論文の概要: Hyperspectral Anomaly Detection Methods: A Survey and Comparative Study
- arxiv url: http://arxiv.org/abs/2507.05730v1
- Date: Tue, 08 Jul 2025 07:23:24 GMT
- ステータス: 翻訳完了
- システム内更新日: 2025-07-09 16:34:37.657851
- Title: Hyperspectral Anomaly Detection Methods: A Survey and Comparative Study
- Title（参考訳）: ハイパースペクトル異常検出法:サーベイと比較検討
- Authors: Aayushma Pant, Arbind Agrahari Baniya, Tsz-Kwan Lee, Sunil Aryal,
- Abstract要約: ハイパースペクトル異常検出(ハイパースペクトル異常検出、英: Hyperspectral Anomaly Detection、HAD)は、超スペクトルシーンやターゲットスペクトルに関する事前情報なしで、そのようなデータ中の異常なターゲットを特定し、位置を特定する技術である。
本研究では,様々なHAD手法を包括的に比較し,統計モデル,表現ベース手法,古典的機械学習手法,ディープラーニングモデルに分類する。
ROC, AUC, セパビリティマップなど, 異なるパフォーマンス指標を用いて, ベンチマークデータセット17種を対象にこれらの手法を評価した。
研究によると、ディープラーニングモデルは最高の検出精度を達成し、統計モデルはすべてのデータセットで例外的な速度を示した。
- 参考スコア（独自算出の注目度）: 1.074960192271861
- License: http://creativecommons.org/licenses/by-nc-nd/4.0/
- Abstract: Hyperspectral images are high-dimensional datasets consisting of hundreds of contiguous spectral bands, enabling detailed material and surface analysis. Hyperspectral anomaly detection (HAD) refers to the technique of identifying and locating anomalous targets in such data without prior information about a hyperspectral scene or target spectrum. This technology has seen rapid advancements in recent years, with applications in agriculture, defence, military surveillance, and environmental monitoring. Despite this significant progress, existing HAD methods continue to face challenges such as high computational complexity, sensitivity to noise, and limited generalisation across diverse datasets. This study presents a comprehensive comparison of various HAD techniques, categorising them into statistical models, representation-based methods, classical machine learning approaches, and deep learning models. We evaluated these methods across 17 benchmarking datasets using different performance metrics, such as ROC, AUC, and separability map to analyse detection accuracy, computational efficiency, their strengths, limitations, and directions for future research.The research shows that deep learning models achieved the highest detection accuracy, while statistical models demonstrated exceptional speed across all datasets. This study aims to provide valuable insights for researchers and practitioners working to advance the field of hyperspectral anomaly detection methods.
- Abstract（参考訳）: ハイパースペクトル画像は、数百の連続スペクトルバンドからなる高次元データセットであり、詳細な材料と表面分析を可能にする。
ハイパースペクトル異常検出(ハイパースペクトル異常検出、英: Hyperspectral Anomaly Detection、HAD)は、超スペクトルシーンやターゲットスペクトルに関する事前情報なしで、そのようなデータ中の異常なターゲットを特定し、位置を特定する技術である。
この技術は農業、防衛、軍事監視、環境監視など、近年急速に進歩している。
このような大きな進歩にもかかわらず、既存のHAD手法は、高い計算複雑性、ノイズに対する感度、多様なデータセット間の限定的な一般化といった課題に直面し続けている。
本研究では,様々なHAD手法を包括的に比較し,統計モデル,表現ベース手法,古典的機械学習手法,ディープラーニングモデルに分類する。
ROC,AUC,セパビリティマップなどの異なるパフォーマンス指標を用いて,これらの手法を評価し,検出精度,計算効率,その強度,限界,今後の研究の方向性を解析し,ディープラーニングモデルが最も高い検出精度を達成した一方で,統計モデルでは全データセットで例外的な速度を示した。
本研究は,高スペクトル異常検出法の分野を推し進める研究者や実践者に貴重な知見を提供することを目的としている。
関連論文リスト
- Anomaly Detection and Generation with Diffusion Models: A Survey [51.61574868316922]
異常検出(AD)は、サイバーセキュリティ、金融、医療、工業製造など、さまざまな分野において重要な役割を担っている。
