I. INTRODUCTION

用于高光谱目标检测的深度网络训练通常面临样本有限的问题，在极端情况下，可能只有一个目标样本可用。为了解决这一挑战，我们提出了一种新的双网络方法。针对高光谱图像的光谱和空间特征，利用生成对抗网络(GAN)和卷积神经网络(CNN)两种神经网络对目标进行检测。然后将两种网络的检测结果进行融合，得到最终的检测结果。

II. 提出的方法

A. 总体框架

本文提出的基于鲁棒特征的目标检测方法的总体框架如图1所示。

如图1所示，首先基于一个目标样本的先验特征，采用CEM（constrained energy minimization：约束能量最小化)进行预检测。根据预检测结果，通过聚类和采样构造训练集来表示目标和背景的变化。

B.训练集构建

目前不需要，略过 ~

C. Dual Networks

1) 基于gan的网络:基于一维CNN的gan网络采用一维光谱作为输入，为了平衡标记样本，对输入的候选光谱进行随机重采样，使训练过程中目标与背景的比例固定(设为1:5)。

基于gan的网络细节如表一所示。从表中可以看出，生成器利用5个卷积层，然后是批归一化(BN)，从有先验标签的随机噪声中生成假样本，而鉴别器提供两种概率，即:样本是真实样本的概率和样本是目标的概率。

**2) full -CNN:**与典型的CNN不同，本文提出的CNN完全由CNN构建而成，没有空间池化或全连接层，这保证了所有层的空间分辨率都是恒定的。如图1所示，采用分层结构，将最后一层以外的不同层的特征串联起来进行目标检测。同时，内层采用信道池化层。FCNN的详细信息见表II-C2。为了缓解过拟合的问题，在训练网络时采用了dropout。

III. EXPERIMENTS

以一个目标样本作为先验特征的各种方法的检测性能：

以一个目标样本作为先验特征的各种方法的检测结果。(a)参考地图。(b) CEM。© E-CEM。(d) CSCR。(e) SR_PT。(f) ULMM。(g)提议。

IV. 结论

本文提出了一种基于双网络的鲁棒签名目标检测方法。首先，基于一个目标样本构造一个具有代表性的训练集。然后，根据目标不同的显著性特征，建立两种不同的神经网络对目标进行检测。最后，利用图像融合策略对两种神经网络的检测结果进行融合。在HSIs上的实验表明，与其他方法相比，该方法以一个目标样本为先验，能够提供更好的、更鲁棒的检测结果。未来的工作可以在双网络结果的自适应融合上进行。