論文の概要: Utilizing the Score of Data Distribution for Hyperspectral Anomaly Detection

• arxiv url: http://arxiv.org/abs/2601.12379v1
• Date: Sun, 18 Jan 2026 12:14:48 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-01-21 22:47:22.605113
• Title: Utilizing the Score of Data Distribution for Hyperspectral Anomaly Detection
• Title（参考訳）: ハイパースペクトル異常検出のためのデータ分布スコアの利用
• Authors: Jiahui Sheng, Yidan Shi, Shu Xiang, Xiaorun Li, Shuhan Chen,
• Abstract要約: 我々は新しい高スペクトル異常検出法(ScoreAD)を提案する。 本手法は、まず、高スペクトル画像からスペクトル全体の生成モデル(SGM)を訓練する。 4つの超スペクトルデータセットの実験により,提案手法の有効性が示された。
• 参考スコア（独自算出の注目度）: 9.425670247764321
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Hyperspectral images (HSIs) are a type of image that contains abundant spectral information. As a type of real-world data, the high-dimensional spectra in hyperspectral images are actually determined by only a few factors, such as chemical composition and illumination. Thus, spectra in hyperspectral images are highly likely to satisfy the manifold hypothesis. Based on the hyperspectral manifold hypothesis, we propose a novel hyperspectral anomaly detection method (named ScoreAD) that leverages the time-dependent gradient field of the data distribution (i.e., the score), as learned by a score-based generative model (SGM). Our method first trains the SGM on the entire set of spectra from the hyperspectral image. At test time, each spectrum is passed through a perturbation kernel, and the resulting perturbed spectrum is fed into the trained SGM to obtain the estimated score. The manifold hypothesis of HSIs posits that background spectra reside on one or more low-dimensional manifolds. Conversely, anomalous spectra, owing to their unique spectral signatures, are considered outliers that do not conform to the background manifold. Based on this fundamental discrepancy in their manifold distributions, we leverage a generative SGM to achieve hyperspectral anomaly detection. Experiments on the four hyperspectral datasets demonstrate the effectiveness of the proposed method. The code is available at https://github.com/jiahuisheng/ScoreAD.
• Abstract（参考訳）: ハイパースペクトル画像(HSI)は、豊富なスペクトル情報を含む画像の一種である。 実世界のデータとして、ハイパースペクトル画像の高次元スペクトルは、化学組成や照明などのいくつかの要因によって決定される。 したがって、超スペクトル像のスペクトルは多様体仮説を満たす可能性が高い。 本稿では,データ分布の時間依存性の勾配場(スコア)をスコアベース生成モデル(SGM)で学習する超スペクトル異常検出手法(ScoreAD)を提案する。 提案手法は、まず、ハイパースペクトル画像からスペクトルの集合全体のSGMを訓練する。 試験時、各スペクトルは摂動カーネルを通過し、得られた摂動スペクトルはトレーニングされたSGMに供給され、推定スコアを得る。 HSIs の多様体仮説は、背景スペクトルが1つ以上の低次元多様体上に存在することを仮定する。 逆に、その特異なスペクトルシグネチャにより、異常スペクトルは背景多様体に従わない外れ値と見なされる。 多様体分布のこの基本的な相違に基づき、生成SGMを利用して超スペクトル異常検出を行う。 4つの超スペクトルデータセットの実験により,提案手法の有効性が示された。 コードはhttps://github.com/jiahuisheng/ScoreAD.comで公開されている。

関連論文リスト

• CARL: Camera-Agnostic Representation Learning for Spectral Image Analysis [69.02751635551724]
  スペクトルイメージングは、医療や都市景観の理解など、様々な領域で有望な応用を提供する。 スペクトルカメラのチャネル次元と捕獲波長のばらつきは、AI駆動方式の開発を妨げる。 本稿では,RGB,マルチスペクトル,ハイパースペクトル画像を用いたカメラ非依存表現学習モデルCARLを紹介する。
  論文  参考訳（メタデータ） (2025-04-27T13:06:40Z)
• Boosting the Generalization Ability for Hyperspectral Image Classification using Spectral-spatial Axial Aggregation Transformer [14.594398447576188]
  ハイパースペクトル画像分類(HSIC)タスクでは、最も一般的に使われているモデル検証パラダイムは、画素単位のランダムサンプリングによってトレーニング・テストデータセットを分割することである。 私たちの実験では、トレーニングとテストデータセットが多くの情報を共有しているため、高い精度が達成できたことが分かりました。 本稿では,データセット分割間の一般化を保ったスペクトル-空間軸アグリゲーション変換器モデルSaaFormerを提案する。
  論文  参考訳（メタデータ） (2023-06-29T07:55:43Z)
• SpectralDiff: A Generative Framework for Hyperspectral Image Classification with Diffusion Models [18.391049303136715]
  拡散モデルを用いたHSI分類のための生成フレームワーク(SpectralDiff)を提案する。 SpectralDiffは、高次元および高冗長なデータの分布情報を効果的にマイニングする。 3つの公開HSIデータセットの実験により、提案手法は最先端の手法よりも優れた性能が得られることを示した。
  論文  参考訳（メタデータ） (2023-04-12T16:32:34Z)
• A spectral-spatial fusion anomaly detection method for hyperspectral imagery [7.155465756606866]
  ハイパースペクトル画像に対してスペクトル融合異常検出法(SSFAD)を提案する。 新しい検出器は、空間領域におけるパッチ画像の局所的な類似性空間的特徴を抽出するように設計されている。
  論文  参考訳（メタデータ） (2022-02-24T03:54:48Z)
• Unsupervised Spectral Unmixing For Telluric Correction Using A Neural Network Autoencoder [58.720142291102135]
  本研究では,HARPS-N線速度スペクトルから高精度の太陽スペクトルを抽出するニューラルネットワークオートエンコーダ手法を提案する。
  論文  参考訳（メタデータ） (2021-11-17T12:54:48Z)
• Spectral Splitting and Aggregation Network for Hyperspectral Face Super-Resolution [82.59267937569213]
  高分解能(HR)ハイパースペクトル顔画像は、制御されていない条件下での顔関連コンピュータビジョンタスクにおいて重要な役割を果たす。 本稿では,ハイパースペクトル顔画像への深層学習手法の適用方法について検討する。 限られたトレーニングサンプルを用いたHFSRのためのスペクトル分割集約ネットワーク(SSANet)を提案する。
  論文  参考訳（メタデータ） (2021-08-31T02:13:00Z)
• Learning Spatial-Spectral Prior for Super-Resolution of Hyperspectral Imagery [79.69449412334188]
  本稿では,最先端の残差学習をベースとした単一グレー/RGB画像の超解像化手法について検討する。 本稿では,空間情報とハイパースペクトルデータのスペクトル間の相関をフル活用するための空間スペクトル先行ネットワーク(SSPN)を提案する。 実験結果から,SSPSR法により高分解能高分解能高分解能画像の詳細が得られた。
  論文  参考訳（メタデータ） (2020-05-18T14:25:50Z)
• Hyperspectral-Multispectral Image Fusion with Weighted LASSO [68.04032419397677]
  本稿では,高スペクトル像と多スペクトル像を融合させて高画質な高スペクトル出力を実現する手法を提案する。 提案したスパース融合と再構成は,既存の公開画像の手法と比較して,定量的に優れた結果が得られることを示す。
  論文  参考訳（メタデータ） (2020-03-15T23:07:56Z)

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。