論文の概要: Hyperspectral Anomaly Detection with Self-Supervised Anomaly Prior
- arxiv url: http://arxiv.org/abs/2404.13342v1
- Date: Sat, 20 Apr 2024 10:40:12 GMT
- ステータス: 処理完了
- システム内更新日: 2024-04-23 19:29:41.190656
- Title: Hyperspectral Anomaly Detection with Self-Supervised Anomaly Prior
- Title(参考訳): 自己監督型異常による高スペクトル異常検出
- Authors: Yidan Liu, Weiying Xie, Kai Jiang, Jiaqing Zhang, Yunsong Li, Leyuan Fang,
- Abstract要約: 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。
- 参考スコア(独自算出の注目度): 29.233195935103172
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: The majority of existing hyperspectral anomaly detection (HAD) methods use the low-rank representation (LRR) model to separate the background and anomaly components, where the anomaly component is optimized by handcrafted sparse priors (e.g., $\ell_{2,1}$-norm). However, this may not be ideal since they overlook the spatial structure present in anomalies and make the detection result largely dependent on manually set sparsity. To tackle these problems, we redefine the optimization criterion for the anomaly component in the LRR model with a self-supervised network called self-supervised anomaly prior (SAP). This prior is obtained by the pretext task of self-supervised learning, which is customized to learn the characteristics of hyperspectral anomalies. Specifically, this pretext task is a classification task to distinguish the original hyperspectral image (HSI) and the pseudo-anomaly HSI, where the pseudo-anomaly is generated from the original HSI and designed as a prism with arbitrary polygon bases and arbitrary spectral bands. In addition, a dual-purified strategy is proposed to provide a more refined background representation with an enriched background dictionary, facilitating the separation of anomalies from complex backgrounds. Extensive experiments on various hyperspectral datasets demonstrate that the proposed SAP offers a more accurate and interpretable solution than other advanced HAD methods.
- Abstract(参考訳): 既存のハイパースペクトル異常検出(HAD)法の大半は、背景と異常成分を分離するために低ランク表現(LRR)モデルを使用しており、そこでは異常成分は手作りのスパース事前(例えば$\ell_{2,1}$-norm)で最適化されている。
しかし、これは異常に存在する空間構造を見落とし、検出結果を手動で設定した間隔に大きく依存させるため、理想的ではないかもしれない。
これらの問題に対処するために、自己教師付き異常前処理(SAP)と呼ばれる自己教師付きネットワークを用いて、LRRモデルにおける異常成分の最適化基準を再定義する。
この前者は,超スペクトル異常の特徴を学習するためにカスタマイズされた自己教師型学習のテキストタスクによって得られる。
具体的には、このプリテキストタスクは、元のハイパースペクトル画像(HSI)と擬似アノマリーHSIを区別する分類タスクであり、擬似アノマリーは元のHSIから生成され、任意のポリゴンベースと任意のスペクトルバンドを持つプリズムとして設計される。
さらに、複雑な背景からの異常の分離を容易にするため、より洗練された背景表現をリッチな背景辞書で提供するための二重精製戦略を提案する。
様々な超スペクトルデータセットに対する大規模な実験により、提案されたSAPは、他の先進的HAD法よりも正確で解釈可能な解を提供することを示した。
関連論文リスト
- 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) - 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) - Open-Set Graph Anomaly Detection via Normal Structure Regularisation [30.638274744518682]
Open-set Graph Anomaly Detection (GAD)は、少数の正規ノードと異常ノードを使用して検出モデルをトレーニングすることを目的としている。
現在の監督型GAD法は、目に見えない異常を正常なノードとして検出する多くの誤りを招き、その異常を過度に強調する傾向にある。
本稿では,新しいオープンセットGAD手法,すなわち正規構造正規化(NSReg)を提案する。
論文 参考訳(メタデータ) (2023-11-12T13:25:28Z) - 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) - Prototypical Residual Networks for Anomaly Detection and Localization [80.5730594002466]
本稿では,PRN(Prototypeal Residual Network)というフレームワークを提案する。
PRNは、異常領域の分割マップを正確に再構築するために、異常領域と正常パターンの間の様々なスケールとサイズの特徴的残差を学習する。
異常を拡大・多様化するために,見かけの相違と外観の相違を考慮に入れた様々な異常発生戦略を提示する。
論文 参考訳(メタデータ) (2022-12-05T05:03:46Z) - 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) - Nonnegative-Constrained Joint Collaborative Representation with Union
Dictionary for Hyperspectral Anomaly Detection [14.721615285883429]
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。
論文 参考訳(メタデータ) (2022-03-18T16:02:27Z) - DR{\AE}M -- A discriminatively trained reconstruction embedding for
surface anomaly detection [14.234783431842542]
識別訓練された再構成異常埋め込みモデル(DRAEM)を提案する。
DRAEMは、異常画像とその異常のない再構成の合同表現を学習し、同時に、正常例と異常例の判定境界を学習する。
挑戦的なMVTec異常検出データセットでは、DRAEMは現在の最先端の教師なし手法よりも大きなマージンで優れている。
論文 参考訳(メタデータ) (2021-08-17T13:17:29Z) - Explainable Deep Few-shot Anomaly Detection with Deviation Networks [123.46611927225963]
本稿では,弱い教師付き異常検出フレームワークを導入し,検出モデルを訓練する。
提案手法は,ラベル付き異常と事前確率を活用することにより,識別正規性を学習する。
我々のモデルはサンプル効率が高く頑健であり、クローズドセットとオープンセットの両方の設定において最先端の競合手法よりもはるかに優れている。
論文 参考訳(メタデータ) (2021-08-01T14:33:17Z)
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。