A4 Artikkeli konferenssijulkaisussa
Minimal learning machine in anomaly detection from hyperspectral images (2020)


Pölönen, I., Riihiaho, K., Hakola, A.-M., & Annala, L. (2020). Minimal learning machine in anomaly detection from hyperspectral images. In N. Paparoditis, C. Mallet, F. Lafarge, J. Jiang, A. Shaker, H. Zhang, X. Liang, B. Osmanoglu, U. Soergel, E. Honkavaara, M. Scaioni, J. Zhang, A. Peled, L. Wu, R. Li, M. Yoshimura, K. Di, O. Altan, H. M. Abdulmuttalib, & F. S. Faruque (Eds.), XXIV ISPRS Congress, Commission III (pp. 467-472). International Society for Photogrammetry and Remote Sensing. International Archives of the Photogrammetry, Remote Sensing and Spatial Information Sciences, XLIII-B3-2020. https://doi.org/10.5194/isprs-archives-XLIII-B3-2020-467-2020


JYU-tekijät tai -toimittajat


Julkaisun tiedot

Julkaisun kaikki tekijät tai toimittajat: Pölönen, Ilkka; Riihiaho, Kimmo; Hakola, Anna-Maria; Annala, Leevi

Emojulkaisu: XXIV ISPRS Congress, Commission III

Emojulkaisun toimittajat: Paparoditis, N.; Mallet, C.; Lafarge, F.; Jiang, J.; Shaker, A.; Zhang, H.; Liang, X.; Osmanoglu, B.; Soergel, U.; Honkavaara, E.; Scaioni, M.; Zhang, J.; Peled, A.; Wu, L.; Li, R.; Yoshimura, M.; Di, K.; Altan, O.; Abdulmuttalib, H. M.; Faruque, F. S.

Konferenssin paikka ja aika: Virtual Event, 31.8.-2.9.2020

Lehti tai sarja: International Archives of the Photogrammetry, Remote Sensing and Spatial Information Sciences

ISSN: 1682-1750

eISSN: 2194-9034

Julkaisuvuosi: 2020

Sarjan numero: XLIII-B3-2020

Artikkelin sivunumerot: 467-472

Kirjan kokonaissivumäärä: 1722

Kustantaja: International Society for Photogrammetry and Remote Sensing

Kustannuspaikka: Hannover

Julkaisumaa: Saksa

Julkaisun kieli: englanti

DOI: https://doi.org/10.5194/isprs-archives-XLIII-B3-2020-467-2020

Julkaisun avoin saatavuus: Avoimesti saatavilla

Julkaisukanavan avoin saatavuus: Kokonaan avoin julkaisukanava

Julkaisu on rinnakkaistallennettu (JYX): https://jyx.jyu.fi/handle/123456789/71570


Tiivistelmä

Anomaly detection from hyperspectral data needs computationally efficient methods to process the data when the data gathering platform is a drone or a cube satellite. In this study, we introduce a minimal learning machine for hyperspectral anomaly detection. Minimal learning machine is a novel distance-based classification algorithm, which is now modified to detect anomalies. Besides being computationally efficient, minimal learning machine is also easy to implement. Based on the results, we show that minimal learning machine is efficient in detecting global anomalies from the hyperspectral data with low false alarm rate.


YSO-asiasanat: kaukokartoitus; spektrikuvaus; koneoppiminen

Vapaat asiasanat: minimal learning machine; hyperspectral imaging; anomaly detection; remote sensing


Liittyvät organisaatiot


Hankkeet, joissa julkaisu on tehty


OKM-raportointi: Kyllä

Raportointivuosi: 2020

JUFO-taso: 1


Viimeisin päivitys 2021-20-09 klo 16:20