MiKA-HAD：基于KAN（Kanalization）的混合自监督框架，结合少数样本增强技术，用于高光谱异常检测

《IEEE Transactions on Geoscience and Remote Sensing》：MiKA-HAD: Minority-Augmented KAN-Based Hybrid Self-Supervised Framework for Hyperspectral Anomaly Detection

本文提出基于自监督学习的混合框架MiKA-HAD，通过动态合成少数类样本和构建多路径协同网络，有效解决遥感异常检测中的类不平衡和复杂非线性特征建模问题，实验验证其检测准确性和环境鲁棒性优于现有方法。

　　

摘要：

近年来，基于自动编码器的模型在高光谱异常检测领域展现了显著的潜力。然而，异常样本与背景样本之间的固有类别不平衡，加上背景成分内部的显著异质性，往往导致传统模型过度捕捉多数类背景特征，从而削弱了其对少数类背景和异常目标的区分能力。同时，传统方法无法充分建模非线性特征并适应复杂环境，从而影响了其在复杂环境干扰下的检测性能和鲁棒性。为了解决这些问题，我们提出了MiKA-HAD，这是一种基于KAN（Kanade-Sato算法）的混合自监督框架，通过增加少数类样本来增强模型性能，用于高光谱异常检测。该框架采用基于密度的聚类引导样本平衡策略，通过自监督学习动态合成具有光谱空间多样性的少数类背景样本。这种方法在有效抑制异常边界噪声干扰的同时实现了特征空间的重新平衡。为了解决高维数据复杂性和非线性特征提取的挑战，我们构建了一个混合自监督网络，其中包含基于KAN的多路径协作模块，该模块协调了局部敏感性保持、非线性特征建模和全局一致性维护之间的相互作用。这种三部分架构建立了动态平衡，提升了模型的表示能力和环境鲁棒性。大量实验表明，MiKA-HAD在检测准确性和稳定性方面优于现有方法，尤其是在噪声条件多变的复杂环境中。该框架通过解决类别不平衡偏差和非线性特征建模的限制，为鲁棒的高光谱异常检测开辟了新的途径。