論文の概要: Hyperspectral Anomaly Detection Fused Unified Nonconvex Tensor Ring Factors Regularization

• arxiv url: http://arxiv.org/abs/2505.17881v1
• Date: Fri, 23 May 2025 13:31:13 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-05-26 18:08:34.107921
• Title: Hyperspectral Anomaly Detection Fused Unified Nonconvex Tensor Ring Factors Regularization
• Title（参考訳）: ハイパースペクトル異常検出融合非凸テンソルリング因子の規則化
• Authors: Wenjin Qin, Hailin Wang, Hao Shu, Feng Zhang, Jianjun Wang, Xiangyong Cao, Xi-Le Zhao, Gemine Vivone,
• Abstract要約: 本稿では、統合された非スペクトルフレームワーク(TR)正規化因子を組み込んだHAD-EUNTRFRを提案する。 提案手法は,既存のSOTA(State-of-the-art)アプローチを項項の精度で上回る。
• 参考スコア（独自算出の注目度）: 29.080180491898805
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: In recent years, tensor decomposition-based approaches for hyperspectral anomaly detection (HAD) have gained significant attention in the field of remote sensing. However, existing methods often fail to fully leverage both the global correlations and local smoothness of the background components in hyperspectral images (HSIs), which exist in both the spectral and spatial domains. This limitation results in suboptimal detection performance. To mitigate this critical issue, we put forward a novel HAD method named HAD-EUNTRFR, which incorporates an enhanced unified nonconvex tensor ring (TR) factors regularization. In the HAD-EUNTRFR framework, the raw HSIs are first decomposed into background and anomaly components. The TR decomposition is then employed to capture the spatial-spectral correlations within the background component. Additionally, we introduce a unified and efficient nonconvex regularizer, induced by tensor singular value decomposition (TSVD), to simultaneously encode the low-rankness and sparsity of the 3-D gradient TR factors into a unique concise form. The above characterization scheme enables the interpretable gradient TR factors to inherit the low-rankness and smoothness of the original background. To further enhance anomaly detection, we design a generalized nonconvex regularization term to exploit the group sparsity of the anomaly component. To solve the resulting doubly nonconvex model, we develop a highly efficient optimization algorithm based on the alternating direction method of multipliers (ADMM) framework. Experimental results on several benchmark datasets demonstrate that our proposed method outperforms existing state-of-the-art (SOTA) approaches in terms of detection accuracy.
• Abstract（参考訳）: 近年,高スペクトル異常検出(HAD)のためのテンソル分解に基づくアプローチが,リモートセンシングの分野で注目されている。 しかし、既存の手法では、スペクトル領域と空間領域の両方に存在するハイパースペクトル画像(HSI)の背景成分の局所的滑らかさと大域的相関を十分に活用できないことが多い。 この制限により、最適下検出性能が向上する。 この問題を緩和するため、我々はHAD-EUNTRFRと呼ばれる新しいHAD法を提案し、拡張された非凸テンソルリング(TR)因子を正則化する。 HAD-EUNTRFRフレームワークでは、生のHSIは、まず背景および異常成分に分解される。 次に、TR分解を用いて背景成分内の空間-スペクトル相関をキャプチャする。 さらに、テンソル特異値分解(TSVD)によって誘導される統一的で効率的な非凸正則化器を導入し、3次元勾配TR因子の低ランク性と疎度を一意の簡潔な形式に同時に符号化する。 上記のキャラクタリゼーション方式により、解釈可能な勾配TR因子は、元の背景の低ランク性と滑らかさを継承することができる。 異常検出をさらに高めるために,異常成分の群間隔を利用した一般化された非凸正規化項を設計する。 得られた二重非凸モデルを解決するために,乗算器の交互方向法(ADMM)に基づく高効率最適化アルゴリズムを開発した。 いくつかのベンチマークデータセットによる実験結果から,提案手法は検出精度において既存のSOTA(State-of-the-art)手法よりも優れていることが示された。

