深度学习赋能星上高光谱检测：提升目标检测精度的关键路径

星上高光谱图像因其高光谱分辨率和大范围空间覆盖，在地物识别、城市监测、农业调查和环境评估等任务中具有重要应用价值。然而，这类数据通常具有波段众多、目标尺度变化大、背景复杂以及标注样本稀缺等特点，使得目标检测任务具有较高难度。传统的光谱匹配和统计特征方法难以同时处理光谱和空间信息，对小目标和复杂背景的检测效果有限。近年来，深度学习技术的发展为星上高光谱目标检测提供了新的解决方案，通过端到端训练自动提取光谱-空间特征，大幅提升了检测的精度与鲁棒性。

图1 西光壹号01星高光谱影像实例

在方法上，光谱-空间卷积网络（如3D-CNN或混合CNN）是最常用的方案之一。这类方法将高光谱数据看作三维体数据，通过在空间和光谱维度上同时卷积，能够捕捉光谱波段之间的连续性和空间结构信息。例如，针对农作物识别任务的3D-CNN方法可以有效检测小尺度目标，并通过多层卷积特征融合提升整体检测精度，但其计算开销较大，对训练样本数量较为敏感。为了突出目标特征并抑制复杂背景的干扰，光谱-空间注意力机制被引入到网络结构中。通过光谱维度和空间维度的注意力加权，该方法能够增强关键波段和区域的响应，对小目标检测尤为有效，同时提升了模型在复杂环境下的鲁棒性。

图2 CNSST网络，采用并行卷积分支与 Transformer 分支结合的设计实现高光谱目标识别

多尺度特征融合是应对星上高光谱图像中目标尺度变化的另一关键技术。通过整合不同卷积层或金字塔结构的特征信息，模型可以兼顾大尺度和小尺度目标，从而在城市建筑、道路或农田等场景中均获得较好的检测效果。对于标注数据有限的问题，迁移学习和小样本学习被广泛采用。通过在大规模遥感数据或其他高光谱数据集上预训练模型，再微调到特定任务，能够缓解样本稀缺带来的问题，加快训练收敛速度，同时保持较高的检测精度。

图3 MsFNet，采用多分支并行架构，结合空洞卷积、注意力机制与跨尺度特征交互，实现高光谱检测中的多尺度光谱-空间动态融合。

尽管上述方法在星上高光谱目标检测中取得了显著进展，但仍面临一些挑战，包括对大范围数据的实时处理能力不足、对不同星上平台的适应性问题、以及小样本和稀有目标检测的难度。

未来的发展方向包括轻量化模型设计以实现实时检测、多模态数据融合以增强检测精度、自监督或半监督学习以减少对标注数据的依赖，以及基于Transformer的网络结构以捕捉全局光谱-空间依赖关系。总体来看，深度学习方法已经成为星上高光谱目标检测的核心技术，通过不断优化网络结构和学习策略，有望进一步提升检测精度和适用性，为遥感监测和地表目标识别提供强有力的支持。