无监督与监督的高光谱异常检测研究
本文提出了基于图的非局部全变分方法(NLTV)用于无监督分类高光谱图像,采用原始-对偶混合梯度(PDHG)算法求解变分问题,通过平方标签函数和稳定的单纯形聚类算法实现无监督聚类方法,并在合成和真实的高光谱图像上进行了有效性验证,与球形K均值,非负矩阵分解(NMF)和基于图的Merriman-Bence-Osher (MBO)方案相比,数值结果表明本文提出的算法性能更好。
Apr, 2016
本文综述和比较了最近发表在文献中的基于机器学习的高光谱图像分析方法,将方法按图像分析任务和机器学习算法类型进行组织,并提出了一种两向映射。文章全面涵盖了高光谱图像分析任务和机器学习算法,涵盖的图像分析任务包括土地覆盖分类、目标检测、反混合和物理参数估计,涵盖的机器学习算法包括高斯模型、线性回归、逻辑回归、支持向量机、混合高斯模型、稀疏线性模型、高斯混合模型、集成学习、有向图模型、无向图模型、聚类、高斯过程、狄利克雷过程和深度学习。同时,文章也讨论了高光谱图像分析领域的挑战和可能的未来方向。
Feb, 2018
本文综述了基于深度学习的高光谱影像分类方法,并比较了几种解决方案。该框架将相关工作分为光谱特征网络、空间特征网络和光谱空间特征网络三部分,最后,基于实际高光谱数据验证了几种典型的深度学习分类算法。
Oct, 2019
本文综述了寻找好的波段来分类区域项目的方法。一些方法利用互信息和阈值选择相关图像,而其他方法则控制和避免冗余。作者提出的仪表板有助于分析假定的特征选择和提取软件。
Oct, 2022
通过利用异常对象与其局部背景的偏差特征,我们将异常检测任务重新定义为基于偏差关系的无向双层图,其中异常得分建模为给定背景模式和正常对象的条件概率,进而将学习目标表达为条件概率排序问题。我们在数据、架构和优化方面设计了一种实例化表达方法,并通过使用模拟的光谱和空间异常驱动实例化架构,通过直接优化条件概率排序来验证了该模型在包括高光谱、可见光、合成孔径雷达(SAR)、红外和低光等五种模态下的统一检测能力。
Oct, 2023
本文分析了人类视觉感知下的高光谱影像特征,并首次将异常检测(HAD)的解决过程转移到了更稳健的特征空间。我们提出了一种小目标感知检测器(STAD),它引入了显著性图来捕捉更接近人类视觉感知的高光谱影像特征。此外,我们还提出了一种全连接网络到卷积网络的知识蒸馏策略,以适应HAD算法应用于边缘设备的可能性。我们在HAD100训练集上训练了网络,并在HAD100测试集上验证了所提出方法。经过充分的实验证明,我们的方法在真实高光谱影像上表现出卓越的性能和独特的潜力。
Jan, 2024
最近的研究尝试使用高光谱成像(HSI)来检测产品中的异物,因为它能够可视化包括紫外线和红外线在内的不可见波长。本文提出了一种新的特征选择方法,通过绕过传统的维度缩减方法,实现了更好的解释性和捕捉HSI的时间延迟问题,从而重新设计了一个任务优化和成本效益的光谱相机。通过对合成MVTec AD数据集进行广泛的实验证明,与特征提取方法相比,特征选择方法在推断阶段显示出6.90倍的更快速度,同时保持了异常检测的性能。最终,我们得出结论,特征选择方法具有高效且快速的优势。
Jan, 2024
通过构建更具鲁棒性的AIR-HAD基准数据集,利用LRR-Net$^+$模型在复杂场景下解耦背景结构和对象属性,消除干扰目标引入的偏差,结合物理模型和深度学习技术,实现自动参数优化和提升检测性能和泛化能力。
Feb, 2024
该研究提出了一种基于自监督网络的自监督异常先验(SAP),将低秩表示模型中的异常分量优化为了更好地适应高光谱异常,同时提出了一种双纯化策略来从复杂背景中分离异常,并通过实验验证了该方法在各种高光谱数据集上的准确性和可解释性。
Apr, 2024
本研究针对高光谱线扫描中实时异常检测的需求,提出了一种新的算法ERX,解决了在小型计算机上快速和高效检测异常的问题。研究结果表明,ERX在速度和检测能力方面优于现有的方法,为未来的异常对象分组与定位、自动阈值选择及实时测试奠定了基础。
Aug, 2024