近年のディープラーニング,特に拡散モデル(DM)の進歩は,大きな関心を集めている。
この調査は、研究者や実践者が様々なアプリケーションにまたがる革新的なADソリューションにDMを利用することをガイドすることを目的としている。
論文 参考訳（メタデータ） (2025-06-11T03:29:18Z) - Research on Anomaly Detection Methods Based on Diffusion Models [4.979627412142658]
異常検出は機械学習とデータマイニングの基本的な課題であり、サイバーセキュリティ、産業障害診断、臨床疾患モニタリングに重要な応用がある。
統計モデリングや機械学習ベースのアプローチといった従来の手法は、複雑で高次元のデータ分散を扱う際の課題に直面することが多い。
本稿では,拡散確率モデル(DPM)の長所を利用して,画像および音声データの異常を効果的に識別するフレームワークを提案する。
論文 参考訳（メタデータ） (2025-05-08T11:19:08Z) - Methods and Trends in Detecting Generated Images: A Comprehensive Review [0.552480439325792]
GAN(Generative Adversarial Networks)、拡散モデル(Diffusion Models)、変分オートエンコーダ(VAEs)は、高品質なマルチメディアデータの合成を可能にしている。
これらの進歩は、敵の攻撃、非倫理的使用、社会的な危害に関する重大な懸念を引き起こした。
論文 参考訳（メタデータ） (2025-02-21T03:16:18Z) - Understanding and Improving Training-Free AI-Generated Image Detections with Vision Foundation Models [68.90917438865078]
顔合成と編集のためのディープフェイク技術は、生成モデルに重大なリスクをもたらす。
本稿では,モデルバックボーン,タイプ,データセット間で検出性能がどう変化するかを検討する。
本稿では、顔画像のパフォーマンスを向上させるContrastive Blurと、ノイズタイプのバイアスに対処し、ドメイン間のパフォーマンスのバランスをとるMINDERを紹介する。
論文 参考訳（メタデータ） (2024-11-28T13:04:45Z) - Optimizing Multispectral Object Detection: A Bag of Tricks and Comprehensive Benchmarks [49.84182981950623]
RGBおよびTIR(熱赤外)変調を利用したマルチスペクトル物体検出は,課題として広く認識されている。
モダリティと堅牢な融合戦略の両方から特徴を効果的に抽出するだけでなく、スペクトルの相違といった問題に対処する能力も必要である。
本稿では,高パフォーマンス単一モードモデルのシームレスな最適化が可能な,効率的かつ容易にデプロイ可能なマルチスペクトルオブジェクト検出フレームワークを提案する。
論文 参考訳（メタデータ） (2024-11-27T12:18:39Z) - Underwater Object Detection in the Era of Artificial Intelligence: Current, Challenge, and Future [119.88454942558485]
水中物体検出(UOD)は、水中の画像やビデオ中の物体を識別し、ローカライズすることを目的としている。
近年、人工知能(AI)に基づく手法、特に深層学習法は、UODにおいて有望な性能を示している。
論文 参考訳（メタデータ） (2024-10-08T00:25:33Z) - A Comprehensive Library for Benchmarking Multi-class Visual Anomaly Detection [52.228708947607636]
本稿では,新しい手法のモジュラーフレームワークであるADerを包括的視覚異常検出ベンチマークとして紹介する。
このベンチマークには、産業ドメインと医療ドメインからの複数のデータセットが含まれており、15の最先端メソッドと9つの包括的なメトリクスを実装している。
我々は,異なる手法の長所と短所を客観的に明らかにし,多クラス視覚異常検出の課題と今後の方向性について考察する。
論文 参考訳（メタデータ） (2024-06-05T13:40:07Z) - Innovative Horizons in Aerial Imagery: LSKNet Meets DiffusionDet for
Advanced Object Detection [55.2480439325792]
本稿では,LSKNetのバックボーンをDiffusionDetヘッドに統合したオブジェクト検出モデルの詳細な評価を行う。
提案手法は平均精度(MAP)を約45.7%向上させる。
この進歩は、提案された修正の有効性を強調し、航空画像解析の新しいベンチマークを設定する。
論文 参考訳（メタデータ） (2023-11-21T19:49:13Z) - Functional Anomaly Detection: a Benchmark Study [4.444788548423704]
異常検出は、非常に高い周波数でサンプリングされた測定に依存することができる。
本研究の目的は, 実データセット上の機能的設定において, 異常検出のための最近の手法の性能について検討することである。
論文 参考訳（メタデータ） (2022-01-13T18:20:32Z) - Real-World Anomaly Detection by using Digital Twin Systems and
Weakly-Supervised Learning [3.0100975935933567]
本稿では, 産業環境における異常検出に対する弱い制御手法を提案する。
これらのアプローチでは、Digital Twinを使用して、機械の通常の動作をシミュレートするトレーニングデータセットを生成する。
提案手法の性能を,実世界のデータセットに応用した様々な最先端の異常検出アルゴリズムと比較した。
論文 参考訳（メタデータ） (2020-11-12T10:15:56Z) - Anomaly Detection in Univariate Time-series: A Survey on the
State-of-the-Art [0.0]
時系列データの異常検出は、長い間重要な研究分野であった。
近年,時系列の異常を検出する機械学習アルゴリズムが増えている。
研究者たちは、(ディープ)ニューラルネットワークを使ってこれらの技術を改善しようとした。
論文 参考訳（メタデータ） (2020-04-01T13:22:34Z)
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。