摘要
高光谱异常检测（HAD）旨在无需先验知识即可识别地球表面的异常现象。然而，大多数现有的无监督HAD方法依赖于大致划分为背景和异常区域的训练数据，这导致类别不平衡问题严重，并且生成的特征表示高度依赖于特定场景的分布。相比之下，有监督的高光谱分类网络能够从多种土地覆盖类型中提取出结构良好的光谱-空间特征表示；但由于缺乏标记的异常样本，这些宝贵知识在HAD中仍未得到充分利用。为了解决这一限制，本文提出了一种将分类任务的知识转移到异常检测中的新方法。该框架采用预训练的卷积增强 transformer（CET）分类网络作为教师模型，通过特征级蒸馏传输其丰富的光谱-空间上下文编码。同时，通过结合潜在特征对齐、高斯混合模型（GMM）先验和重建目标，学生网络具备了紧凑的背景建模能力和高度区分性的特征表示能力，从而为特征空间异常检测提供了强大的支持。在空间borne和机载高光谱数据集上的广泛实验表明，我们的方法在与复杂陆地背景相比时显著提高了检测准确性，并且具有快速的推理速度，同时表现出优异的跨场景泛化能力。
