【儀表網 研發快訊】近日，北京理工大學光電學院許廷發教授團隊在光譜成像目標探測領域取得新進展，提出了復雜場景下高光譜偽裝目標檢測和多光譜目標檢測兩種新方法。兩篇文章分別以《HyperCOD: The First Challenging Benchmark and Baseline for Hyperspectral Camouflaged Object Detection》和《MODA: The First Challenging Benchmark for Multispectral Object Detection in Aerial Images》為題發表在人工智能領域國際頂級會議—The 40th Annual AAAI Conference on Artificial Intelligence(AAAI 2026，CCF-A)上。AAAI 是全球人工智能領域最具影響力的頂級國際會議之一，代表著該領域最前沿的研究方向和高水平的學術成果。兩篇論文第一作者分別為北京理工大學碩士研究生白淑妍和韓帥豪，通訊作者為許廷發教授和李佳男長聘副教授。
論文1：HyperCOD: The First Challenging Benchmark and Baseline for Hyperspectral Camouflaged Object Detection
針對復雜自然場景中偽裝目標難以識別和精確定位的技術瓶頸，團隊結合高光譜成像與先進基礎模型能力，提出高光譜偽裝目標檢測新框架—HSC-SAM(見圖1)。該方法面向以 Segment Anything Model(SAM)為代表的基礎模型發展趨勢，通過創新性的空間–光譜解耦重構策略，將高光譜信息以顯式方式引導基礎模型特征學習，從而實現光譜信息與通用基礎模型的深度融合。
圖1 HSC-SAM高光譜偽裝目標檢測框架圖
對模型特征提取過程進行可視化分析發現(見圖2)，HSC-SAM在光譜信息的顯式引導下，能夠在特征提取早期有效抑制背景干擾、增強目標響應，同時降低后續特征處理的計算開銷，體現了光譜信息對基礎模型特征表達與推理效率的高效增強作用。
圖2 光譜信息有效濾除復雜背景干擾
如圖3所示，在復雜且具有顯著視覺干擾的場景中，HSC-SAM能夠準確定位空間上高度偽裝、但在光譜維度具有顯著差異的目標區域。與現有方法相比，HSC-SAM的目標定位結果呈現出更清晰的目標邊界、更高的輪廓保真度，充分證明了其在偽裝目標檢測任務中的優異性能。
圖3. 基于光譜引導的偽裝目標檢測結果
本項成果拓展了光譜成像驅動的智能目標探測與感知新方向，為復雜自然場景下的偽裝目標檢測提供了高效、可靠的新技術路徑，對智能偵察、災害探測等方向具有重要應用價值。
論文2：MODA: The First Challenging Benchmark for Multispectral Object Detection in Aerial Images
針對低空無人機對地弱小目標探測中目標尺寸小、對比度低、背景復雜等核心難題，團隊提出了多光譜成像驅動的弱小目標檢測框架 OSSDet(如圖4)。該方法充分利用多光譜圖像蘊含的豐富光譜信息進行目標增強，通過級聯式光譜-空間調制結構實現目標感知過程的全局優化；利用光譜相似性聚合目標相關特征，強化目標內部關聯表達。
圖4. OSSDet多光譜目標檢測框架示意圖
圖5展示了特征可視化結果。與傳統可見光方法相比，多光譜圖像輸入能夠顯著拉大易混類別、小尺度目標以及少樣本類別之間的特征距離，實現更清晰的類間分離，驗證了光譜信息在提升目標類別區分度方面的有效性。
圖5. 光譜信息有效增強類別間區分度
如圖6所示，在小目標、低能見度或背景雜亂等典型復雜場景中，OSSDet能夠顯著增強網絡對目標區域的聚焦能力，抑制無關背景噪聲，從而減少誤檢與漏檢，提升復雜地表環境中目標檢測的準確性與魯棒性。
圖6. 光譜信息賦能弱小目標檢測示意圖
本項成果拓展了光譜成像驅動的智能目標探測與感知新方向，為復雜場景下弱小目標檢測提供了高效可靠的新解決方案，對低空安全防護、應急救援、智能偵察等應用領域具有重要意義，為無人機自主感知能力的提升提供了技術支撐。
所有評論僅代表網友意見，與本站立場無關。