論文の概要: Benchmarking Suite for Synthetic Aperture Radar Imagery Anomaly Detection (SARIAD) Algorithms

• arxiv url: http://arxiv.org/abs/2504.08115v1
• Date: Thu, 10 Apr 2025 20:31:25 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-04-14 14:20:26.901809
• Title: Benchmarking Suite for Synthetic Aperture Radar Imagery Anomaly Detection (SARIAD) Algorithms
• Title（参考訳）: 合成開口レーダ画像異常検出(SARIAD)アルゴリズムのためのベンチマークスイート
• Authors: Lucian Chauvina, Somil Guptac, Angelina Ibarrac, Joshua Peeples,
• Abstract要約: 異常検出はコンピュータビジョンと機械学習における重要な研究課題である。 レーダイメージングでは、特に合成開口レーダ(SAR)では、興味のある物体の分類、検出、セグメンテーションに異常検出を用いることができる。 SARIADは、SAR画像上の異常検出アプローチを評価し、開発するためのアルゴリズムとデータセットの包括的なスイートを提供する。
• 参考スコア（独自算出の注目度）: 0.3124884279860061
• License:
• Abstract: Anomaly detection is a key research challenge in computer vision and machine learning with applications in many fields from quality control to radar imaging. In radar imaging, specifically synthetic aperture radar (SAR), anomaly detection can be used for the classification, detection, and segmentation of objects of interest. However, there is no method for developing and benchmarking these methods on SAR imagery. To address this issue, we introduce SAR imagery anomaly detection (SARIAD). In conjunction with Anomalib, a deep-learning library for anomaly detection, SARIAD provides a comprehensive suite of algorithms and datasets for assessing and developing anomaly detection approaches on SAR imagery. SARIAD specifically integrates multiple SAR datasets along with tools to effectively apply various anomaly detection algorithms to SAR imagery. Several anomaly detection metrics and visualizations are available. Overall, SARIAD acts as a central package for benchmarking SAR models and datasets to allow for reproducible research in the field of anomaly detection in SAR imagery. This package is publicly available: https://github.com/Advanced-Vision-and-Learning-Lab/SARIAD.
• Abstract（参考訳）: 異常検出はコンピュータビジョンと機械学習において重要な研究課題であり、品質管理からレーダイメージングまで多くの分野で応用されている。 レーダイメージングでは、特に合成開口レーダ(SAR)では、興味のある物体の分類、検出、セグメンテーションに異常検出を用いることができる。 しかし、これらの手法をSAR画像上で開発・ベンチマークする方法は存在しない。 この問題に対処するために,SAR画像異常検出(SARIAD)を導入する。 異常検出のためのディープラーニングライブラリであるAnomalibと合わせて、SARIADは、SAR画像上の異常検出アプローチを評価し開発するためのアルゴリズムとデータセットの包括的なスイートを提供する。 SARIADは、複数のSARデータセットとツールを統合して、さまざまな異常検出アルゴリズムをSARイメージに効果的に適用する。 いくつかの異常検出メトリクスと視覚化が利用可能である。 全体として、SARIADはSARモデルとデータセットをベンチマークする中心的なパッケージとして機能し、SAR画像の異常検出の分野で再現可能な研究を可能にする。 このパッケージは、https://github.com/Advanced-Vision-and-Learning-Lab/SARIAD.comで公開されている。

