| dc.description.abstract | Denne masteroppgaven presenterer flere hyperspektrale anomali detektorer som alle baserer seg på en toppmoderne detektor ved navnet Robust Graph Autoencoder (RGAE). Alle foreslåtte detektorer i denne masteroppgaven vil ha som hovedmål å forbedre deteksjonsytelsen i sammenligning med RGAEen. Nye implementasjoner og endringer vil innebære nye preprosesseringsmetoder som PCA, KPCA og RPCA. Nye nettverksarkitekturer for det nevrale nettverket som er tatt i bruk av RGAEen vil også bli utforsket.
Masteroppgaven presenterer en preprosesseringsbasert RGAE og en hyperspektral anomali detektor med to preprosesseringsmetoder kalt Multikernel-RGAE. En ny versjon av RGAEen med nye oppsett for lagene i det nevrale nettverket vil også bli lagt frem. Sist, men ikke minst, vil et nytt nettverk ved navn Interpolated Autoencoder erstatte Autoencoderen som er tatt i bruk av RGAEen. Detektorene som bruker dette nye nettverket er kalt Interpolated Graph Autoencoder (IGAE), Kernel-IGAE (K-IGAE) og Multikernel-IGAE (MK-IGAE) der de to sistnevnte benytter seg av ulike metoder for preprosessering.
For å evaluere alle de hyperspektrale anomali detektorene vil ABU datasettet bli benyttet. Dette består av flere hyperspektrale bilder av flyplasser, strender og urbane strøk. I sammenligningen av alle detektorene som blir foreslått er det to detektorer som skiller seg ut. Multikernel-RGAEen viste seg å forbedre gjennomsnitts AUC verdien fra 0.9551 til 0.9701. En forbedring ble også lagt merke til for Kernel -IGAEen, som oppnådde en gjennomsnittlig AUC verdi på 0.9632. De andre foreslåtte detektorene viste seg å ikke forbedre deteksjonen av anomalier like mye.
Med tanke på masteroppgavens mål om å forbedre deteksjonsytelsen til RGAEen ved å forslå en rekke nye hyperspektrale anomali detektorer, kan det konkluderes at Multikernel-RGAEen og Kernel-IGAEen nådde dette målet. Det kan derfor være interessant å videreutvikle disse to detektorene. | |
| dc.description.abstract | This thesis presents multiple novel Hyperspectral Anomaly Detectors (HAD), all incorporating the Robust Graph Autoencoder (RGAE) as a backbone. The proposed HADs focus on enhancing detection performance through preprocessing techniques and modifications to network architecture. A new neural network architecture, the Interpolated Autoencoder, will also be introduced. Preprocessing methods, such as PCA, KPCA and RPCA are evaluated for their effectiveness on the input of the Autoencoder utilized by the RGAE.
The thesis introduces a Preprocessing based RGAE and the Multikernel-RGAE (MK-RGAE) that utilizes KPCA on the network inputs. Additionally, various layer setups are explored to check if an increase in the complexity of the Robust Graph Autoencoder can result in better performance. Furthermore, the Interpolated Autoencoder is employed for some of the proposed Hyperspectral Anomaly Detectorss, namely the Interpolated Graph Autoencoder (IGAE), the Kernel-IGAE (K-IGAE), and the Multikernel-IGAE (MK-IGAE). The two latter mentioned HADs employ KPCA with different configurations.
Evaluation and analysis of the proposed HADs are performed using the ABU datasets. These datasets comprise diverse hyperspectral scenes, such as airports, beaches, and urban areas. The comparative analysis of the proposed HADs highlights two standout methods, namely the Multikernel-RGAE and the Kernel-IGAE. These HADs significantly improve upon the baseline RGAE in terms of total average AUC scores. The MK-RGAE achieved a remarkable total average AUC score of 0.9701, surpassing the RGAE score of 0.9551. Similarly, the K-IGAE resulted in an impressive AUC score of 0.9632. However, the other proposed Hyperspectral Anomaly Detectors, including the Preprocessing-based RGAE, RGAE with modified layers, IGAE, and MK-IGAE, yielded less satisfactory results, failing to surpass the baseline RGAE's detection performance. Notably, the RGAE with additional layers demonstrated reduced computational costs compared to other proposed HADs, making it a feasible option for time cost reduction.
Considering the primary objective of enhancing the detection performance of the RGAE, the MK-RGAE and K-IGAE successfully achieved the desired results. Consequently, further refinement and advancement of these approaches should be explored. | |
