論文の概要: Hyperspectral Anomaly Change Detection Based on Auto-encoder
- arxiv url: http://arxiv.org/abs/2010.14119v1
- Date: Tue, 27 Oct 2020 08:07:08 GMT
- ステータス: 処理完了
- システム内更新日: 2022-10-02 12:52:21.173518
- Title: Hyperspectral Anomaly Change Detection Based on Auto-encoder
- Title（参考訳）: オートエンコーダに基づくハイパースペクトル異常検出
- Authors: Meiqi Hu, Chen Wu, Liangpei Zhang, and Bo Du
- Abstract要約: ハイパースペクトル異常変化検出(HACD)は、ハイパースペクトル画像(HSI)間の小さいが重要な異常変化を見つけるのに役立つ
本稿では,自動エンコーダ(ACDA)に基づく独自のHACDアルゴリズムを提案し,非線形解を提案する。
実験の結果は、"Viareggio 2013"データセットで、従来の手法よりも効率と優越性を実証している。
- 参考スコア（独自算出の注目度）: 40.32592332449066
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: With the hyperspectral imaging technology, hyperspectral data provides
abundant spectral information and plays a more important role in geological
survey, vegetation analysis and military reconnaissance. Different from normal
change detection, hyperspectral anomaly change detection (HACD) helps to find
those small but important anomaly changes between multi-temporal hyperspectral
images (HSI). In previous works, most classical methods use linear regression
to establish the mapping relationship between two HSIs and then detect the
anomalies from the residual image. However, the real spectral differences
between multi-temporal HSIs are likely to be quite complex and of nonlinearity,
leading to the limited performance of these linear predictors. In this paper,
we propose an original HACD algorithm based on auto-encoder (ACDA) to give a
nonlinear solution. The proposed ACDA can construct an effective predictor
model when facing complex imaging conditions. In the ACDA model, two systematic
auto-encoder (AE) networks are deployed to construct two predictors from two
directions. The predictor is used to model the spectral variation of the
background to obtain the predicted image under another imaging condition. Then
mean square error (MSE) between the predictive image and corresponding expected
image is computed to obtain the loss map, where the spectral differences of the
unchanged pixels are highly suppressed and anomaly changes are highlighted.
Ultimately, we take the minimum of the two loss maps of two directions as the
final anomaly change intensity map. The experiments results on public
"Viareggio 2013" datasets demonstrate the efficiency and superiority over
traditional methods.
- Abstract（参考訳）: ハイパースペクトルイメージング技術により、ハイパースペクトルデータは豊富なスペクトル情報を提供し、地質調査、植生分析、軍事偵察においてより重要な役割を果たす。
通常の変化検出とは異なり、超スペクトル異常変化検出(hacd)は、多時間超スペクトル画像(hsi)間の小さいが重要な異常変化を見つけるのに役立つ。
従来の研究では、ほとんどの古典的手法は線形回帰を用いて2つのHSI間のマッピング関係を確立し、残像から異常を検出する。
しかし、多時間hsis間の真のスペクトル差は非常に複雑で非線形であり、これらの線形予測器の性能は限られている。
本稿では,自動エンコーダ(ACDA)に基づく独自のHACDアルゴリズムを提案し,非線形解を提案する。
提案するacdaは複雑な撮像条件に対して有効な予測モデルを構築することができる。
ACDAモデルでは、2つの系統的自動エンコーダ(AE)ネットワークが配置され、2つの方向から予測器を構築する。
予測器は、背景のスペクトル変動をモデル化し、別の撮像条件下で予測画像を得る。
そして、予測画像と対応する期待画像との間の平均二乗誤差(mse)を計算して損失マップを得る。
最終的に、最終的な異常変化強度マップとして、2方向の2つの損失マップの最小値を取る。
実験結果は、"Viareggio 2013"データセット上で、従来の手法よりも効率性と優位性を示す。
関連論文リスト
- AnomalyCD: A benchmark for Earth anomaly change detection with high-resolution and time-series observations [12.35831157851407]
