Fugu-MT 論文翻訳(概要): Turbo-GoDec: Exploiting the Cluster Sparsity Prior for Hyperspectral Anomaly Detection

論文の概要: Turbo-GoDec: Exploiting the Cluster Sparsity Prior for Hyperspectral Anomaly Detection

arxiv url: http://arxiv.org/abs/2601.12337v1
Date: Sun, 18 Jan 2026 09:49:58 GMT
ステータス: 翻訳完了
システム内更新日: 2026-01-21 22:47:22.581992
Title: Turbo-GoDec: Exploiting the Cluster Sparsity Prior for Hyperspectral Anomaly Detection
Title（参考訳）: Turbo-GoDec:ハイパースペクトル異常検出に先立ってクラスタスペーサを爆発させる
Authors: Jiahui Sheng, Xiaorun Li, Shuhan Chen,
Abstract要約: 我々はTurbo-GoDecと呼ばれる新しいハイパースペクトル異常検出法を提案する。本稿では, 異常画素が空間内の小さなクラスター群として現れることがあり, 異常画素のクラスタ・スパシティー(クラスタ・スパシティ)と呼ぶ。提案したTurbo-GoDec法の小型異常検出における優れた性能を示す3つの実超スペクトル画像(HSI)データセットを用いて実験を行った。
参考スコア（独自算出の注目度）: 11.046952755590622
License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
Abstract: As a key task in hyperspectral image processing, hyperspectral anomaly detection has garnered significant attention and undergone extensive research. Existing methods primarily relt on two prior assumption: low-rank background and sparse anomaly, along with additional spatial assumptions of the background. However, most methods only utilize the sparsity prior assumption for anomalies and rarely expand on this hypothesis. From observations of hyperspectral images, we find that anomalous pixels exhibit certain spatial distribution characteristics: they often manifest as small, clustered groups in space, which we refer to as cluster sparsity of anomalies. Then, we combined the cluster sparsity prior with the classical GoDec algorithm, incorporating the cluster sparsity prior into the S-step of GoDec. This resulted in a new hyperspectral anomaly detection method, which we called Turbo-GoDec. In this approach, we modeled the cluster sparsity prior of anomalies using a Markov random field and computed the marginal probabilities of anomalies through message passing on a factor graph. Locations with high anomalous probabilities were treated as the sparse component in the Turbo-GoDec. Experiments are conducted on three real hyperspectral image (HSI) datasets which demonstrate the superior performance of the proposed Turbo-GoDec method in detecting small-size anomalies comparing with the vanilla GoDec (LSMAD) and state-of-the-art anomaly detection methods. The code is available at https://github.com/jiahuisheng/Turbo-GoDec.
Abstract（参考訳）: ハイパースペクトル画像処理における重要な課題として、ハイパースペクトル異常検出が注目され、広範な研究が続けられている。既存の手法は主に、背景の空間的仮定に加えて、低ランクな背景とスパースな異常という2つの前提に反する。しかし、ほとんどの手法は、異常の余剰事前仮定のみを利用しており、この仮説を拡張することは滅多にない。ハイパースペクトル画像の観察から、異常画素は空間分布の特定の特性を示すことが判明した。次に,従来のGoDecアルゴリズムとクラスタのスパーシティを結合し,クラスタのスパーシティをGoDecのSステップに組み込んだ。その結果,Turbo-GoDecと呼ばれる新しいハイパースペクトル異常検出法が得られた。提案手法では,マルコフ確率場を用いて異常前のクラスタ間隔をモデル化し,因子グラフ上のメッセージパッシングにより異常の辺縁確率を計算した。ターボゴデックのスパース成分として, 異常確率の高い位置を処理した。提案したTurbo-GoDec法は,バニラGoDec(LSMAD)および最先端異常検出法と比較して,小型異常検出において優れた性能を示す3つの実超スペクトル画像(HSI)データセットを用いて実験を行った。コードはhttps://github.com/jiahuisheng/Turbo-GoDecで入手できる。

