تشخیص ناهنجاری در تصاویر فراطیفی1 همچنان یک مسئله چالشبرانگیز است، بهویژه به دلیل محدودیتهای روشهای سنتی تجزیه ماتریس کمرتبه 2 ، که اغلب قادر به جداسازی مؤثر ناهنجاریها نیستند. بیشتر روشها تصاویر فراطیفی را بهصورت ترکیبی از پسزمینه کمرتبه و اجزای ناهنجاری با رتبه بالا مدلسازی میکنند، اما بهطور صریح ماتریس ناهنجاری را نمیآموزند؛ این امر موجب آلودگی نمایه پسزمینه و کاهش دقت تشخیص میشود. علاوه بر این، مدلهای موجود اغلب فاقد رمزگذار3 هستند و این محدودیت توانایی آنها در حفظ سازگاری متقابل بین ویژگیهای نهان و بازسازی، بهویژه در محیطهای پرنویز، را کاهش میدهد . برای غلبه بر این چالشها، ما چارچوب جدیدی به نام تجزیه ماتریس نامنفی رمزگذار-رمزگشای نامتقارن مقاوم 4)REDNMF( پیشنهاد میکنیم، که بهصورت مشترک ماتریس ناهنجاری خلوت و اجزای پسزمینه کمرتبه را میآموزد. REDNMF با مدلسازی صریح ماتریس ناهنجاری، دقت و پایداری تشخیص را افزایش میدهد. بر خلاف روشهای سنتی که تنها از رمزگشا استفاده میکنند، ساختار نامتقارن رمزگذار-رمزگشا در REDNMF امکان یادگیری ویژگیهای انعطافپذیر و تفکیکپذیر را فراهم میکند و وفاداری بازسازی و جداسازی ناهنجاری و پسزمینه را بهبود میبخشد . علاوه بر این، REDNMF با استفاده از معیار 𝐿2,1 5 ، پراکندگی پیکسلی را بر روی ماتریس ناهنجاری اعمال میکند و پراکندگی ساختاریافتهای را ایجاد مینماید که با هندسه تصاویر فراطیفی هماهنگ است. این طراحی به مکانیابی دقیقتر ناهنجاریها کمک کرده و حساسیت به نویز و خطاهای مدلسازی را کاهش میدهد. تمامی اجزا در یک چارچوب یکپارچه ادغام شده و بهصورت مشترک بهینهسازی میشوند . آزمایشهای گسترده روی مجموعه دادههای واقعی و مرجع نشان میدهد که REDNMF بهطور مداوم در دقت تشخیص و پایداری، عملکرد بهتری نسبت به روشهای پیشرفته موجود دارد.
