【儀表網(wǎng) 研發(fā)快訊】近日，北京理工大學(xué)光電學(xué)院許廷發(fā)教授團(tuán)隊(duì)在光譜成像目標(biāo)探測(cè)領(lǐng)域取得新進(jìn)展，提出了復(fù)雜場(chǎng)景下高光譜偽裝目標(biāo)檢測(cè)和多光譜目標(biāo)檢測(cè)兩種新方法。兩篇文章分別以《HyperCOD: The First Challenging Benchmark and Baseline for Hyperspectral Camouflaged Object Detection》和《MODA: The First Challenging Benchmark for Multispectral Object Detection in Aerial Images》為題發(fā)表在人工智能領(lǐng)域國(guó)際頂級(jí)會(huì)議—The 40th Annual AAAI Conference on Artificial Intelligence(AAAI 2026，CCF-A)上。AAAI 是全球人工智能領(lǐng)域最具影響力的頂級(jí)國(guó)際會(huì)議之一，代表著該領(lǐng)域最前沿的研究方向和高水平的學(xué)術(shù)成果。兩篇論文第一作者分別為北京理工大學(xué)碩士研究生白淑妍和韓帥豪，通訊作者為許廷發(fā)教授和李佳男長(zhǎng)聘副教授。
論文1：HyperCOD: The First Challenging Benchmark and Baseline for Hyperspectral Camouflaged Object Detection
針對(duì)復(fù)雜自然場(chǎng)景中偽裝目標(biāo)難以識(shí)別和精確定位的技術(shù)瓶頸，團(tuán)隊(duì)結(jié)合高光譜成像與先進(jìn)基礎(chǔ)模型能力，提出高光譜偽裝目標(biāo)檢測(cè)新框架—HSC-SAM(見圖1)。該方法面向以 Segment Anything Model(SAM)為代表的基礎(chǔ)模型發(fā)展趨勢(shì)，通過創(chuàng)新性的空間–光譜解耦重構(gòu)策略，將高光譜信息以顯式方式引導(dǎo)基礎(chǔ)模型特征學(xué)習(xí)，從而實(shí)現(xiàn)光譜信息與通用基礎(chǔ)模型的深度融合。
圖1 HSC-SAM高光譜偽裝目標(biāo)檢測(cè)框架圖
對(duì)模型特征提取過程進(jìn)行可視化分析發(fā)現(xiàn)(見圖2)，HSC-SAM在光譜信息的顯式引導(dǎo)下，能夠在特征提取早期有效抑制背景干擾、增強(qiáng)目標(biāo)響應(yīng)，同時(shí)降低后續(xù)特征處理的計(jì)算開銷，體現(xiàn)了光譜信息對(duì)基礎(chǔ)模型特征表達(dá)與推理效率的高效增強(qiáng)作用。
圖2 光譜信息有效濾除復(fù)雜背景干擾
如圖3所示，在復(fù)雜且具有顯著視覺干擾的場(chǎng)景中，HSC-SAM能夠準(zhǔn)確定位空間上高度偽裝、但在光譜維度具有顯著差異的目標(biāo)區(qū)域。與現(xiàn)有方法相比，HSC-SAM的目標(biāo)定位結(jié)果呈現(xiàn)出更清晰的目標(biāo)邊界、更高的輪廓保真度，充分證明了其在偽裝目標(biāo)檢測(cè)任務(wù)中的優(yōu)異性能。
圖3. 基于光譜引導(dǎo)的偽裝目標(biāo)檢測(cè)結(jié)果
本項(xiàng)成果拓展了光譜成像驅(qū)動(dòng)的智能目標(biāo)探測(cè)與感知新方向，為復(fù)雜自然場(chǎng)景下的偽裝目標(biāo)檢測(cè)提供了高效、可靠的新技術(shù)路徑，對(duì)智能偵察、災(zāi)害探測(cè)等方向具有重要應(yīng)用價(jià)值。
論文2：MODA: The First Challenging Benchmark for Multispectral Object Detection in Aerial Images
針對(duì)低空無人機(jī)對(duì)地弱小目標(biāo)探測(cè)中目標(biāo)尺寸小、對(duì)比度低、背景復(fù)雜等核心難題，團(tuán)隊(duì)提出了多光譜成像驅(qū)動(dòng)的弱小目標(biāo)檢測(cè)框架 OSSDet(如圖4)。該方法充分利用多光譜圖像蘊(yùn)含的豐富光譜信息進(jìn)行目標(biāo)增強(qiáng)，通過級(jí)聯(lián)式光譜-空間調(diào)制結(jié)構(gòu)實(shí)現(xiàn)目標(biāo)感知過程的全局優(yōu)化；利用光譜相似性聚合目標(biāo)相關(guān)特征，強(qiáng)化目標(biāo)內(nèi)部關(guān)聯(lián)表達(dá)。
圖4. OSSDet多光譜目標(biāo)檢測(cè)框架示意圖
圖5展示了特征可視化結(jié)果。與傳統(tǒng)可見光方法相比，多光譜圖像輸入能夠顯著拉大易混類別、小尺度目標(biāo)以及少樣本類別之間的特征距離，實(shí)現(xiàn)更清晰的類間分離，驗(yàn)證了光譜信息在提升目標(biāo)類別區(qū)分度方面的有效性。
圖5. 光譜信息有效增強(qiáng)類別間區(qū)分度
如圖6所示，在小目標(biāo)、低能見度或背景雜亂等典型復(fù)雜場(chǎng)景中，OSSDet能夠顯著增強(qiáng)網(wǎng)絡(luò)對(duì)目標(biāo)區(qū)域的聚焦能力，抑制無關(guān)背景噪聲，從而減少誤檢與漏檢，提升復(fù)雜地表環(huán)境中目標(biāo)檢測(cè)的準(zhǔn)確性與魯棒性。
圖6. 光譜信息賦能弱小目標(biāo)檢測(cè)示意圖
本項(xiàng)成果拓展了光譜成像驅(qū)動(dòng)的智能目標(biāo)探測(cè)與感知新方向，為復(fù)雜場(chǎng)景下弱小目標(biāo)檢測(cè)提供了高效可靠的新解決方案，對(duì)低空安全防護(hù)、應(yīng)急救援、智能偵察等應(yīng)用領(lǐng)域具有重要意義，為無人機(jī)自主感知能力的提升提供了技術(shù)支撐。
所有評(píng)論僅代表網(wǎng)友意見，與本站立場(chǎng)無關(guān)。