AnomalyCD技術は、過去の正常な変化パターンから学習することで、異常な変化を特定することを学ぶ。
AnomalyCDMは効率を高めるための2段階のワークフローとして設計されており、見えない画像を直接処理することができる。
論文 参考訳（メタデータ） (2024-09-09T14:47:57Z) - Deep Learning Based Speckle Filtering for Polarimetric SAR Images. Application to Sentinel-1 [51.404644401997736]
本稿では、畳み込みニューラルネットワークを用いて偏光SAR画像のスペックルを除去するための完全なフレームワークを提案する。
実験により,提案手法はスペックル低減と分解能保存の両方において例外的な結果をもたらすことが示された。
論文 参考訳（メタデータ） (2024-08-28T10:07:17Z) - Multi-Source and Test-Time Domain Adaptation on Multivariate Signals using Spatio-Temporal Monge Alignment [59.75420353684495]
コンピュータビジョンやバイオメディカルデータなどの信号に対する機械学習の応用は、ハードウェアデバイスやセッション記録にまたがる変動のため、しばしば課題に直面している。
本研究では,これらの変動を緩和するために,時空間モンジュアライメント(STMA)を提案する。
我々はSTMAが、非常に異なる設定で取得したデータセット間で、顕著で一貫したパフォーマンス向上をもたらすことを示す。
論文 参考訳（メタデータ） (2024-07-19T13:33:38Z) - Adapting Visual-Language Models for Generalizable Anomaly Detection in Medical Images [68.42215385041114]
本稿では,CLIPモデルを用いた医用異常検出のための軽量な多レベル適応と比較フレームワークを提案する。
提案手法では,複数の残像アダプタを事前学習した視覚エンコーダに統合し,視覚的特徴の段階的向上を実現する。
医学的異常検出ベンチマーク実験により,本手法が現在の最先端モデルを大幅に上回っていることが示された。
論文 参考訳（メタデータ） (2024-03-19T09:28:19Z) - DiAD: A Diffusion-based Framework for Multi-class Anomaly Detection [55.48770333927732]
本稿では,拡散型異常検出(Difusion-based Anomaly Detection, DAD)フレームワークを提案する。
画素空間オートエンコーダ、安定拡散の復調ネットワークに接続する潜在空間セマンティックガイド(SG)ネットワーク、特徴空間事前学習機能抽出器から構成される。
MVTec-ADとVisAデータセットの実験は、我々のアプローチの有効性を実証している。
論文 参考訳（メタデータ） (2023-12-11T18:38:28Z) - HFN: Heterogeneous Feature Network for Multivariate Time Series Anomaly
Detection [2.253268952202213]
MTSのためのヘテロジニアス特徴ネットワーク(HFN)に基づく,新しい半教師付き異常検出フレームワークを提案する。
まず、センサ埋め込みによって生成された埋め込み類似性グラフと、センサ値によって生成された特徴値類似性グラフを組み合わせて、時系列不均一グラフを構築する。
このアプローチは、ヘテロジニアスグラフ構造学習(HGSL)と表現学習の最先端技術を融合させる。
論文 参考訳（メタデータ） (2022-11-01T05:01:34Z) - Deep Learning-Based Anomaly Detection in Synthetic Aperture Radar
Imaging [11.12267144061017]
本手法は,異常を周囲から逸脱する異常パターンとみなすが,その特徴を事前に把握していない。
提案手法は自己教師付きアルゴリズムを用いてこれらの問題に対処することを目的としている。
従来のReed-Xiaoliアルゴリズムと比較して,提案手法の利点を示す実験を行った。
論文 参考訳（メタデータ） (2022-10-28T10:22:29Z) - dual unet:a novel siamese network for change detection with cascade
differential fusion [4.651756476458979]
本稿では,変化検出タスク,すなわちDual-UNetのための新しいSiameseニューラルネットワークを提案する。
従来のバイテンポラル画像の符号化とは対照的に,画素の空間的差分関係に着目したエンコーダ差分アテンションモジュールを設計する。
実験により、提案手法は、一般的な季節変化検出データセットにおいて、常に最も高度な手法よりも優れていることが示された。
論文 参考訳（メタデータ） (2022-08-12T14:24:09Z) - A Joint Morphological Profiles and Patch Tensor Change Detection for
Hyperspectral Imagery [2.9848983009488936]
多時間ハイパースペクトル画像は、変化した情報を検出するために使用することができる。
変化特徴のスペクトル情報と空間情報の両方をよりよく発掘するため,JMPT法(Joint morphology and patch-tensor change detection)を提案する。
2つの実超スペクトルデータセットで行った実験は、提案した検出器がより良い検出性能を達成することを示す。
論文 参考訳（メタデータ） (2022-01-20T07:34:17Z) - Semantic Change Detection with Asymmetric Siamese Networks [71.28665116793138]
2つの空中画像が与えられた場合、セマンティックチェンジ検出は、土地被覆のバリエーションを特定し、それらの変化タイプをピクセルワイド境界で識別することを目的としている。
この問題は、正確な都市計画や天然資源管理など、多くの地球ビジョンに関連するタスクにおいて不可欠である。
本研究では, 広く異なる構造を持つモジュールから得られた特徴対を用いて意味変化を同定し, 同定するための非対称システマネットワーク(ASN)を提案する。
論文 参考訳（メタデータ） (2020-10-12T13:26:30Z)
関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。
指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。