関連論文リスト

• Spectral-Spatial Extraction through Layered Tensor Decomposition for Hyperspectral Anomaly Detection [6.292153194561472]
  低位テンソル表現(LRTR)法は高スペクトル異常検出(HAD)に非常に有用である まず、非負行列分解(NMF)を用いてスペクトル次元の冗長性を緩和し、スペクトル異常を抽出する。 次に, LRTRを用いて空間冗長性を緩和しながら空間異常を抽出し, HADのための高効率なテンソル分解機構を得る。 Airport-Beach-Urban と MVTec のデータセットによる実験結果から,HAD タスクの最先端手法よりも優れた結果が得られた。
  論文  参考訳（メタデータ） (2025-03-07T07:08:14Z)
• Irregular Tensor Low-Rank Representation for Hyperspectral Image Representation [71.69331824668954]
  スペクトル変動は、ハイパースペクトル画像(HSI)解析において共通の課題となる 低ランクテンソル表現は、HSIデータに固有の相関を利用して、堅牢な戦略として登場した。 本研究では,不規則な3次元立方体を効率的にモデル化するために,不規則なテンソルローランク表現のための新しいモデルを提案する。
  論文  参考訳（メタデータ） (2024-10-24T02:56:22Z)
• Hyperspectral Anomaly Detection with Self-Supervised Anomaly Prior [29.233195935103172]
  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。
  論文  参考訳（メタデータ） (2024-04-20T10:40:12Z)
• Hyperspectral Image Fusion via Logarithmic Low-rank Tensor Ring Decomposition [26.76968345244154]
  TR因子の低ランク性をTNNの観点から検討し,各TR因子のモード2対数TNN(LTNN)を考慮する。 このLTNN正則化と重み付き全変動を取り入れた新しい融合モデルを提案する。
  論文  参考訳（メタデータ） (2023-10-16T04:02:34Z)
• Detecting Rotated Objects as Gaussian Distributions and Its 3-D Generalization [81.29406957201458]
  既存の検出方法は、パラメータ化バウンディングボックス(BBox)を使用して(水平)オブジェクトをモデル化し、検出する。 このような機構は回転検出に有効な回帰損失を構築するのに基本的な限界があると主張する。 回転した物体をガウス分布としてモデル化することを提案する。 2次元から3次元へのアプローチを、方向推定を扱うアルゴリズム設計により拡張する。
  論文  参考訳（メタデータ） (2022-09-22T07:50:48Z)
• Orthogonal Matrix Retrieval with Spatial Consensus for 3D Unknown-View Tomography [58.60249163402822]
  未知視トモグラフィ(UVT)は、未知のランダムな向きで2次元投影から3次元密度マップを再構成する。 提案したOMRはより堅牢で、従来の最先端のOMRアプローチよりも大幅に性能が向上している。
  論文  参考訳（メタデータ） (2022-07-06T21:40:59Z)
• Hyperspectral Image Denoising Using Non-convex Local Low-rank and Sparse Separation with Spatial-Spectral Total Variation Regularization [49.55649406434796]
  本研究では,HSI復調のためのロバストな主成分分析のための新しい非特異なアプローチを提案する。 我々は、ランクとスパースコンポーネントの両方に対する正確な近似を開発する。 シミュレーションと実HSIの両方の実験により,提案手法の有効性が示された。
  論文  参考訳（メタデータ） (2022-01-08T11:48:46Z)
• Infrared small target detection based on isotropic constraint under complex background [10.091959130890956]
  ターゲットの低信号・クラッタ比(SCR)と不規則な背景クラッタによる干渉は正確な結果を得るのを難しくする。 等方性に制約された多層灰色の差分法(MGD)を提案する。 実験の結果,提案手法は信号-クラッタ比ゲイン (SCRG) と受信動作特性 (ROC) 曲線の両面で,いくつかの一般的な手法よりも有効で優れていることがわかった。
  論文  参考訳（メタデータ） (2020-11-24T12:25:05Z)

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。