近日，北京理工大学光电学院许廷发教授团队在光谱成像目标探测领域取得新进展，提出了复杂场景下高光谱伪装目标检测和多光谱目标检测两种新方法。两篇文章分别以《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》为题发表在人工智能领域国际顶级会议—The 40th Annual AAAI Conference on Artificial Intelligence(AAAI 2026，CCF-A)上。AAAI 是全球人工智能领域最具影响力的顶级国际会议之一，代表着该领域最前沿的研究方向和高水平的学术成果。两篇论文第一作者分别为北京理工大学硕士研究生白淑妍和韩帅豪，通讯作者为许廷发教授和李佳男长聘副教授。
论文1：HyperCOD: The First Challenging Benchmark and Baseline for Hyperspectral Camouflaged Object Detection
针对复杂自然场景中伪装目标难以识别和精确定位的技术瓶颈，团队结合高光谱成像与先进基础模型能力，提出高光谱伪装目标检测新框架—HSC-SAM(见图1)。该方法面向以 Segment Anything Model(SAM)为代表的基础模型发展趋势，通过创新性的空间–光谱解耦重构策略，将高光谱信息以显式方式引导基础模型特征学习，从而实现光谱信息与通用基础模型的深度融合。
图1 HSC-SAM高光谱伪装目标检测框架图
对模型特征提取过程进行可视化分析发现(见图2)，HSC-SAM在光谱信息的显式引导下，能够在特征提取早期有效抑制背景干扰、增强目标响应，同时降低后续特征处理的计算开销，体现了光谱信息对基础模型特征表达与推理效率的高效增强作用。
图2 光谱信息有效滤除复杂背景干扰
如图3所示，在复杂且具有显著视觉干扰的场景中，HSC-SAM能够准确定位空间上高度伪装、但在光谱维度具有显著差异的目标区域。与现有方法相比，HSC-SAM的目标定位结果呈现出更清晰的目标边界、更高的轮廓保真度，充分证明了其在伪装目标检测任务中的优异性能。
图3. 基于光谱引导的伪装目标检测结果
本项成果拓展了光谱成像驱动的智能目标探测与感知新方向，为复杂自然场景下的伪装目标检测提供了高效、可靠的新技术路径，对智能侦察、灾害探测等方向具有重要应用价值。
论文2：MODA: The First Challenging Benchmark for Multispectral Object Detection in Aerial Images
针对低空无人机对地弱小目标探测中目标尺寸小、对比度低、背景复杂等核心难题，团队提出了多光谱成像驱动的弱小目标检测框架 OSSDet(如图4)。该方法充分利用多光谱图像蕴含的丰富光谱信息进行目标增强，通过级联式光谱-空间调制结构实现目标感知过程的全局优化；利用光谱相似性聚合目标相关特征，强化目标内部关联表达。
图4. OSSDet多光谱目标检测框架示意图
图5展示了特征可视化结果。与传统可见光方法相比，多光谱图像输入能够显著拉大易混类别、小尺度目标以及少样本类别之间的特征距离，实现更清晰的类间分离，验证了光谱信息在提升目标类别区分度方面的有效性。
图5. 光谱信息有效增强类别间区分度
如图6所示，在小目标、低能见度或背景杂乱等典型复杂场景中，OSSDet能够显著增强网络对目标区域的聚焦能力，抑制无关背景噪声，从而减少误检与漏检，提升复杂地表环境中目标检测的准确性与鲁棒性。
图6. 光谱信息赋能弱小目标检测示意图
本项成果拓展了光谱成像驱动的智能目标探测与感知新方向，为复杂场景下弱小目标检测提供了高效可靠的新解决方案，对低空安全防护、应急救援、智能侦察等应用领域具有重要意义，为无人机自主感知能力的提升提供了技术支撑。
