論文の概要: A Unified Remote Sensing Anomaly Detector Across Modalities and Scenes
via Deviation Relationship Learning
- arxiv url: http://arxiv.org/abs/2310.07511v1
- Date: Wed, 11 Oct 2023 14:07:05 GMT
- ステータス: 処理完了
- システム内更新日: 2023-10-12 22:32:35.733868
- Title: A Unified Remote Sensing Anomaly Detector Across Modalities and Scenes
via Deviation Relationship Learning
- Title（参考訳）: 偏差関係学習によるモーダリティとシーン間の統合型リモートセンシング異常検知器
- Authors: Jingtao Li, Xinyu Wang, Hengwei Zhao, Liangpei Zhang, Yanfei Zhong
- Abstract要約: 統一された異常検出器はコスト効率が高く、新しい地球観測源や異常タイプに対して柔軟であるべきである。
提案モデルは、高スペクトル、可視光、合成開口レーダ(SAR)、赤外線、低光の5つのモードで検証された。
- 参考スコア（独自算出の注目度）: 23.006447036077823
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Remote sensing anomaly detector can find the objects deviating from the
background as potential targets. Given the diversity in earth anomaly types, a
unified anomaly detector across modalities and scenes should be cost-effective
and flexible to new earth observation sources and anomaly types. However, the
current anomaly detectors are limited to a single modality and single scene,
since they aim to learn the varying background distribution. Motivated by the
universal anomaly deviation pattern, in that anomalies exhibit deviations from
their local context, we exploit this characteristic to build a unified anomaly
detector. Firstly, we reformulate the anomaly detection task as an undirected
bilayer graph based on the deviation relationship, where the anomaly score is
modeled as the conditional probability, given the pattern of the background and
normal objects. The learning objective is then expressed as a conditional
probability ranking problem. Furthermore, we design an instantiation of the
reformulation in the data, architecture, and optimization aspects. Simulated
spectral and spatial anomalies drive the instantiated architecture. The model
is optimized directly for the conditional probability ranking. The proposed
model was validated in five modalities including the hyperspectral, visible
light, synthetic aperture radar (SAR), infrared and low light to show its
unified detection ability.
- Abstract（参考訳）: リモートセンシング異常検知器は、背景から逸脱する物体を潜在的な標的として見つけることができる。
地球の異常タイプの多様性を考えると、モダリティとシーンにまたがる統一異常検出器はコスト効率が高く、新しい地球観測源や異常タイプに対して柔軟であるべきである。
しかし、現在の異常検知器は、異なる背景分布を学習することを目的としており、単一のモダリティと単一シーンに限られている。
普遍的異常偏差パターンに動機づけられ、異常が局所的文脈からの偏差を示す場合、この特徴を利用して統一異常検出器を構築する。
まず, 異常検出タスクを偏差関係に基づいて非方向の2層グラフとして再構成し, 背景および通常の物体のパターンを考慮し, 異常スコアを条件付き確率としてモデル化する。
そして、学習対象を条件付き確率ランキング問題として表現する。
さらに,データ,アーキテクチャ,最適化面での再構成のインスタンス化も設計する。
シミュレーションされたスペクトルおよび空間異常は、インスタンス化されたアーキテクチャを駆動する。
このモデルは条件付き確率ランキングに最適化される。
提案モデルは,ハイパースペクトル,可視光,合成開口レーダ(sar),赤外,低光の5つのモードで検証され,その統一検出能力を示した。
関連論文リスト
- Online-Adaptive Anomaly Detection for Defect Identification in Aircraft Assembly [4.387337528923525]
異常検出は、データ内の確立されたパターンから逸脱を検出する。
本稿では,移動学習を用いたオンライン適応型異常検出のための新しいフレームワークを提案する。
実験結果は0.975を超える検出精度を示し、最先端のET-NETアプローチよりも優れていた。
論文 参考訳（メタデータ） (2024-06-18T15:11:44Z) - 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) - Detecting Out-Of-Distribution Earth Observation Images with Diffusion Models [2.1178416840822027]
本研究では,拡散モデルの再構成誤差がリモートセンシング画像の非教師外分布検出器として有効であることを示す。
本稿では,拡散モデルの確率フローODEを用いた新しい再構成ベースのスコアラODEEDを紹介する。
遠隔センシングにおける異常検出のための生成モデルのより良い利用に向けた道を開くことを目的としている。
論文 参考訳（メタデータ） (2024-04-19T07:07:36Z) - 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) - Projection Regret: Reducing Background Bias for Novelty Detection via
Diffusion Models [72.07462371883501]
本研究では,非意味情報のバイアスを緩和する効率的な新規性検出手法であるemphProjection Regret(PR)を提案する。
PRは、テスト画像とその拡散ベースの投影の間の知覚距離を計算し、異常を検出する。
拡張実験により、PRは生成モデルに基づく新規性検出手法の先行技術よりも有意なマージンで優れていることが示された。
論文 参考訳（メタデータ） (2023-12-05T09:44:47Z) - One-Step Detection Paradigm for Hyperspectral Anomaly Detection via
Spectral Deviation Relationship Learning [17.590080772567678]
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。
論文 参考訳（メタデータ） (2023-03-22T06:41:09Z) - CRADL: Contrastive Representations for Unsupervised Anomaly Detection
and Localization [2.8659934481869715]
医用画像における教師なし異常検出は、訓練中に異常データを必要とせず、任意の異常を検出し、位置決めすることを目的としている。
現在の最先端の手法のほとんどは、画像上で直接動作する潜在変数生成モデルを使用している。
コントラストプレテクストタスクで訓練されたエンコーダの低次元表現空間において,正規サンプルの分布を直接モデル化するCRADLを提案する。
論文 参考訳（メタデータ） (2023-01-05T16:07:49Z) - Lossy Compression for Robust Unsupervised Time-Series Anomaly Detection [4.873362301533825]
本稿では,異常検出のためのLossy Causal Temporal Convolutional Neural Network Autoencoderを提案する。
我々のフレームワークは, 速度歪み損失とエントロピーボトルネックを用いて, タスクの圧縮潜在表現を学習する。
論文 参考訳（メタデータ） (2022-12-05T14:29:16Z) - ReDFeat: Recoupling Detection and Description for Multimodal Feature
Learning [51.07496081296863]
我々は、相互重み付け戦略による多モーダル特徴学習の検出と記述の独立した制約を再定義する。
本研究では,大きな受容場を有し,学習可能な非最大抑制層を備える検出器を提案する。
我々は,特徴マッチングと画像登録タスクにおける特徴量を評価するために,クロス可視,赤外線,近赤外,合成開口レーダ画像ペアを含むベンチマークを構築した。
論文 参考訳（メタデータ） (2022-05-16T04:24:22Z) - The KFIoU Loss for Rotated Object Detection [115.334070064346]
本稿では,SkewIoU損失とトレンドレベルアライメントを両立できる近似的損失を考案する上で,有効な方法の1つとして論じる。
具体的には、対象をガウス分布としてモデル化し、SkewIoUのメカニズムを本質的に模倣するためにカルマンフィルタを採用する。
KFIoUと呼ばれる新たな損失は実装が容易で、正確なSkewIoUよりもうまく動作する。
論文 参考訳（メタデータ） (2022-01-29T10:54:57Z) - 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)
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。