SCDM-HTD: Spectral-Wise Conditional Diffusion Model for Hyperspectral Target Detection
Pubblicata su AIChronos il · fonte del · Dunbin Shen, Wenfeng Kong, Jianjun Liu, Xiaorui Ma, Hongyu Wang
Questo paper introduce SCDM-HTD, un modello di diffusione condizionato a livello spettrale per la rilevazione di target iperspettrali (HTD), riformulando il problema come generazione di una mappa di rilevamento. L'approccio utilizza i punteggi di confidenza e gli spettri dei pixel come condizioni guida per catturare le discrepanze distribuzionali tra sfondo e target tramite processi di diffusione e rimozione del rumore. Per migliorare l'applicabilità pratica, viene proposta una rete leggera basata su MLP che mappa i punteggi rumorosi ai loro equivalenti ideali e si adotta un processo deterministico non Markoviano per accelerare la generazione. Infine, una funzione di perdita composita integra minimizzazione dell'energia vincolata ed entropia binaria cross-entropy per ottimizzare la separazione sfondo-target.
- Riformulazione del rilevamento HTD come task generativo tramite un modello diffusion-based condizionato agli spettri.
- Utilizzo di una rete condizionale leggera basata su MLP (Multilayer Perceptron) per mappare i punteggi di confidenza rumorosi.
- Implementazione di una catena inversa deterministica non-Markoviana per saltare step di sampling e accelerare l'inference.
- Funzione di perdita composita che combina constrained energy minimization loss con binary cross-entropy loss.
Perché conta. Sebbene focalizzato su dati spettrali, il framework concettuale di riformulare un task di rilevamento come processo generativo condizionato offre paradigmi utili per migliorare la robustezza degli agenti AI in scenari con rumore elevato o scarsità di dati etichettati. L'approccio alla separazione distribuzionale tramite diffusion potrebbe ispirare tecniche simili per il fine-tuning locale su domini specifici senza degradare le prestazioni generali.
Scheda generata automaticamente da un modello AI locale a partire dalla fonte originale: può contenere imprecisioni.