論文の概要: Nonnegative-Constrained Joint Collaborative Representation with Union
Dictionary for Hyperspectral Anomaly Detection
- arxiv url: http://arxiv.org/abs/2203.10030v1
- Date: Fri, 18 Mar 2022 16:02:27 GMT
- ステータス: 処理完了
- システム内更新日: 2022-03-21 15:03:22.375350
- Title: Nonnegative-Constrained Joint Collaborative Representation with Union
Dictionary for Hyperspectral Anomaly Detection
- Title（参考訳）: ハイパースペクトル異常検出のためのユニオン辞書を用いた非負連関共同表現
- Authors: Shizhen Chang and Pedram Ghamisi
- Abstract要約: ハイパースペクトル異常検出のための協調表現ベース(CR)アルゴリズムが提案されている。
CRベースの検出器は、背景辞書と係数行列の線形結合で画像を近似し、回復残差を利用して検出マップを導出する。
本稿では,超スペクトル異常検出タスクに対する非負制約協調表現モデルを提案する。
- 参考スコア（独自算出の注目度）: 14.721615285883429
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Recently, many collaborative representation-based (CR) algorithms have been
proposed for hyperspectral anomaly detection. CR-based detectors approximate
the image by a linear combination of background dictionaries and the
coefficient matrix, and derive the detection map by utilizing recovery
residuals. However, these CR-based detectors are often established on the
premise of precise background features and strong image representation, which
are very difficult to obtain. In addition, pursuing the coefficient matrix
reinforced by the general $l_2$-min is very time consuming. To address these
issues, a nonnegative-constrained joint collaborative representation model is
proposed in this paper for the hyperspectral anomaly detection task. To extract
reliable samples, a union dictionary consisting of background and anomaly
sub-dictionaries is designed, where the background sub-dictionary is obtained
at the superpixel level and the anomaly sub-dictionary is extracted by the
pre-detection process. And the coefficient matrix is jointly optimized by the
Frobenius norm regularization with a nonnegative constraint and a sum-to-one
constraint. After the optimization process, the abnormal information is finally
derived by calculating the residuals that exclude the assumed background
information. To conduct comparable experiments, the proposed
nonnegative-constrained joint collaborative representation (NJCR) model and its
kernel version (KNJCR) are tested in four HSI data sets and achieve superior
results compared with other state-of-the-art detectors.
- Abstract（参考訳）: 近年,超スペクトル異常検出のための協調表現型(cr)アルゴリズムが提案されている。
crベースの検出器は背景辞書と係数行列の線形結合により画像を近似し、回復残差を利用して検出マップを導出する。
しかし、これらのcrベースの検出器は、正確な背景特徴と強い画像表現を前提として、しばしば確立される。
さらに、一般的な$l_2$-min で強化された係数行列の追求は非常に時間がかかる。
この問題に対処するため,超スペクトル異常検出タスクのために,非負制約協調表現モデルを提案する。
背景サブディクショナリをスーパーピクセルレベルで取得し、事前検出処理により異常サブディクショナリを抽出した背景サブディクショナリと異常サブディクショナリからなる結合辞書を、信頼性の高いサンプル抽出のために設計する。
また、係数行列は非負の制約と和対1の制約を持つフロベニウスノルム正規化によって共同最適化される。
最適化処理後、仮定された背景情報を除く残差を計算して、最終的に異常情報を得る。
比較実験を行うため,提案した非負制約共同表現(NJCR)モデルとそのカーネルバージョン(KNJCR)を4つのHSIデータセットでテストし,他の最先端検出器と比較して優れた結果を得た。
関連論文リスト
- Hyperspectral Anomaly Detection with Self-Supervised Anomaly Prior [29.233195935103172]
