Resumen Técnico: SupCon-Mamba para la Detección de Objetivos Hiperespectrales con Pocas Muestras (Few-Shot)

1. Planteamiento del Problema

La detección de objetivos hiperespectrales (HTD, por sus siglas en inglés) tiene como objetivo identificar y localizar objetivos específicos dentro de fondos complejos utilizando información espectral previa. Si bien las imágenes hiperespectrales ofrecen una alta resolución espectral para la identificación de materiales, la HTD enfrenta dos desafíos críticos en aplicaciones prácticas:

1. Escasez de Datos Etiquetados: La obtención de muestras etiquetadas es difícil y costosa, lo que conduce a un escenario de "pocas muestras" (few-shot) donde los modelos entrenados con aprendizaje profundo totalmente supervisado suelen sufrir una pobre generalización.
2. Limitaciones del Aprendizaje Contrastivo Existente: Los métodos actuales de HTD con pocas muestras suelen depender del aprendizaje contrastivo no supervisado. Estos métodos construyen pares positivos a partir de aumentos espectrales de píxeles individuales y tratan todos los demás píxeles en un lote como muestras negativas. Este enfoque frecuentemente etiqueta erróneamente como negativos a píxeles de la misma categoría (falsos negativos), distorsionando el espacio de características y desdibujando la frontera entre los objetivos y los fondos.
3. Ineficiencia de Modelado: Las CNN tradicionales luchan con las dependencias globales en secuencias espectrales largas, mientras que los Transformers sufren de una complejidad computacional cuadrática a medida que aumenta la longitud de la secuencia, lo que los hace ineficientes para modelar simultáneamente características espectrales locales finas y globales multiescala.

2. Metodología: SupCon-Mamba

Los autores proponen SupCon-Mamba, un marco que integra una arquitectura Pyramid Mamba con Aprendizaje Contrastivo Supervisado (SupCon) para abordar los problemas mencionados. El flujo de trabajo consta de una fase de entrenamiento y una fase de inferencia.

2.1 Codificación de Vecindad Espectral y Aumento de Datos

Para mitigar la escasez de datos etiquetados y suprimir el ruido espectral, el método emplea un mecanismo de codificación de contexto local:

• Codificación de Vecindad: Para un píxel central, se extrae una ventana espacial ($w \times w$). Se calcula la similitud de coseno entre el espectro del píxel central y sus vecinos. Estas similitudes se normalizan mediante Softmax para generar coeficientes de ponderación, los cuales se utilizan para crear una suma ponderada de los espectros vecinos. Esto produce un "vector codificado de vecindad" que complementa el vector espectral del píxel central.
• Aumento de Ruido Gaussiano: Para prevenir el sobreajuste en escenarios de pocas muestras, se añade ruido gaussiano tanto al vector central como al vector codificado. Los vectores aumentados se recortan al rango $[0, 1]$ y se concatenan para formar la entrada del modelo.

2.2 Red de Extracción de Características Pyramid Mamba

El núcleo principal es una red de codificador-decodificador Pyramid Mamba diseñada para capturar dependencias espectrales multiescala con una complejidad computacional lineal:

• Convolución Agrupada Espectral: Antes del modelado de la secuencia, se aplica una convolución agrupada 1D al espectro de entrada para modelar explícitamente las correlaciones espectrales locales entre bandas adyacentes.
• Estructura de Pirámide: La red utiliza una rama de submuestreo descendente (top-down) y una rama de sobremuestreo ascendente (bottom-up).
  • Submuestreo (Downsampling): La secuencia espectral se somete a 4 niveles de submuestreo progresivo. En cada nivel, las características se procesan a través de convolución de profundidad (depthwise convolution) y el Modelo de Espacio de Estados Selectivo (SSM) (Mamba). Esto permite al modelo capturar dependencias desde detalles locales finos hasta contornos espectrales globales con complejidad lineal.
  • Sobremuestreo y Fusión (Upsampling & Fusion): Las características se sobremuestrean progresivamente y se fusionan con las salidas SSM correspondientes de la ruta de submuestreo mediante conexiones residuales de escala cruzada.
  • Fusión con Compuerta (Gated Fusion): Un mecanismo de compuerta filtra y fusiona adaptativamente las características multiescala antes de la salida final.

