論文の概要: Improved Hyperspectral Anomaly Detection via Unsupervised Subspace Modeling in the Signed Cumulative Distribution Transform Domain

• arxiv url: http://arxiv.org/abs/2510.00148v1
• Date: Tue, 30 Sep 2025 18:20:36 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-10-03 14:32:17.169156
• Title: Improved Hyperspectral Anomaly Detection via Unsupervised Subspace Modeling in the Signed Cumulative Distribution Transform Domain
• Title（参考訳）: 符号付き累積分布変換領域における教師なし部分空間モデリングによる高スペクトル異常検出の改善
• Authors: Abu Hasnat Mohammad Rubaiyat, Jordan Vincent, Colin Olson,
• Abstract要約: 本稿では,与えられたハイパースペクトル画像を構成する画素を記述するために,輸送モデルを用いた新しいHAD法を提案する。 このアプローチでは、超スペクトル画素は、符号付き累積分布変換(SCDT)領域におけるそれらの表現を可能にする未知の変形を行うテンプレートパターンの観測と見なされる。 次に、教師なしサブスペースモデリング手法を用いて、この領域で豊富な背景信号のモデルを構築し、そこで、異常信号が学習モデルからの逸脱として検出される。
• 参考スコア（独自算出の注目度）: 1.0042684323264202
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Hyperspectral anomaly detection (HAD), a crucial approach for many civilian and military applications, seeks to identify pixels with spectral signatures that are anomalous relative to a preponderance of background signatures. Significant effort has been made to improve HAD techniques, but challenges arise due to complex real-world environments and, by definition, limited prior knowledge of potential signatures of interest. This paper introduces a novel HAD method by proposing a transport-based mathematical model to describe the pixels comprising a given hyperspectral image. In this approach, hyperspectral pixels are viewed as observations of a template pattern undergoing unknown deformations that enables their representation in the signed cumulative distribution transform (SCDT) domain. An unsupervised subspace modeling technique is then used to construct a model of abundant background signals in this domain, whereupon anomalous signals are detected as deviations from the learned model. Comprehensive evaluations across five distinct datasets illustrate the superiority of our approach compared to state-of-the-art methods.
• Abstract（参考訳）: ハイパースペクトル異常検出(英語版)(HAD)は、多くの民間および軍事用途において重要なアプローチであり、背景署名の先行性に対して異常なスペクトルシグネチャを持つ画素の同定を試みる。 HAD技術を改善するために重要な努力がなされてきたが、複雑な現実世界環境と定義上は、潜在的な関心の署名に関する事前知識に制限があるため、課題が生じる。 本稿では,与えられたハイパースペクトル画像を構成する画素を記述するために,輸送モデルを用いた新しいHAD法を提案する。 このアプローチでは、超スペクトル画素は、符号付き累積分布変換(SCDT)領域におけるそれらの表現を可能にする未知の変形を行うテンプレートパターンの観測と見なされる。 次に、教師なしサブスペースモデリング手法を用いて、この領域で豊富な背景信号のモデルを構築し、そこで、異常信号が学習モデルからの逸脱として検出される。 5つの異なるデータセットの包括的評価は、最先端の手法と比較して、我々のアプローチの優位性を示している。

関連論文リスト

• CLIP Meets Diffusion: A Synergistic Approach to Anomaly Detection [54.85000884785013]
  異常検出は、異常の定義の曖昧さ、異常型の多様性、トレーニングデータの不足による複雑な問題である。 識別的基盤モデルと生成的基礎モデルの両方を活用するCLIPfusionを提案する。 本手法は, 異常検出の多面的課題に対処する上で, マルチモーダル・マルチモデル融合の有効性を裏付けるものである。
  論文  参考訳（メタデータ） (2025-06-13T13:30:15Z)
• Rethinking Contrastive Learning in Graph Anomaly Detection: A Clean-View Perspective [54.605073936695575]
  グラフ異常検出は、Webセキュリティやファイナンシャル不正検出などの分野で広く応用されているグラフベースのデータにおいて、異常なパターンを特定することを目的としている。 既存の手法は対照的な学習に依存しており、ノードとその局所部分グラフの間のより低い類似性は異常を示すと仮定する。 干渉エッジの存在は、対照的な学習過程を損なう破壊的なノイズをもたらすため、この仮定を無効にする。 コントラスト学習プロセスにおいて重要な干渉源を特定するために,複数スケールの異常認識モジュールを含むクリーンビュー拡張グラフ異常検出フレームワーク(CVGAD)を提案する。
  論文  参考訳（メタデータ） (2025-05-23T15:05:56Z)
• Language-Informed Hyperspectral Image Synthesis for Imbalanced-Small Sample Classification via Semi-Supervised Conditional Diffusion Model [1.9746060146273674]
  本稿では,新しい言語インフォームドハイパースペクトル画像合成法であるTxt2HSI-LDM(VAE)を提案する。 ハイパースペクトルデータの高次元性に対処するため、普遍変分オートエンコーダ(VAE)は、データを低次元の潜在空間にマッピングするように設計されている。 VAEは、拡散モデルによって生成された潜時空間から言語条件を入力としてHSIをデコードする。
  論文  参考訳（メタデータ） (2025-02-27T02:35:49Z)
• 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)
• 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)
• One-Step Detection Paradigm for Hyperspectral Anomaly Detection via Spectral Deviation Relationship Learning [17.590080772567678]
  ハイパースペクトル異常検出は、周囲からスペクトルを逸脱するターゲットを特定することを含む。 現在のディープ検出モデルは、バックグラウンド再構築や生成などのプロキシタスクの完了に最適化されている。 本稿では,異常検出タスクに対して直接最適化された教師なし転送直接検出モデルを提案する。
  論文  参考訳（メタデータ） (2023-03-22T06:41:09Z)
• Graph Embedding via High Dimensional Model Representation for Hyperspectral Images [9.228929858529678]
  リモートセンシング画像の多様体構造を学習することは、モデリングおよび理解プロセスにおける最重要事項である。 ハイパスペクトル画像解析(HSI)に対処するためのマナーラーニング手法は優れた性能を示した。 この問題に対処する一般的な仮定は、高次元の入力空間と(典型的には低い)潜在空間の間の変換が線型であるということである。 提案手法は,その線形学習法とともに多様体学習法と比較し,代表的ハイパースペクトル画像の分類精度の観点から有望な性能を実現する。
  論文  参考訳（メタデータ） (2021-11-29T16:42:15Z)
• Anomaly localization by modeling perceptual features [3.04585143845864]
  特徴拡張型VAEは、入力画像を画素空間や複数の異なる特徴空間で再構成することで訓練される。 MVTec異常検出およびローカライゼーションデータセットの最先端手法に対する明確な改善を実現する。
  論文  参考訳（メタデータ） (2020-08-12T15:09:13Z)

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。