Visual Attention and Background Subtraction With Adaptive Weight for Hyperspectral Anomaly Detection

논문 링크

Abstract

하이퍼스펙트럴 타겟 탐지에서 이상 탐지(AD)는 지상 물체 스펙트럼에 대한 사전 지식이 필요하지 않기 때문에 특히 중요하다. 그러나 하이퍼스펙트럴 이상 탐지에서는 하이퍼스펙트럴 이미지(HSI)의 중요한 특징을 활용하고 노이즈의 영향을 줄이는 것이 어려워 탐지 성능이 크게 제한된다. 본 논문에서는 시각적 주의 모델과 적응 가중치를 사용한 배경 제거를 통해 하이퍼스펙트럴 이상 탐지를 구현하는 전략을 제안한다. 밴드 선택 방법을 통해 가장 판별력이 높은 밴드를 선택하여 이후 처리의 입력 이미지로 사용한다. 그런 다음, 하이퍼스펙트럴 이상 탐지에 하이퍼스펙트럴 시각적 주의 모델을 최초로 도입하여 입력 이미지의 중요한 특징 맵을 추출한다. 더 나아가, 곡률 필터를 통해 중요한 특징 맵에서 배경과 노이즈를 줄일 수 있는 배경 제거 과정을 개발하여 초기 이상 영역 맵을 얻는다. 마지막으로, 스펙트럼 정보를 결합하여 적응 가중치 맵을 초기 이상 영역 맵에 적용하여 배경을 더욱 억제한다. 실험에서는 제안된 방법을 합성 및 실제 HSI에서의 최신 7가지 방법과 비교하였다. 가장 중요한 점은 실험 결과 제안된 방법이 효과적이며 대체 방법보다 더 나은 성능을 보인다는 것이다. 우리는 이 방법이 하이퍼스펙트럴 이상 탐지에 시각적 처리 방법의 새로운 길을 열 수 있을 것이라고 믿는다.

Introduction

이 논문은 3차원 Hyperspectral Image(HSI)를 활용한 anomaly detection(AD) 방법에 대해 설명하고 있다. HSI는 공간적 및 spectral 정보를 포함하고 있어 다양한 분야에서 널리 사용된다. 이 논문에서는 주로 unsupervised anomaly detection 방법을 다루고 있으며, 특히 Reed-Xiaoli (RX) 방법의 한계와 이를 개선하기 위한 여러 변형 기법을 논의하고 있다. RX 방법은 global 정보를 사용하기 때문에 anomaly와 noise에 취약하다는 문제가 있다.

이를 해결하기 위해, 지역적 정보, sparse representation, low-rank matrix decomposition 등을 활용한 다양한 방법들이 제안되었다. 이러한 방법들은 noise와 anomaly의 영향을 줄이고, detection의 정확도를 높이기 위해 고안되었다.

이 논문에서는 인간의 시각적 모델을 기반으로 한 새로운 HSI anomaly detection 방법을 제안하고 있다. 이 방법은 visual attention mechanism과 background subtraction을 결합하여 anomaly detection을 수행한다. 이 과정에서 선택된 spectral bands에 대해 visual attention mechanism을 적용하여 salient feature map을 추출하고, background subtraction과 adaptive weight map을 통해 최종 anomaly detection 결과를 도출한다.

이 논문은 기존 방법들보다 뛰어난 성능을 보여주며, 특히 Visual Attention Mechanism(HVAM)을 anomaly detection에 도입하여 그 효과를 입증하고 있다. 주요 기여로는 HVAM의 도입, curvature filter를 이용한 background subtraction 방법, 그리고 spectral 정보를 활용한 adaptive weight의 적용이 있다.

Proposed Method

이 논문에서는 Hyperspectral Image(HSI)에서 anomaly detection(AD)을 위한 새로운 방법을 제안하고 있다. 이 방법은 Visual Attention Model(VAM)과 Background Subtraction을 결합하고, Adaptive Weight을 사용하는 접근법을 채택하고 있다.

