Näytä suppeat kuvailutiedot

dc.contributor.advisorPölönen, Ilkka
dc.contributor.advisorHämäläinen, Timo
dc.contributor.authorPenttilä, Jeremias
dc.date.accessioned2017-11-14T11:09:40Z
dc.date.available2017-11-14T11:09:40Z
dc.date.issued2017
dc.identifier.otheroai:jykdok.linneanet.fi:1738562
dc.identifier.urihttps://jyx.jyu.fi/handle/123456789/55868
dc.description.abstractMenetelmä 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.fi
dc.description.abstractDetecting 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.en
dc.format.extent1 verkkoaineisto (75 sivua)
dc.format.mimetypeapplication/pdf
dc.language.isoeng
dc.rightsJulkaisu on tekijänoikeussäännösten alainen. Teosta voi lukea ja tulostaa henkilökohtaista käyttöä varten. Käyttö kaupallisiin tarkoituksiin on kielletty.fi
dc.rightsThis publication is copyrighted. You may download, display and print it for Your own personal use. Commercial use is prohibited.en
dc.subject.otherhyperspektrikuvat
dc.subject.otherkonvoluutio
dc.subject.otherautoenkooderit
dc.subject.othermachine learning
dc.subject.otheranomaly detection
dc.subject.otherhyperspectral images
dc.subject.otherhdbscan
dc.subject.otherconvolutional neural network
dc.subject.otherautoencoder
dc.subject.otherconvolutional autoencoder
dc.subject.otherCAE
dc.subject.otherSCAE
dc.subject.otherdeep learning
dc.subject.otherautoenkooderi
dc.titleA method for anomaly detection in hyperspectral images, using deep convolutional autoencoders
dc.identifier.urnURN:NBN:fi:jyu-201711144248
dc.type.ontasotPro gradu -tutkielmafi
dc.type.ontasotMaster’s thesisen
dc.contributor.tiedekuntaInformaatioteknologian tiedekuntafi
dc.contributor.tiedekuntaFaculty of Information Technologyen
dc.contributor.laitosInformaatioteknologiafi
dc.contributor.yliopistoUniversity of Jyväskyläen
dc.contributor.yliopistoJyväskylän yliopistofi
dc.contributor.oppiaineTietotekniikkafi
dc.contributor.oppiaineMathematical Information Technologyen
dc.date.updated2017-11-14T11:09:40Z
dc.rights.accesslevelopenAccessfi
dc.type.publicationmasterThesis
dc.contributor.oppiainekoodi602
dc.subject.ysoälytekniikka
dc.subject.ysopoikkeavuus
dc.subject.ysohavaitseminen
dc.subject.ysoneuroverkot
dc.subject.ysokoneoppiminen
dc.format.contentfulltext
dc.type.okmG2


Aineistoon kuuluvat tiedostot

Thumbnail

Aineisto kuuluu seuraaviin kokoelmiin

Näytä suppeat kuvailutiedot