2.3 Aprendizaje Contrastivo Supervisado (SupCon)

A diferencia de los métodos no supervisados, SupCon-Mamba utiliza la información de etiquetas disponible (objetivo vs. fondo) para definir pares de muestras:

• Pares Positivos: Las muestras pertenecientes a la misma clase (por ejemplo, objetivo-objetivo o fondo-fondo) se tratan como pares positivos.
• Pares Negativos: Las muestras de diferentes clases se tratan como pares negativos.
• Función de Pérdida: El modelo se optimiza utilizando la pérdida SupCon, la cual maximiza la similitud de los pares positivos y minimiza la similitud de los pares negativos en el espacio de características. Esto elimina fundamentalmente el problema de los falsos negativos inherente al aprendizaje contrastivo no supervisado, promoviendo la agregación intra-clase y la separación inter-clase.

3. Contribuciones Clave

El artículo destaca tres innovaciones primarias:

1. Construcción de Alta Calidad de Muestras Positivas: Se propone una estrategia que combina la codificación de contexto local (vía similitud de coseno) y el aumento de ruido gaussiano. Esto suprime el ruido de píxel único, proporciona suficientes muestras positivas para el aprendizaje supervisado y mejora la robustez contra las fluctuaciones espectrales.
2. Arquitectura Pyramid Mamba: Se diseña una red codificador-decodificador para modelar largas secuencias espectrales con complejidad lineal. Captura eficazmente tanto las características espectrales locales finas como los perfiles espectrales globales mediante submuestreo y sobremuestreo multiescala.
3. Optimización Contrastiva Supervisada: Al integrar la pérdida SupCon, el método aprovecha la limitada información de etiquetas para eliminar los falsos negativos, mejorando significativamente la discriminabilidad de las características y la generalización en escenarios de pocas muestras.

4. Resultados Experimentales

El método fue evaluado en cuatro conjuntos de datos públicos (Sandiego I, Sandiego II, Los Angeles I, Los Angeles II) y un conjunto de datos propio basado en tierra. La configuración de entrenamiento utilizó únicamente 10 pares de muestras etiquetadas (10 píxeles de objetivo y 10 píxeles de fondo).

• Métricas de Desempeño: El método propuesto alcanzó un AUC promedio de 0.9984 en los conjuntos de datos.
• Análisis Comparativo:
  • Resultados Visuales: Comparado con los métodos tradicionales (CEM, OSP, ACE) y las bases de aprendizaje profundo (DSC, CTTD, UEML, TSTTD), SupCon-Mamba demostró una superioridad en el resaltado de objetivos y la supresión de fondo. Detectó con éxito objetivos de bajo contraste con casi cero falsas alarmas en regiones sin sombras.
  • Resultados Cuantitativos: El método alcanzó el AUC ($P_{fd}$) más alto en todos los cinco conjuntos de datos. Mientras que algunos competidores mostraron tasas de falsas alarmas ($P_f$) más bajas en conjuntos de datos específicos, a menudo sufrieron de detecciones perdidas ($P_d$). SupCon-Mamba mantuvo un equilibrio superior entre la capacidad de detección y la supresión de fondo.
• Estudios de Ablación:
  • Capas de la Pirámide: El desempeño alcanzó su punto máximo con 4 capas de pirámide; menos capas carecían de capacidad de modelado, mientras que más capas conducían al sobreajuste y problemas de gradiente.
    ísmo.
  • Tamaño de Ventana: Se identificó una ventana de codificación de $9 \times 9$ como óptima para los conjuntos de datos públicos, equilibrando la fusión de contexto y la interferencia de fondo.
  • Función de Pérdida: La pérdida SupCon superó a Cross-Entropy, SimCLR e InfoNCE, confirmando la necesidad del aprendizaje contrastivo supervisado para la HTD con pocas muestras.

5. Significado y Reivindicaciones

El artículo afirma que SupCon-Mamba proporciona una solución eficiente y práctica para la detección de objetivos hiperespectrales con pocas muestras. Al abordar el problema de los falsos negativos en el aprendizaje contrastivo y la ineficiencia computacional del modelado de largas secuencias espectrales, el método logra un rendimiento de vanguardia con una cantidad extremadamente limitada de datos etiquetados. Los autores sostienen que este enfoque ofrece una solución técnica robusta para la minería de información en escenarios complejos de teledetección, como el reconocimiento militar y el monitoreo ambiental, donde los datos etiquetados son escasos. El método demuestra que es posible lograr una alta precisión de detección incluso con solo 10 pares de muestras etiquetadas, superando significativamente a los enfoques convencionales actuales.