A method for anomaly detection in hyperspectral images, using deep convolutional autoencoders
Menetelmä poikkeavuuksien havaitsemiseen hyperspektrikuvista käyttäen syviä
konvolutiivisia autoenkoodereita.
Poikkeavuuksien havaitseminen kuvista, erityisesti hyperspektraalisista kuvista, on hankalaa. Kun ongelmaan yhdistetään ennalta tuntematon data ja poikkeavuudet, muodostuu ongelma vielä laajemmaksi. Spektraalisten poikkeavuuksien havaitsemiseen on kehitetty useita eri menetelmiä, mutta spatiaalisten poikkeavuuksien havaitseminen on huomattavasti hankalempaa. Tässä työssä esitellään uudenkaltainen menetelmä sekä spatiaalisten että spektraalisten poikkeavuuksien samanaikaiseen havaitsemiseen. Menetelmä on suunniteltu erityisesti spektraaliselle datalle, mutta soveltuu myös perinteisille kuville. Menetelmässä kolmiulotteisilla konvolutionaalisilla autoenkoodereilla löydetään koulutus-datassa esiintyviä normaaleja piirteitä. Tätä verkkoa käyttämällä voidaan testidata projisoida piirre-avaruuteen. Tästä projisoidusta datasta voidaan etsiä poikkeavuuksia käyttäen perinteisiä algoritmeja. Työssä esitetään kahdet erilliset tulokset. Ensimmäisissä on esitetty menetelmän toimivuus todellisuutta vastaavassa tilanteessa, jossa tietoa poikkeavuuksista ei ole etukäteen. Näiden tulosten lisäksi toinen ajo datalla, johon on lisätty synteettisiä tunnettuja poikkeavuuksia suoritetaan. Tämän toisen ajon tulokset voidaan validoida, koska anomaliat ovat nyt tunnettuja.
...
Detecting anomalies from any image data, especially hyperspectral ones, is not a trivial task. When combined with the lack of apriori labels or detection targets, it grows even more complex. Detecting spectral anomalies can be done with numerous methods, but the detection of spatial ones is vastly more complicated affair. In this thesis a new way to detect both spatial and spectral anomalies at the same time is proposed. The method has been designed with hyperspectral data in mind, but should work for conventional images also. This is achieved works by using 3-d convolutional autoencoders to learn commonly occurring features both spatial and spectral, across the the test data. By running the test data through this network, the data is transformed to a feature-space. In this space, the images can be analyzed for the presence of anomalies by the means of standard anomaly detection algorithms. A simple real-world use case with unmodified images is presented. Second run for validation purposes is done with data containing synthetic anomalies.
...
Keywords
Metadata
Show full item recordCollections
- Pro gradu -tutkielmat [29605]
Related items
Showing items with similar title or keywords.
-
Differentiating Malignant from Benign Pigmented or Non-Pigmented Skin Tumours : A Pilot Study on 3D Hyperspectral Imaging of Complex Skin Surfaces and Convolutional Neural Networks
Lindholm, Vivian; Raita-Hakola, Anna-Maria; Annala, Leevi; Salmivuori, Mari; Jeskanen, Leila; Saari, Heikki; Koskenmies, Sari; Pitkänen, Sari; Pölönen, Ilkka; Isoherranen, Kirsi; Ranki, Annamari (MDPI AG, 2022)Several optical imaging techniques have been developed to ease the burden of skin cancer disease on our health care system. Hyperspectral images can be used to identify biological tissues by their diffuse reflected spectra. ... -
Tree species classification of drone hyperspectral and RGB imagery with deep learning convolutional neural networks
Nezami, Somayeh; Khoramshahi, Ehsan; Nevalainen, Olli; Pölönen, Ilkka; Honkavaara, Eija (MDPI AG, 2020)Interest in drone solutions in forestry applications is growing. Using drones, datasets can be captured flexibly and at high spatial and temporal resolutions when needed. In forestry applications, fundamental tasks include ... -
One and Two Dimensional Convolutional Neural Networks for Seizure Detection Using EEG Signals
Wang, Xiaoshuang; Ristaniemi, Tapani; Cong, Fengyu (IEEE, 2020)Deep learning for the automated detection of epileptic seizures has received much attention during recent years. In this work, one dimensional convolutional neural network (1D-CNN) and two dimensional convolutional neural ... -
Method for Radiance Approximation of Hyperspectral Data Using Deep Neural Network
Rahkonen, Samuli; Pölönen, Ilkka (Springer, 2023)We propose a neural network model for calculating the radiance from raw hyperspectral data gathered using a Fabry–Perot interferometer color camera developed by VTT Technical Research Centre of Finland. The hyperspectral ... -
Node co-activations as a means of error detection : Towards fault-tolerant neural networks
Myllyaho, Lalli; Nurminen, Jukka K.; Mikkonen, Tommi (Elsevier, 2022)Context: Machine learning has proved an efficient tool, but the systems need tools to mitigate risks during runtime. One approach is fault tolerance: detecting and handling errors before they cause harm. Objective: This ...