論文の概要: One-Step Detection Paradigm for Hyperspectral Anomaly Detection via Spectral Deviation Relationship Learning

• arxiv url: http://arxiv.org/abs/2303.12342v1
• Date: Wed, 22 Mar 2023 06:41:09 GMT
• ステータス: 処理完了
• システム内更新日: 2023-03-23 14:59:53.036372
• Title: One-Step Detection Paradigm for Hyperspectral Anomaly Detection via Spectral Deviation Relationship Learning
• Title（参考訳）: スペクトル偏差関係学習によるハイパースペクトル異常検出のためのワンステップ検出パラダイム
• Authors: Jingtao Li, Xinyu Wang, Shaoyu Wang, Hengwei Zhao, Liangpei Zhang, Yanfei Zhong
• Abstract要約: ハイパースペクトル異常検出は、周囲からスペクトルを逸脱するターゲットを特定することを含む。 現在のディープ検出モデルは、バックグラウンド再構築や生成などのプロキシタスクの完了に最適化されている。 本稿では,異常検出タスクに対して直接最適化された教師なし転送直接検出モデルを提案する。
• 参考スコア（独自算出の注目度）: 17.590080772567678
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Hyperspectral anomaly detection (HAD) involves identifying the targets that deviate spectrally from their surroundings, without prior knowledge. Recently, deep learning based methods have become the mainstream HAD methods, due to their powerful spatial-spectral feature extraction ability. However, the current deep detection models are optimized to complete a proxy task (two-step paradigm), such as background reconstruction or generation, rather than achieving anomaly detection directly. This leads to suboptimal results and poor transferability, which means that the deep model is trained and tested on the same image. In this paper, an unsupervised transferred direct detection (TDD) model is proposed, which is optimized directly for the anomaly detection task (one-step paradigm) and has transferability. Specially, the TDD model is optimized to identify the spectral deviation relationship according to the anomaly definition. Compared to learning the specific background distribution as most models do, the spectral deviation relationship is universal for different images and guarantees the model transferability. To train the TDD model in an unsupervised manner, an anomaly sample simulation strategy is proposed to generate numerous pairs of anomaly samples. Furthermore, a global self-attention module and a local self-attention module are designed to help the model focus on the "spectrally deviating" relationship. The TDD model was validated on four public HAD datasets. The results show that the proposed TDD model can successfully overcome the limitation of traditional model training and testing on a single image, and the model has a powerful detection ability and excellent transferability.
• Abstract（参考訳）: ハイパースペクトル異常検出(英: Hyperspectral Anomaly Detection、HAD)は、事前の知識なしに、周囲からスペクトルを逸脱するターゲットを特定することである。 近年,その強力な空間スペクトル特徴抽出能力により,深層学習に基づく手法が主流となっている。 しかし、現在の深部検出モデルは、異常検出を直接達成するのではなく、背景復元や生成といったプロキシタスク(二段階パラダイム)を完了するために最適化されている。 これにより、最適以下の結果が得られ、転送性が低下する。つまり、深層モデルは同じイメージ上でトレーニングされ、テストされる。 本稿では,非教師なし直接検出(tdd)モデルを提案し,異常検出タスク(ワンステップパラダイム)に対して直接最適化し,転送性を有する。 特にtddモデルは、異常定義に従ってスペクトル偏差関係を識別するために最適化されています。 多くのモデルが行う特定の背景分布の学習と比較して、スペクトル偏差関係は異なる画像に対して普遍的であり、モデル転送可能性を保証する。 教師なしの方法でTDDモデルをトレーニングするために,多数の異常サンプルを生成するための異常サンプルシミュレーション戦略を提案する。 さらに、グローバルな自己注意モジュールとローカルな自己意識モジュールは、モデルが「視線を逸脱する」関係に焦点を合わせるのに役立つように設計されている。 TDDモデルは4つの公開HADデータセットで検証された。 その結果、提案するtddモデルは、従来のモデルのトレーニングとテストの制限を単一のイメージ上でうまく克服でき、強力な検出能力と優れた転送能力を有していることが分かりました。

