論文の概要: ERX: A Fast Real-Time Anomaly Detection Algorithm for Hyperspectral Line-Scanning
- arxiv url: http://arxiv.org/abs/2408.14947v1
- Date: Tue, 27 Aug 2024 10:44:34 GMT
- ステータス: 処理完了
- システム内更新日: 2024-08-28 14:13:27.263096
- Title: ERX: A Fast Real-Time Anomaly Detection Algorithm for Hyperspectral Line-Scanning
- Title(参考訳): ERX:ハイパースペクトルラインスキャンのための高速リアルタイム異常検出アルゴリズム
- Authors: Samuel Garske, Bradley Evans, Christopher Artlett, KC Wong,
- Abstract要約: 本稿では,Exponentially moving RX algorithm (ERX)を導入し,実時間線走査のための既存のRXに基づく異常検出手法と比較する。
ERXはJetson Xavier NX計算モジュールを使用してテストされ、3つの新しいデータセットの速度と検出の最適な組み合わせを実現した。
本研究は, 異常物体の分類・配置, 適応的および自動しきい値選択, 実時間フィールドテストにおける今後の研究の道を開くものである。
- 参考スコア(独自算出の注目度): 0.0
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Detecting unexpected objects (anomalies) in real-time has great potential for monitoring, managing, and protecting the environment. Hyperspectral line-scan cameras are a low-cost solution that enhance confidence in anomaly detection over RGB and multispectral imagery. However, real-time algorithms for these cameras must be fast when using small computers (e.g., those onboard a drone or small satellite), scalable to high dimensions, adaptable to changing scenery, and robust against geometric and radiometric distortions. This paper introduces the Exponentially moving RX algorithm (ERX) and compares it to existing RX-based anomaly detection methods for real-time line-scanning. ERX was tested using a Jetson Xavier NX compute module, achieving the best combination of speed and detection across three novel datasets compared to the other algorithms. This research paves the way for future studies in grouping and locating anomalous objects, adaptive and automatic threshold selection, and real-time field tests. The Python code for the algorithms and experiments is available at https://github.com/WiseGamgee/HyperAD.
- Abstract(参考訳): 予期せぬオブジェクト(異常)をリアルタイムで検出することは、環境を監視し、管理し、保護する大きな可能性がある。
ハイパースペクトルラインスキャンカメラは、RGBおよびマルチスペクトル画像に対する異常検出の信頼性を高めるための低コストなソリューションである。
しかし、これらのカメラのリアルタイムアルゴリズムは、小型コンピュータ(例えばドローンや小型衛星)を使用する場合、高速で、高次元にスケーラブルで、景色の変化に適応でき、幾何学的およびラジオメトリックな歪みに対して堅牢でなければならない。
本稿では,Exponentially moving RX algorithm (ERX)を導入し,実時間線走査のための既存のRXに基づく異常検出手法と比較する。
ERXはJetson Xavier NX計算モジュールを使用してテストされ、他のアルゴリズムと比較して3つの新しいデータセットの速度と検出の最適な組み合わせを実現した。
本研究は, 異常物体の分類・配置, 適応的および自動しきい値選択, 実時間フィールドテストにおける今後の研究の道を開くものである。
アルゴリズムと実験のためのPythonコードはhttps://github.com/WiseGamgee/HyperADで公開されている。
関連論文リスト
- Tiny and Efficient Model for the Edge Detection Generalization [0.0]
提案するTiny and Efficient Edge Detector(TEED)は,パラメータが5,8Kドルの軽量畳み込みニューラルネットワークである。
BIPEDデータセットのトレーニングには30分以上かかり、各エポックは5分未満である。
提案したモデルは訓練が容易で,予測されたエッジマップはクオリティが高く,初期のごく一部のエポック内に急速に収束する。
論文 参考訳(メタデータ) (2023-08-12T05:23:36Z) - HPointLoc: Point-based Indoor Place Recognition using Synthetic RGB-D
Images [58.720142291102135]
本稿では,屋内環境における視覚的位置認識能力の探索を目的とした,HPointLocという新しいデータセットを提案する。
データセットは人気のあるHabitatシミュレータに基づいており、独自のセンサーデータとオープンデータセットの両方を使用して屋内シーンを生成することができる。
