基于双稀疏对比网络的不平衡元学习高光谱目标检测方法研究

针对高光谱目标检测(HTD)中样本分布不平衡、模型迁移性差等难题，研究人员提出不平衡元学习框架UEML，通过双稀疏约束和对比学习策略，构建了具有强泛化能力的通用检测模型。实验表明该方法在六种公开数据集上显著优于现有技术，为复杂场景下的快速目标检测提供了新思路。

　　

高光谱成像(HSI)技术因其独特的光谱分辨能力，在军事侦察、环境监测等领域具有重要应用价值。然而，传统高光谱目标检测(HTD)方法面临三大挑战：复杂背景干扰导致目标信号微弱、样本类别极端不平衡（目标像素占比常不足1%），以及跨场景迁移时模型性能急剧下降。现有深度学习方案虽能自动提取特征，但过度依赖样本扩增策略，不仅计算成本高昂，还易引发过拟合。更棘手的是，不同场景下背景分布差异显著，使得预训练模型难以适应新任务。这些瓶颈严重制约了HTD技术在应急响应等时效性要求高的场景中的应用。

针对上述问题，江苏大学等机构的研究团队在《Pattern Recognition》发表创新成果，提出基于不平衡元学习与双稀疏对比网络(UEML)的新型框架。该研究突破传统"数据驱动"范式，首次将元学习(Meta-Learning)引入HTD领域，通过构建类别不平衡的元任务模拟真实检测场景，使模型学会提取与内容无关但任务相关的迁移知识。关键技术包括：(1)采用空间-光谱双稀疏约束的特征提取器，提升模型泛化性；(2)设计分段采样与空间-光谱混合增强策略生成伪样本，解决背景区域信息不足问题；(3)引入对比学习损失函数，稳定伪二分类任务的优化过程。实验使用Chikusei等六个公开数据集验证，所有操作均在PyTorch框架下实现。

不平衡元训练范式
通过动态调整支持集样本比例，构建N-way K-shot元任务模拟HTD的极端不平衡特性。研究发现，当目标类与背景类样本比设为1:5时，模型在San Diego Airport数据集上获得最佳AUC值(0.982)，较传统均衡训练提升12.3%。

双稀疏特征提取
对3D卷积核施加弹性稀疏约束：空间维度采用L₁正则化压缩冗余特征，光谱维度使用组稀疏(Group Sparsity)促进波段选择。消融实验显示，双稀疏策略使模型参数减少37%，同时在Nuance Cri数据集上保持98.6%的检测精度。

对比学习增强
在伪二分类任务中引入监督对比损失(SCL)，将同类样本嵌入空间距离缩小至异类样本的1/5。可视化分析表明，该方法能有效分离目标与多类别背景特征，缓解梯度异常问题。

跨场景验证
在Airport-Beach-Urban跨传感器测试中，UEML仅需5个目标样本微调即可达到0.941的F1-score，显著优于对比方法DAMSDI(0.872)和HTDFormer(0.885)。

该研究开创性地将元学习与稀疏优化相结合，解决了HTD领域三个关键科学问题：通过元知识迁移降低对目标先验的依赖，利用双稀疏架构提升模型可解释性，借助对比学习克服背景复杂性干扰。技术层面，提出的伪样本生成策略为小样本场景下的数据增强提供了新思路。实际应用中，该方法在突发环境监测等场景展现出显著优势，检测速度达到传统方法的17倍。未来研究可进一步探索多模态数据融合与轻量化部署，推动HTD技术在移动平台的实用化进程。