摘要
高光谱（HS）传感可提供详细的高维光谱数据，用于识别复杂场景中的细微异常和材质差异。高光谱异常检测（HS-AD）旨在无需先验目标信息的情况下，从高光谱图像中识别小型、光谱特征显著的目标物体或材质。然而，大多数HS-AD方法假设训练数据和测试数据来自同一分布（单域），这一假设在实际作业传感中往往被打破，原因在于传感器特性、场景构成、大气条件和采集几何的差异。为应对这一挑战，我们提出了广义混合专家异常检测（GMoE-AD），一种用于稳健跨域高光谱异常检测的神经混合专家（MoE）架构。该框架融合了六个无监督基础检测器的输出与预训练高光谱基础模型的表示，通过学习的Top-2路由机制组合四个神经专家，并采用基于梯度反转的域对抗训练以提升分布漂移下的鲁棒性。我们单独评估了一种漂移感知的测试时自适应（DTA）变体。我们在六个公开的真实世界高光谱基准数据集——San Diego、Salinas、HYDICE-Urban、ABU-Airport、ABU-Beach和ABU-Urban——以及一个包含由四种不同传感器获取的22张图像的私有亚利桑那数据集上评估了GMoE-AD。在全域训练设置下，模型使用全部七个数据集的训练部分，并在不接触域标识或数据集特定信息的情况下进行评估。在此设置下，GMoE-AD取得了平均ROC-AUC为0.943、PR-AUC为0.623、F1-macro为0.821的成绩。在留一数据集外（LODO）评估中，目标数据集在训练期间完全未见，模型仍保持了平均ROC-AUC为0.910、F1-macro为0.773的成绩。可选的DTA变体将平均ROC-AUC从0.938提升至0.953，但F1-macro从0.822下降至0.815，表明自适应存在指标和数据集相关的权衡。这些结果表明，结合神经专家路由、迁移学习和域对抗表示学习，能够提升模型在异构高光谱数据集上的鲁棒性，并为高维传感器数据中的异常检测提供了一种统一方法，支持在训练与部署条件不同的真实世界高光谱应用中部署。
