 영상에서 복잡한 배경을 효과적으로 억제하는 데에 적합하게 적용될 수 있는가?
• RQ2 다양한 센서, 스펙트럼 특성, 시나리오 내용을 가진 다양한 HSI 데이터셋 간에 확산 모델의 일반화 능력을 어떻게 향상시킬 수 있는가?
• RQ3 확산 모델의 추론 과정을 재구조화하여, 이미지를 생성하는 대신 배경을 직접 노이즈로 억제할 수 있는가?
• RQ4 통계적 오프셋 모듈이 다양한 HSI 데이터셋 간의 도메인 일반화 능력 향상에 얼마나 기여하는가?
• RQ5 BSDM을 통한 배경 억제가 기존 HAD 방법의 탐지 정확도 및 임의의 경고 비율 측면에서 유의미하게 향상시키는가?

주요 결과

• SanDiego 데이터셋에서 2S-GLRT의 정확도를 26.39% 향상시키며, 임의의 경고 비율은 0.11%로 유지하였다.
• Beach 데이터셋에서 DFAE 방법의 정확도를 99.73%에서 99.94%로 향상시키고, 임의의 경고 비율을 0.03%에서 0.01%로 감소시켰다.
• HAD-100 데이터셋에서 Hydice를 훈련 세트로 사용할 경우 HAD-100 자체를 사용하는 것보다 성능이 향상되었으며, 정확도는 0.77% 향상되고, 임의의 경고 비율은 1.54% 감소하였다.
• 다른 도메인에서 훈련 및 테스트 세트를 사용할 경우 BSDM의 일반화 성능은 정확도에서 최대 1.1% 이하, 임의의 경고 비율에서 최대 0.8% 이하로 떨어지며, 강력한 데이터셋 간 내구성을 입증하였다.
• SanDiego에서 훈련한 경우 HAD-100 데이터셋에서 통계적 오프셋 모듈이 정확도를 1.45% 향상시켰으며, 도메인 내 훈련과 비교해 성능 저하를 1.43%에서 1.45%로 줄였다.
• 네 가지 다른 HAD 방법과 여러 실제 고분광 영상 데이터셋에서 BSDM은 일관된 성능 향상을 보이며, 그 효과성과 일반화 능력을 확인하였다.