関連論文リスト

KKA: Improving Vision Anomaly Detection through Anomaly-related Knowledge from Large Language Models [54.63075553088399]
Key Knowledge Augmentation (KKA)は,大規模言語モデル(LLM)から異常関連知識を抽出する手法である。 KKAは、生成した異常を、通常のサンプルと類似性に応じて、容易な異常と硬い異常と分類する。実験の結果,提案手法は様々な視覚異常検出器の性能を著しく向上させることがわかった。
論文参考訳（メタデータ） (2025-02-14T07:46:49Z)
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)
Continuous Memory Representation for Anomaly Detection [24.58611060347548]
CRADは「連続的」メモリ内の正常な特徴を表現するための新しい異常検出手法である。 MVTec ADデータセットを用いた評価では、CRADは、マルチクラス統一異常検出におけるエラーの65.0%を削減し、従来の最先端手法よりも大幅に優れている。
論文参考訳（メタデータ） (2024-02-28T12:38:44Z)
AnomalyDiffusion: Few-Shot Anomaly Image Generation with Diffusion Model [59.08735812631131]
製造業において異常検査が重要な役割を担っている。既存の異常検査手法は、異常データが不足しているため、その性能に制限がある。本稿では,新しい拡散型マイクロショット異常生成モデルであるAnomalyDiffusionを提案する。
論文参考訳（メタデータ） (2023-12-10T05:13:40Z)
Don't Miss Out on Novelty: Importance of Novel Features for Deep Anomaly Detection [64.21963650519312]
異常検出(AD)は、正規性の学習モデルに適合しない観察を識別する重要なタスクである。本稿では, 入力空間における説明不能な観測として, 説明可能性を用いた新しいAD手法を提案する。当社のアプローチでは,複数のベンチマークにまたがる新たな最先端性を確立し,さまざまな異常な型を扱う。
論文参考訳（メタデータ） (2023-10-01T21:24:05Z)
Projected Sliced Wasserstein Autoencoder-based Hyperspectral Images Anomaly Detection [42.585075865267946]
本稿では,PSW自動エンコーダを用いた異常検出手法を提案する。特に、計算フレンドリーな固有分解法を利用して、高次元データをスライスする主成分を見つける。様々な実世界のハイパースペクトル異常検出ベンチマークで実施した総合的な実験は,提案手法の優れた性能を示す。
論文参考訳（メタデータ） (2021-12-20T09:21:02Z)
Explainable Deep Few-shot Anomaly Detection with Deviation Networks [123.46611927225963]
本稿では,弱い教師付き異常検出フレームワークを導入し,検出モデルを訓練する。提案手法は,ラベル付き異常と事前確率を活用することにより,識別正規性を学習する。我々のモデルはサンプル効率が高く頑健であり、クローズドセットとオープンセットの両方の設定において最先端の競合手法よりもはるかに優れている。
論文参考訳（メタデータ） (2021-08-01T14:33:17Z)
New Methods and Datasets for Group Anomaly Detection From Fundamental Physics [0.4297070083645048]
教師なしのグループ異常検出は、基礎物理学の新たなフロンティアとなっている。グループ異常検出アルゴリズムの開発のために,現実的な合成ベンチマークデータセット(LHCO 2020)を提案する。
論文参考訳（メタデータ） (2021-07-06T18:00:57Z)
DASVDD: Deep Autoencoding Support Vector Data Descriptor for Anomaly Detection [9.19194451963411]
半教師付き異常検出は、通常のデータに基づいて訓練されたモデルを用いて、通常のサンプルから異常を検出することを目的としている。本稿では,自己エンコーダのパラメータを協調的に学習する手法であるDASVDDを提案する。
論文参考訳（メタデータ） (2021-06-09T21:57:41Z)
Low-rank on Graphs plus Temporally Smooth Sparse Decomposition for Anomaly Detection in Spatiotemporal Data [37.65687661747699]
本稿では,非教師付きテンソルに基づく異常検出手法を提案する。結果として生じる最適化問題は凸性があり、スケーラブルであり、欠落したデータやノイズに対して堅牢であることが示されている。
論文参考訳（メタデータ） (2020-10-23T19:34:40Z)
TadGAN: Time Series Anomaly Detection Using Generative Adversarial Networks [73.01104041298031]
TadGANは、GAN(Generative Adversarial Networks)上に構築された教師なしの異常検出手法である。時系列の時間相関を捉えるために,ジェネレータと批評家のベースモデルとしてLSTMリカレントニューラルネットワークを用いる。提案手法の性能と一般化性を示すため,いくつかの異常スコアリング手法を検証し,最も適した手法を報告する。
論文参考訳（メタデータ） (2020-09-16T15:52:04Z)
Toward Deep Supervised Anomaly Detection: Reinforcement Learning from Partially Labeled Anomaly Data [150.9270911031327]
本稿では,一部のラベル付き異常事例と大規模ラベルなしデータセットを用いた異常検出の問題点について考察する。既存の関連手法は、通常、一連の異常にまたがらない限られた異常例にのみ適合するか、ラベルのないデータから教師なしの学習を進めるかのいずれかである。そこで本研究では,ラベル付きおよびラベルなし両方の異常の検出をエンドツーエンドに最適化する,深層強化学習に基づくアプローチを提案する。
論文参考訳（メタデータ） (2020-09-15T03:05:39Z)

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。