Optimized Hyperspectral Anomaly Detectors: Improved Performance and Reduced Computational Complexity

Abstract

Hyperspektral anomalideteksjon (HAD) spiller en avgjørende rolle i ulike fjernmålingsapplikasjoner, inkludert miljøovervåking. Denne masteren fokuserer på å utvikle en HAD-modell som kan integreres i prosesseringen om bord på den hyperspektrale småsatellitten for havobservasjoner (HYPSO), som er designet for å oppdage uregelmessigheter i havet, som for eksempel planteplankton og alge oppblomstring. Målet er å designe en modell som oppnår høy deteksjonsytelse sammenlignet med andre topp modeller, samtidig som beregningskostnadene minimeres. Denne masteren presenterer tre bidrag for å forbedre Autonomous Hyperspectral Anomaly Detection Network (AUTO-AD) modellen. Det første bidraget, AUTO-AD+, kombinerer AUTO-AD med en preprosessering metode basert på kernel principal component analysis (KPCA) for å forbedre deteksjonsytelsen. Det andre bidraget er en simplifisert AUTO-AD-modellen (LW-AUTO-AD), som inkorporerer en simplifisert auto enkoder-arkitektur for å redusere beregningskostnadene. Til slutt kombinerer LW-AUTO-AD+, LW-AUTO-AD modellen med en preprosesserings blokk for å forbedre deteksjonsytelsen og redusere beregningskostnadene. Eksperimentelle evalueringer ble utført på Airport-Beach-Urban (ABU) datasettet, der modellene ble sammenlignet med AUTO-AD og andre topp moderne modeller. Funnene viste at alle de tre konfigurasjonene effektivt reduserte beregningskostnadene. Videre viste resultatene at preprosessering forbedret deteksjonsytelsen. Totalt sett viste LW-AUTO-AD+ den høyeste deteksjonsytelsen blant alle foreslåtte modeller, inkludert flere av de topp moderne modellene.

Hyperspectral Anomaly Detection (HAD) plays a crucial role in various remote sensing applications, particularly in environmental monitoring. This thesis focuses on developing an HAD model for potential integration into the onboard processing of the Hyper-Spectral Small Satellite for Ocean Observations (HYPSO), designed to detect irregularities in the ocean, such as algae bloom, phytoplankton and river plumes. The objective is to design a model that achieves high detection performance with regard to other state-of-the-art models while minimizing computational cost to ensure efficient power usage. Three contributions are presented to enhance the state-of-the-art Autonomous Hyperspectral Anomaly Detection Network (AUTO-AD) model. Firstly, AUTO-AD+ incorporates Kernel Principal Component Analysis (KPCA)-based pre-processing to improve detection performance. Secondly, the Lightweight AUTO-AD (LW-AUTO-AD) model proposes a lightweight Autoencoder (AE) architecture to reduce computational cost. Lastly, LW-AUTO-AD+ combines LW-AUTO-AD with a pre-processing block to enhance detection performance and reduce computational cost. Experimental evaluations were conducted on the Airport-Beach-Urban (ABU) dataset, comparing the proposed models with AUTO-AD and other state-of-the-art approaches. The findings revealed that all three configurations effectively reduced the computational cost. Moreover, the results showed that incorporating pre-processing techniques significantly enhanced the detection performance. Overall, LW-AUTO-AD+ demonstrated the highest detection performance among all proposed models, including several state-of-the-art models.