KDTGAN：基于Transformer-GAN和知识蒸馏的高光谱目标检测

高光谱目标检测在地球观测中至关重要，被广泛应用于军事和民用领域。然而，由于高光谱图像的背景复杂性和目标样本的有限性，该任务面临较大的挑战。本文首先采用CEM（约束能量最小化）粗检测方法提取背景数据。随之，引入了一种新的知识蒸馏模型，即KDTGAN（通过Transformer-GAN实现）。教师模型的生成器采用了Transformer编码器的结构，并结合多尺度数据融合的方法，能够准确地学习背景分布，进而通过重构背景信息实现目标检测。为了克服GAN（生成对抗网络）训练不稳定的挑战，特别是纯背景数据的稀缺性，本文提出了一种新的损失算法，以减小可疑目标样本对模型性能的负面影响。为了降低模型的计算负担，本文引入知识蒸馏，并设计新的蒸馏损失对学生模型加以约束，使模型轻量化的同时提高学生模型检测精度。实验结果表明：KDTGAN相较于当前检测方法表现更优，具有更高的检测精度和鲁棒性。