関連論文リスト

• Effort: Efficient Orthogonal Modeling for Generalizable AI-Generated Image Detection [66.16595174895802]
  既存のAI生成画像(AIGI)検出手法は、しばしば限定的な一般化性能に悩まされる。 本稿では、AIGI検出において、これまで見過ごされてきた重要な非対称性現象を同定する。
  論文  参考訳（メタデータ） (2024-11-23T19:10:32Z)
• Open-Set Deepfake Detection: A Parameter-Efficient Adaptation Method with Forgery Style Mixture [58.60915132222421]
  本稿では,顔偽造検出に汎用的かつパラメータ効率の高い手法を提案する。 フォージェリー・ソース・ドメインの多様性を増大させるフォージェリー・ミックス・フォーミュレーションを設計する。 設計したモデルは、トレーニング可能なパラメータを著しく減らし、最先端の一般化性を実現する。
  論文  参考訳（メタデータ） (2024-08-23T01:53:36Z)
• GLAD: Towards Better Reconstruction with Global and Local Adaptive Diffusion Models for Unsupervised Anomaly Detection [60.78684630040313]
  拡散モデルは、特定のノイズを付加したテスト画像の通常の画像を再構成する傾向がある。 世界的視点から見ると、異なる異常による画像再構成の難しさは不均一である。 本稿では,非教師付き異常検出のためのグローバルかつ局所的な適応拡散モデル(GLADと略す)を提案する。
  論文  参考訳（メタデータ） (2024-06-11T17:27:23Z)
• COFT-AD: COntrastive Fine-Tuning for Few-Shot Anomaly Detection [19.946344683965425]
  FSADの課題に対処する新しい手法を提案する。 重みをモデル化するために、大規模なソースデータセットで事前トレーニングされたモデルを使用します。 提案手法の有効性を示すために,3つの制御されたADタスクと4つの実世界のADタスクに対して,数発の異常検出を行った。
  論文  参考訳（メタデータ） (2024-02-29T09:48:19Z)
• Self-supervised Feature Adaptation for 3D Industrial Anomaly Detection [59.41026558455904]
  具体的には,大規模ビジュアルデータセット上で事前学習されたモデルを利用した初期のマルチモーダルアプローチについて検討する。 本研究では,アダプタを微調整し,異常検出に向けたタスク指向の表現を学習するためのLSFA法を提案する。
  論文  参考訳（メタデータ） (2024-01-06T07:30:41Z)
• Generating and Reweighting Dense Contrastive Patterns for Unsupervised Anomaly Detection [59.34318192698142]
  我々は、先行のない異常発生パラダイムを導入し、GRADと呼ばれる革新的な教師なし異常検出フレームワークを開発した。 PatchDiffは、様々な種類の異常パターンを効果的に公開する。 MVTec ADとMVTec LOCOデータセットの両方の実験も、前述の観測をサポートする。
  論文  参考訳（メタデータ） (2023-12-26T07:08:06Z)
• CL-Flow:Strengthening the Normalizing Flows by Contrastive Learning for Better Anomaly Detection [1.951082473090397]
  コントラスト学習と2D-Flowを組み合わせた自己教師付き異常検出手法を提案する。 本手法は,主流の教師なし手法と比較して,検出精度が向上し,モデルパラメータが減少し,推論速度が向上することを示す。 BTADデータセットでは,MVTecADデータセットでは画像レベルのAUROCが99.6%,BTADデータセットでは画像レベルのAUROCが96.8%であった。
  論文  参考訳（メタデータ） (2023-11-12T10:07:03Z)
• Learning a Cross-modality Anomaly Detector for Remote Sensing Imagery [21.444315419064882]
  リモートセンシング異常検知器は、地球観測の潜在的な標的として、背景から逸脱する物体を見つけることができる。 現在の異常検出器は特定の背景分布を学習することを目的としており、訓練されたモデルは見えない画像に転送することはできない。 本研究では,異なる背景分布から一貫した偏差距離への学習目標変換を利用する。
  論文  参考訳（メタデータ） (2023-10-11T14:07:05Z)
• Synthetic outlier generation for anomaly detection in autonomous driving [1.0989593035411862]
  異常検出は、確立されたパターンや大部分のデータから著しく逸脱したインスタンスを特定するために重要である。 本研究では,異常検出モジュールを用いた画像意味セグメンテーションモデルの訓練方法について検討する。 最先端DenseHybridモデルのトレーニング段階に改良を加えることで,異常検出における大幅な性能向上を実現した。
  論文  参考訳（メタデータ） (2023-08-04T07:55:32Z)
• LafitE: Latent Diffusion Model with Feature Editing for Unsupervised Multi-class Anomaly Detection [12.596635603629725]
  我々は,通常のデータのみにアクセス可能な場合に,複数のクラスに属するオブジェクトから異常を検出する統一モデルを開発した。 まず、生成的アプローチについて検討し、再構成のための潜伏拡散モデルについて検討する。 「拡散モデルの入力特徴空間を修正し、アイデンティティショートカットをさらに緩和する特徴編集戦略を導入する。」
  論文  参考訳（メタデータ） (2023-07-16T14:41:22Z)
• Diversity-Measurable Anomaly Detection [106.07413438216416]
  本稿では,再構成の多様性を高めるため,DMAD(Diversity-Measurable Anomaly Detection)フレームワークを提案する。 PDMは基本的に、変形を埋め込みから分離し、最終的な異常スコアをより信頼性を高める。
  論文  参考訳（メタデータ） (2023-03-09T05:52:42Z)

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。