차원 축소: Optimal Clustering Framework(OCF) band selection 방법을 사용하여 HSI의 차원을 축소하고, 가장 대표적인 밴드를 후속 처리의 입력 이미지로 사용한다.

Salient Feature Map 추출: HSI에서 anomaly target 영역을 포함하는 salient feature map을 추출하기 위해 HVAM(Hyperspectral Visual Attention Model)을 처음으로 도입하였다.

Background Subtraction: TVCF(Total Variation Curvature Filter)를 이용하여 Salient Feature Map에서 초기 anomaly 영역 지도를 추출하고, 동시에 background와 noise를 억제한다.

Adaptive Weight Map: 원래 HSI의 spectral angular distance를 활용하여 adaptive weight map을 계산한 후, 이를 초기 anomaly 영역 지도와 결합하여 최종 anomaly detection 결과를 도출한다.

이 방법은 기존의 여러 첨단 방법들과 비교했을 때 뛰어난 성능을 보였으며, 특히 background 억제와 noise 제거에 효과적이다.

Experiments Results

이 논문에서는 제안된 Visual Attention and Background Subtraction with Adaptive Weight (VABS) 방법의 성능을 검증하기 위해 다양한 실험을 수행하였다. 실험에는 합성 데이터셋과 두 개의 실제 Hyperspectral Image(HSI) 데이터셋이 사용되었으며, 제안된 방법을 기존의 7가지 최신 anomaly detection(AD) 방법과 비교하였다.

합성 데이터셋: RX, LRX, CBAD 등의 방법은 타겟 탐지에 실패하거나 일부만 탐지했다. 반면에 VABS 방법은 배경을 억제하고 타겟을 성공적으로 탐지했다. 제안된 방법은 다른 방법들보다 높은 ROC 곡선과 최대 AUC 값을 기록하며 우수한 성능을 보였다.

San Diego 데이터셋: 두 개의 실험 장면에서 VABS 방법은 배경을 잘 억제하고 타겟을 성공적으로 분리했다. 특히, San Diego scene-1과 San Diego scene-2에서 AUC 값이 다른 방법들보다 높았다.

Airport 데이터셋: RX와 CBAD 방법은 타겟을 명확히 탐지하지 못했으며, 다른 방법들은 배경에 영향을 받았다. 반면에 VABS 방법은 타겟을 더 명확히 탐지하였으며, 다른 방법들보다 높은 AUC 값을 기록했다.

또한, VABS 방법은 Gaussian noise, salt and pepper noise, 그리고 Poisson noise와 같은 노이즈 억제 능력을 검증하기 위해 추가 실험을 수행했으며, 노이즈 추가 후에도 여전히 만족스러운 탐지 성능을 보였다. 마지막으로, initial anomaly area map과 weight map의 결합을 통해 최종 탐지 결과의 성능이 향상됨을 확인하였다.

이 결과들은 제안된 VABS 방법이 기존 방법들에 비해 우수한 성능을 보임을 입증하며, 특히 배경 억제와 노이즈 억제 측면에서 뛰어난 성능을 나타낸다.

Conclusion

이 논문에서는 새로운 hyperspectral anomaly detection(AD) 방법을 제안하고 있다. 제안된 방법은 OCF band selection을 통해 차원 축소를 수행하고, HVAM을 도입해 anomaly 영역을 포함한 salient feature map을 추출한다. 이후 TVCF를 활용한 background subtraction을 통해 초기 anomaly 영역을 식별하고, spectral angular distance를 이용해 adaptive weight map을 계산하여 최종 anomaly detection 결과를 얻는다. 실험 결과, 제안된 방법은 기존의 방법들에 비해 우수한 성능을 보였다. 다만, anomaly pixels이 subpixels인 경우는 고려되지 않았으며, 향후 연구에서 이 문제와 adaptive 파라미터 설정을 다룰 예정이다.