近日，西安电子科技大学物理学院周慧鑫教授团队在高光谱异常检测方向上取得重要进展，在地球科学领域的国际顶级期刊《International Journal of Applied Earth Observation and Geoinformation》先后连发两篇最新研究成果“Pixel-associated autoencoder for hyperspectral anomaly detection”（博士后向培为第一作者）、“A light CNN based on residual learning and background estimation for hyperspectral anomaly detection”（博士生张嘉嘉为第一作者）。

高光谱图像（HSI）因具备丰富的光谱分辨率特性，在遥感、环境监测、精细农业等领域得到了广泛的应用。其中高光谱异常检测作为一种无监督的目标检测任务，在无目标光谱先验知识的条件下，可实现高光谱数据中的目标预定位，具有很强的实际应用价值。

第一篇论文研究主要针对现有高光谱异常检测方法没有充分考虑像素之间的相似性，导致其背景重建精度低而影响检测性能的问题，创新提出了一种新颖的基于像素关联自编码器的高光谱异常检测方法，实现了优越的异常检测性能。

第二篇论文主要针对现有基于重建背景的深度学习网络复杂且参数较多而运行效率低的问题，创新提出了一种基于残差学习和背景估计的轻量级卷积神经网络（CNN）。在有限的参数量下，该方法可有效抑制背景并检出异常，获得先进的异常检测性能，并为算法的转化应用奠定良好的基础。