ترجمه فارسی مقاله بررسی تشخیص ناهنجاری فراطیفی بدون نظارت و نظارت

چکیده

Hyperspectral sensing is a valuable tool for detecting anomalies and distinguishing between materials in a scene. Hyperspectral anomaly detection (HS-AD) helps characterize the captured scenes and separates them into anomaly and background classes. It is vital in agriculture, environment, and military applications such as RSTA (reconnaissance, surveillance, and target acquisition) missions. We previously designed an equal voting ensemble of hyperspectral unmixing and three unsupervised HS-AD algorithms. We later utilized a supervised classifier to determine the weights of a voting ensemble, creating a hybrid of heterogeneous unsupervised HS-AD algorithms with a supervised classifier in a model stacking, which improved detection accuracy. However, supervised classification methods usually fail to detect novel or unknown patterns that substantially deviate from those seen previously. In this work, we evaluate our technique and other supervised and unsupervised methods using general hyperspectral data to provide new insights.

چکیده به فارسی (ترجمه ماشینی)

سنجش Hyperspectral ابزاری با ارزش برای تشخیص ناهنجاری ها و تمایز بین مواد در یک صحنه است.تشخیص ناهنجاری هایپتریکی (HS-AD) به توصیف صحنه های ضبط شده کمک می کند و آنها را در کلاس های ناهنجاری و پس زمینه جدا می کند.این امر در کاربردهای کشاورزی ، محیط زیست و نظامی مانند مأموریت های RSTA (شناسایی ، نظارت و دستیابی به هدف) بسیار مهم است.ما قبلاً یک گروه رای گیری برابر از Unmixing Hyperspectral و سه الگوریتم HS-AD بدون نظارت را طراحی کردیم.ما بعداً از یک طبقه بندی کننده تحت نظارت برای تعیین وزن یک گروه رأی گیری استفاده کردیم ، و یک هیبرید از الگوریتم های HS-AD ناهمگن بدون نظارت با یک طبقه بندی نظارت شده در یک مدل جمع آوری ، که باعث بهبود دقت تشخیص می شود ، ایجاد کردیم.با این حال ، روشهای طبقه بندی تحت نظارت معمولاً در تشخیص الگوهای جدید یا ناشناخته که از نظر قابل ملاحظه ای از مواردی که قبلاً دیده می شود ، ناکام هستند.در این کار ، ما تکنیک و سایر روشهای نظارت شده و بدون نظارت را با استفاده از داده های عمومی Hyperspectral برای ارائه بینش های جدید ارزیابی می کنیم.