関連論文リスト

• RAD: A Comprehensive Dataset for Benchmarking the Robustness of Image Anomaly Detection [4.231702796492545]
  本研究では,自由なビュー,不均一な照度,ぼやけたコレクションを備えたロバスト異常検出データセットを提案する。 RADは、ワーキングプラットフォーム上の異物を異常として識別することを目的としている。 RADを用いた非教師ありゼロショット法11点の評価と解析を行った。
  論文  参考訳（メタデータ） (2024-06-11T11:39:44Z)
• ARC: A Generalist Graph Anomaly Detector with In-Context Learning [62.202323209244]
  ARCは汎用的なGADアプローチであり、一対一のGADモデルで様々なグラフデータセットの異常を検出することができる。 ARCはコンテキスト内学習を備えており、ターゲットデータセットからデータセット固有のパターンを直接抽出することができる。 各種領域からの複数のベンチマークデータセットに対する大規模な実験は、ARCの優れた異常検出性能、効率、一般化性を示す。
  論文  参考訳（メタデータ） (2024-05-27T02:42:33Z)
• SARDet-100K: Towards Open-Source Benchmark and ToolKit for Large-Scale SAR Object Detection [79.23689506129733]
  我々は,大規模SARオブジェクト検出のための新しいベンチマークデータセットとオープンソース手法を構築した。 私たちのデータセットであるSARDet-100Kは、10の既存のSAR検出データセットの厳格な調査、収集、標準化の結果です。 私たちの知る限りでは、SARDet-100KはCOCOレベルの大規模マルチクラスSARオブジェクト検出データセットとしては初めてのものです。
  論文  参考訳（メタデータ） (2024-03-11T09:20:40Z)
• 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)
• Deep Learning-Based Anomaly Detection in Synthetic Aperture Radar Imaging [11.12267144061017]
  本手法は,異常を周囲から逸脱する異常パターンとみなすが,その特徴を事前に把握していない。 提案手法は自己教師付きアルゴリズムを用いてこれらの問題に対処することを目的としている。 従来のReed-Xiaoliアルゴリズムと比較して,提案手法の利点を示す実験を行った。
  論文  参考訳（メタデータ） (2022-10-28T10:22:29Z)
• Self-Calibrating Anomaly and Change Detection for Autonomous Inspection Robots [0.07366405857677225]
  視覚異常または変化検出アルゴリズムは、参照画像やデータセットとは異なる画像の領域を特定する。 本研究では,事前の未知環境における異常や変化を検出するための総合的なディープラーニングフレームワークを提案する。
  論文  参考訳（メタデータ） (2022-08-26T09:52:12Z)
• Autoregressive Model for Multi-Pass SAR Change Detection Based on Image Stacks [0.0]
  変化検出は重要な合成開口レーダ(SAR)アプリケーションであり、通常、異なるタイミングで地上環境の変化を検出するために使用される。 本研究では,画像スタック情報を時系列データとして扱うことができ,自己回帰モデルを用いてモデル化することができる。 画像スタック内の各画素位置に対するARモデルの適用により、基準画像として使用できる地上シーンの推定画像を得た。
  論文  参考訳（メタデータ） (2022-06-05T21:46:11Z)
• Rethinking Drone-Based Search and Rescue with Aerial Person Detection [79.76669658740902]
  航空ドローンの映像の視覚検査は、現在土地捜索救助(SAR)活動に不可欠な部分である。 本稿では,この空中人物検出(APD)タスクを自動化するための新しいディープラーニングアルゴリズムを提案する。 本稿では,Aerial Inspection RetinaNet (AIR) アルゴリズムについて述べる。
  論文  参考訳（メタデータ） (2021-11-17T21:48:31Z)
• DAE : Discriminatory Auto-Encoder for multivariate time-series anomaly detection in air transportation [68.8204255655161]
  識別オートエンコーダ(DAE)と呼ばれる新しい異常検出モデルを提案する。 通常のLSTMベースのオートエンコーダのベースラインを使用するが、いくつかのデコーダがあり、それぞれ特定の飛行フェーズのデータを取得する。 その結果,DAEは精度と検出速度の両方で良好な結果が得られることがわかった。
  論文  参考訳（メタデータ） (2021-09-08T14:07:55Z)
• Depth Estimation from Monocular Images and Sparse Radar Data [93.70524512061318]
  本稿では,ディープニューラルネットワークを用いた単眼画像とレーダ点の融合により,より正確な深度推定を実現する可能性を検討する。 レーダ測定で発生するノイズが,既存の融合法の適用を妨げている主要な理由の1つであることが判明した。 実験はnuScenesデータセット上で行われ、カメラ、レーダー、LiDARの記録を様々な場面と気象条件で記録する最初のデータセットの1つである。
  論文  参考訳（メタデータ） (2020-09-30T19:01:33Z)
• SAR2SAR: a semi-supervised despeckling algorithm for SAR images [3.9490074068698]
  本稿では,自己超越型ディープラーニングアルゴリズムSAR2SARを提案する。 時間的変化の補償と、スペックル統計に適応した損失関数に基づいて、SAR非特異化に適応する戦略を提示する。 提案アルゴリズムの可能性を示すために,実画像における結果について考察する。
  論文  参考訳（メタデータ） (2020-06-26T15:07:28Z)

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。