近日，根据美国基本科学指标(Essential Science Indicator，ESI)数据库最新统计数据显示，RSIDEA课题组新增2篇学术论文入选ESI高被引论文/热点论文。
     1. S. Wang, X. Wang, Y. Zhong and L. Zhang, “Auto-AD: autonomous hyperspectral anomaly detection network based on fully convolutional autoencoder,” IEEE Transactions on Geoscience and Remote Sensing, vol. 60, pp. 1-14, 2022, doi: 10.1109/TGRS.2021.3057721.
     该论文第一作者为2019级博士生王少宇，团队负责人钟燕飞教授为通讯作者。目前该论文在谷歌学术上的引用量为21，在Web of Science上的引用量为7。该论文代码已开源：https://github.com/RSIDEA-WHU2020/Auto-AD
     无监督自编码器能自动学习高光谱影像特征，由于自编码器基于自相似性进行训练，特征图中同时包含背景与异常特征，因此现有方法依赖预处理和探测器构建以增强异常-背景判别特征，未发挥自编码器的端到端特性。本文首次将全卷积自编码器引入高光谱异常探测问题，创新性地提出了“网络重建背景，异常表现为重建误差”的端到端异常探测框架，摆脱了对预处理和探测器构建步骤的依赖，无需人工参数设置。相关研究成果已发表于“IEEE Transaction on Geoscience and Remote Sensing”。

图1 基于全卷积自编码器的全自动高光谱异常探测网络流程图

     2. A. Ma, Y. Wan, Y. Zhong, J. Wang, and L. Zhang, “SceneNet: Remote sensing scene classification deep learning network using multi-objective neural evolution architecture search,” ISPRS Journal of Photogrammetry and Remote Sensing, vol. 172, pp. 171–188, 2021. DOI: https://doi.org/10.1016/j.isprsjprs.2020.11.025.
     该论文第一作者为马爱龙副研究员，2019级博士生万瑜廷和团队负责人钟燕飞教授为共同通讯作者。目前该论文在谷歌学术上的引用量为26，在Web of Science上的引用量为21。
     基于深度学习的场景分类方法一直是遥感图像领域的研究热点。然而，针对现有深度学习网络都是以固定的结构来构建进行自然图像处理，因未顾及遥感特性难以直接应用于遥感影像，同时难以在提升网络精度的同时考虑网络计算复杂度，导致网络参数冗余等现象。基于此，本文提出了一种基于多目标神经进化的遥感场景分类网络架构搜索框架（SceneNet），在SceneNet中，采用进化算法进行网络结构的编码和搜索，实现了更灵活的遥感影像场景信息的分层提取。此外，利用多目标优化方法平衡了搜索网络的计算复杂度和性能误差，并在Pareto解集中获得了具有竞争性的场景分类深度神经网络架构。相关研究成果已发表于“ISPRS Journal of Photogrammetry and Remote Sensing”。

图2 基于多目标神经进化的遥感场景分类网络架构搜索框架