本稿では,高スペクトル異常検出のための自己教師付き異常前処理(SAP)と呼ばれる自己教師型ネットワークを提案する。
SAPは、他の先進的HADメソッドよりも正確で解釈可能なソリューションを提供する。
さらに、より洗練された背景表現とリッチな背景辞書を提供するために、二重精製戦略を提案する。
論文 参考訳（メタデータ） (2024-04-20T10:40:12Z) - Fusing Dictionary Learning and Support Vector Machines for Unsupervised Anomaly Detection [1.5999407512883508]
本稿では,OC-SVMとDL残差関数を1つの合成対象に統一する新たな異常検出モデルを提案する。
両方の目的をカーネル関数の使用を可能にするより一般的な設定に拡張する。
論文 参考訳（メタデータ） (2024-04-05T12:41:53Z) - Learning a Gaussian Mixture for Sparsity Regularization in Inverse
Problems [2.375943263571389]
逆問題では、スパーシティ事前の組み込みは、解に対する正則化効果をもたらす。
本稿では,ガウスの混合として事前に定式化された確率的疎性について提案する。
我々は、このネットワークのパラメータを推定するために、教師なしのトレーニング戦略と教師なしのトレーニング戦略をそれぞれ導入した。
論文 参考訳（メタデータ） (2024-01-29T22:52:57Z) - Hierarchical Semi-Supervised Contrastive Learning for
Contamination-Resistant Anomaly Detection [81.07346419422605]
異常検出は、通常のデータ分布から逸脱したサンプルを特定することを目的としている。
コントラスト学習は、異常の効果的な識別を可能にする表現のサンプル化に成功している。
汚染耐性異常検出のための新しい階層型半教師付きコントラスト学習フレームワークを提案する。
論文 参考訳（メタデータ） (2022-07-24T18:49:26Z) - Self-Supervised Training with Autoencoders for Visual Anomaly Detection [61.62861063776813]
我々は, 正規サンプルの分布を低次元多様体で支持する異常検出において, 特定のユースケースに焦点を当てた。
我々は、訓練中に識別情報を活用する自己指導型学習体制に適応するが、通常の例のサブ多様体に焦点をあてる。
製造領域における視覚異常検出のための挑戦的なベンチマークであるMVTec ADデータセットで、最先端の新たな結果を達成する。
論文 参考訳（メタデータ） (2022-06-23T14:16:30Z) - Sparse PCA via $l_{2,p}$-Norm Regularization for Unsupervised Feature
Selection [138.97647716793333]
再構成誤差を$l_2,p$ノルム正規化と組み合わせることで,単純かつ効率的な特徴選択手法を提案する。
提案する非教師付きモデルを解くための効率的な最適化アルゴリズムを提案し,アルゴリズムの収束と計算の複雑さを理論的に解析する。
論文 参考訳（メタデータ） (2020-12-29T04:08:38Z) - ESAD: End-to-end Deep Semi-supervised Anomaly Detection [85.81138474858197]
正規データと異常データの間のKL偏差を計測する新たな目的関数を提案する。
提案手法は,複数のベンチマークデータセットの最先端性能を著しく上回っている。
論文 参考訳（メタデータ） (2020-12-09T08:16:35Z) - CASTLE: Regularization via Auxiliary Causal Graph Discovery [89.74800176981842]
因果構造学習(CASTLE)の正規化を導入し,変数間の因果関係を共同学習することでニューラルネットワークの正規化を提案する。
CASTLEは因果的隣り合いを持つ因果的DAGの特徴のみを効率的に再構成する一方、再構成ベース正規化器は全ての入力特徴を過度に再構成する。
論文 参考訳（メタデータ） (2020-09-28T09:49:38Z) - Improved Slice-wise Tumour Detection in Brain MRIs by Computing
Dissimilarities between Latent Representations [68.8204255655161]
磁気共鳴画像(MRI)の異常検出は教師なし手法で行うことができる。
本研究では,変分オートエンコーダの潜伏空間における相似関数の計算に基づいて,腫瘍検出のためのスライスワイズ半教師法を提案する。
本研究では,高解像度画像上でのモデルをトレーニングし,再現の質を向上させることにより,異なるベースラインに匹敵する結果が得られることを示す。
論文 参考訳（メタデータ） (2020-07-24T14:02:09Z) - Contrast-weighted Dictionary Learning Based Saliency Detection for
Remote Sensing Images [3.338193485961624]
本稿では,リモートセンシング画像に対するコントラスト重み付き辞書学習(CDL)に基づく新しい唾液度検出モデルを提案する。
具体的には、正と負のサンプルから正と非正の原子を学習し、識別辞書を構築する。
提案手法を用いて, 識別辞書に基づいて, 種々の相補性マップを生成する。
論文 参考訳（メタデータ） (2020-04-06T06:49:05Z) - Deformable Groupwise Image Registration using Low-Rank and Sparse
Decomposition [0.23310144143158676]
本稿では,画像登録におけるRPCA-dissimi-larityの欠点について検討する。
非パラメトリックな登録問題の解法として, 1次原始双対最適化に基づく理論的に正当化されたマルチレベルスキームを提案する。
論文 参考訳（メタデータ） (2020-01-10T15:25:36Z)
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。