論文の概要: Hyperspectral Anomaly Detection via Group Sparse Low-Rank Tensor Factorization With Automatic Anomaly Grouping

• arxiv url: http://arxiv.org/abs/2609.08121v1
• Date: Tue, 08 Sep 2026 01:52:00 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-09-11 19:31:03.70696
• Title: Hyperspectral Anomaly Detection via Group Sparse Low-Rank Tensor Factorization With Automatic Anomaly Grouping
• Title（参考訳）: オートマチック・アノマ・グルーピングを用いたグループスパース低ランクテンソルファクトリゼーションによるハイパースペクトル異常検出
• Authors: Quan Yu, Yu-Hong Dai, Xiongjun Zhang,
• Abstract要約: 本稿では,グループスパース低ランクテンソル因子化に基づく超スペクトル異常検出手法を提案する。 5つの実超スペクトルデータセットの実験結果から,提案手法が優れた検出性能と競合計算効率を実現することを示す。
• 参考スコア（独自算出の注目度）: 8.905963881416847
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Low-rank tensor modeling has become an effective tool for hyperspectral anomaly detection. However, existing methods still suffer from high computational cost and limited flexibility in characterizing spatially structured anomalies. To address these issues, this paper proposes a hyperspectral anomaly detection method based on group sparse low-rank tensor factorization with automatic anomaly grouping (GSAA). Specifically, the low tubal rank background is characterized by imposing group sparsity on tensor factors, which provides an efficient alternative to direct tensor rank regularization. For anomaly modeling, a latent grouping map is introduced to build an automatic anomaly grouping penalty, allowing anomaly groups to be adaptively inferred from the data rather than predefined at the pixel level. To further exploit complementary spectral and spatial information, GSAA is applied in both domains, and the resulting detection maps are fused to form a spectral--spatial version of GSAA, termed GSAA-SS. An efficient linearized alternating direction method of multipliers algorithm with convergence guarantee is developed to solve the resulting model. Experimental results on five real hyperspectral datasets demonstrate that the proposed method achieves superior detection performance and competitive computational efficiency compared with several state-of-the-art methods.
• Abstract（参考訳）: 低ランクテンソルモデリングは高スペクトル異常検出に有効なツールとなっている。 しかし、既存の手法は依然として高い計算コストと空間的に構造化された異常を特徴づける柔軟性に悩まされている。 これらの問題に対処するために,グループスパース低ランクテンソル因子化に基づく超スペクトル異常検出手法を提案する。 特に、低い管状階調背景は、直テンソル階調の効率的な代替となるテンソル因子に群間隔を課すことによって特徴づけられる。 異常モデリングには、自動的な異常グループ化ペナルティを構築するために潜在グループマップを導入し、画素レベルで事前に定義されたのではなく、データから異常グループを適応的に推測できるようにする。 補完スペクトルと空間情報をさらに活用するために、GSAAは両方の領域に適用され、結果として得られる検出マップは、GSAA-SSと呼ばれるGSAAのスペクトル空間バージョンを形成するために融合される。 収束保証付き乗算器アルゴリズムの効率的な線形化交互方向法を開発し,結果のモデルについて検討した。 5つの実超スペクトルデータセットによる実験結果から,提案手法はいくつかの最先端手法と比較して優れた検出性能と競合計算効率を実現することが示された。

関連論文リスト

• Biconvex Biclustering [3.047033445144121]
  本稿では,高次元環境下での性能向上を図るため,複クラスター化による複クラスター化を提案する。 ノイズの多い特徴のサブセットを選択するのとは対照的に,本手法は両クラスタを発見しながら情報的特徴の重み付けを共同で行う。
  論文  参考訳（メタデータ） (2026-04-05T02:30:18Z)
• Generate Aligned Anomaly: Region-Guided Few-Shot Anomaly Image-Mask Pair Synthesis for Industrial Inspection [53.137651284042434]
  異常検査は製造業において重要な役割を担っているが、異常サンプルの不足は既存の方法の有効性を制限している。 本稿では,GAA (Generate grained Anomaly) を提案する。 GAAは少数のサンプルのみを用いて現実的で多様で意味的に整合した異常を発生させる。
  論文  参考訳（メタデータ） (2025-07-13T12:56:59Z)
• CLIP Meets Diffusion: A Synergistic Approach to Anomaly Detection [49.11819337853632]
  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)
• Hyperspectral Anomaly Detection Fused Unified Nonconvex Tensor Ring Factors Regularization [37.478757438237714]
  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。
  論文  参考訳（メタデータ） (2025-05-23T13:31:13Z)
• 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)

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。