論文 参考訳(メタデータ) (2022-12-30T12:20:56Z) - Are we ready for beyond-application high-volume data? The Reeds robot
perception benchmark dataset [3.781421673607643]
本稿ではロボット認識アルゴリズムの研究のためにReedsと呼ばれるデータセットを提案する。
このデータセットは、アプリケーション固有のソリューションをテストする環境を提供するのではなく、アルゴリズムに要求されるベンチマーク機会を提供することを目的としている。
論文 参考訳(メタデータ) (2021-09-16T23:21:42Z) - Real-Time COVID-19 Diagnosis from X-Ray Images Using Deep CNN and
Extreme Learning Machines Stabilized by Chimp Optimization Algorithm [3.67350413975883]
本稿では,胸部X線画像の分類のための新しい2段階アプローチを提案する。
第1フェーズでは、機能抽出器として機能するディープCNNをトレーニングし、第2フェーズでは、リアルタイム検出にELM(Extreme Learning Machines)を使用する。
提案手法は、他の比較ベンチマークの98.25%と99.11%を、COVID-Xray-5kとCOVIDetectioNetデータセットの最終的な精度で上回る。
論文 参考訳(メタデータ) (2021-05-14T20:04:04Z) - Evolving Deep Convolutional Neural Network by Hybrid Sine-Cosine and
Extreme Learning Machine for Real-time COVID19 Diagnosis from X-Ray Images [0.5249805590164902]
ディープ・コンボリューショナル・ネットワーク(CNN)は、COVID-19陽性症例の診断に応用できるツールとみなすことができる。
本稿では,最後の完全接続層ではなく,ELM(Extreme Learning Machine)を用いることを提案する。
提案手法は、COVID-Xray-5kデータセットで98.83%の最終的な精度で比較ベンチマークを上回っている。
論文 参考訳(メタデータ) (2021-05-14T19:40:16Z) - Voxel R-CNN: Towards High Performance Voxel-based 3D Object Detection [99.16162624992424]
Voxel R-CNNというシンプルで効果的なVoxelベースのフレームワークを考案しました。
2段階のアプローチでボクセルの特徴をフル活用することにより,最先端の点ベースモデルと同等の精度で検出できる。
その結果、Voxel R-CNNは、NVIDIA 2080 Ti GPU上での25 FPSの速度で、リアルタイムフレーム処理速度を維持しながら、より高い検出精度を提供する。
論文 参考訳(メタデータ) (2020-12-31T17:02:46Z) - Efficient Nonlinear RX Anomaly Detectors [7.762712532657168]
異常検出のための標準カーネルReed-Xiaoli(RX)の効率向上のための2種類の手法を提案する。
その結果,提案手法は計算コストが低く,標準カーネルrxアルゴリズムと同様の性能(性能)を持つことがわかった。
論文 参考訳(メタデータ) (2020-12-07T21:57:54Z) - Anchor-free Small-scale Multispectral Pedestrian Detection [88.7497134369344]
適応型単一段アンカーフリーベースアーキテクチャにおける2つのモードの効果的かつ効率的な多重スペクトル融合法を提案する。
我々は,直接的境界ボックス予測ではなく,対象の中心と規模に基づく歩行者表現の学習を目指す。
その結果,小型歩行者の検出における本手法の有効性が示唆された。
論文 参考訳(メタデータ) (2020-08-19T13:13:01Z) - DR-SPAAM: A Spatial-Attention and Auto-regressive Model for Person
Detection in 2D Range Data [81.06749792332641]
本研究では,異なるタイミングで得られたスキャンを組み合わせ,代替戦略を用いた人物検出ネットワークを提案する。
DR-SPAAMは、バックボーンネットワークから中間機能をテンプレートとして保持し、新しいスキャンが利用可能になったときにテンプレートをリカレントに更新する。
DROWデータセットでは,提案手法は既存の最先端技術よりも約4倍高速である。
論文 参考訳(メタデータ) (2020-04-29T11:01:44Z) - Contextual-Bandit Anomaly Detection for IoT Data in Distributed
Hierarchical Edge Computing [65.78881372074983]
IoTデバイスは複雑なディープニューラルネットワーク(DNN)モデルにはほとんど余裕がなく、異常検出タスクをクラウドにオフロードすることは長い遅延を引き起こす。
本稿では,分散階層エッジコンピューティング(HEC)システムを対象とした適応型異常検出手法のデモと構築を行う。
提案手法は,検出タスクをクラウドにオフロードした場合と比較して,精度を犠牲にすることなく検出遅延を著しく低減することを示す。
論文 参考訳(メタデータ) (2020-04-15T06:13:33Z) - Saliency Enhancement using Gradient Domain Edges Merging [65.90255950853674]
本研究では,エッジとサリエンシマップをマージして,サリエンシマップの性能を向上させる手法を開発した。
これにより、DUT-OMRONデータセットの少なくとも3.4倍の平均的な改善により、エッジ(SEE)を使用したサリエンシ向上が提案された。
SEEアルゴリズムは前処理のためのSEE-Preと後処理のためのSEE-Postの2つの部分に分けられる。
論文 参考訳(メタデータ) (2020-02-11T14:04:56Z)
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。