ترجمه فارسی عنوان مقاله

مدل غیرعلّی دووجهی AR-ARCH: شرایط ایستا، برآورد پارامتر و کاربردش برای کشف نابهنجاری

عنوان انگلیسی

Two dimensional noncausal AR-ARCH model: Stationary conditions, parameter estimation and its application to anomaly detection

کد مقاله	سال انتشار	تعداد صفحات مقاله انگلیسی
76941	2014	15 صفحه PDF

منبع

Publisher : Elsevier - Science Direct (الزویر - ساینس دایرکت)

Journal : Signal Processing, Volume 98, May 2014, Pages 322–336

فهرست مطالب ترجمه فارسی

چکیده

کلمات کلیدی

1-مقدمه

2.مدل غیرعلّی ARCH

3.کشف نابهنجاری برطبق مدل غیرعلّی AR-ARCH

4.ارزیابی عملکرد و نتایج شبیه‌سازی

5.نتیجه‌گیری

ضمیمه

ترجمه کلمات کلیدی

تشخیص ناهنجاری تصویر؛ AR-GARCH غیر علی؛ برآورد پارامتر؛ آشکارساز زیرفضای مطابقت داده شده

کلمات کلیدی انگلیسی

Image anomaly detection; Non-causal AR-ARCH; Parameter estimation; Matched subspace detector

ترجمه چکیده

کشف نابهنجاریِ تصویر فرایندِ استخراج تعداد کمی از پیکسل‌های خوشه‌بندی شده است که با زمینه فرق دارد. نوع تصویر، مشخصاتش و نوع نابهنجاری‌ها وابسته به کاربرد است. در این مقاله، مدل آماری جدید تحت عنوان مدل خودرگرسیو علّی-ناهمگنی پراکنش شرطی خودرگرسیو (AR-ARCH) را برای پیشینه در تصویرهای ردیاب صوتی معرفی می‌کنیم. برطبق این مدل زمینه، تکنیک کشف نابهنجاری نوین را در تصویرهای ردیاب صوتی پیشنهاد می‌کنیم. این مدل آماری جدید (یعنی ARCH غیرعلّی) بسط مدل متعارف ARCH است. شرایط ایستای کافی فراهم می‌کنیم و روشی کارآمدی به لحاظ محاسباتی برای برآورد پارامترهای مدل توسعه می‌دهیم که به حل دو مجموعه معادله خطی تبدیل می‌شود. نشان می‌دهیم که این تخمین‌گر همراستایی مجانب دارد. با استفاده از یابنده زیرفضای جور (MSD) همراستا با مدل‌سازی غیرعلی AR-ARCH پیشینه در حوزه موجک، الگوریتم کشف نابهنجاری را برای تصویرهای ردیاب صوتی پیشنهاد می‌کنیم، که به لحاظ محاسباتی کارآمد است و وابستگی کمتری به جهت‌گیری تصویر دارد. نتایج شبیه‌سازی عملکردِ برآورد پارامتر پیشنهادی و الگوریتم کشف نابهنجاری را نشان می‌دهند.

ترجمه مقدمه

کشف نابهنجاری تصویر یعنی مسئله یافتن مناطقی در تصویر که مطابق با رفتار قابل انتظار نیست. مشخصه تصویر و نوع نابهنجاری‌ها وابسته به کاربرد هستند. کشف نابهنجاری کاربردهای زیادی دارد، از این میان می‌توان به کشف نقص قرص سیلیکان [1، 2]، تصویربرداری پزشکی [3] و کشف مین دریایی در تصویرهای ردیاب صوتی جانبی-اسکن [4] اشاره کرد. در کشف مین دریایی، اهداف مرگ‌آور باید با تقریباً 100% پایایی کشف شوند. کشف اشتباه فاجعه‌بار نیست اما می‌تواند فرایند مین‌زدایی را آهسته کند. هر الگوریتم کشف نابهنجاری از چند یا تمام مراحل ذیل تشکیل می‌شود: انتخاب فضای ویژگی مناسب؛ انتخاب مدل آماری مناسب که نمایشگر پیشینه عکس و انتخاب الگوریتم کشف است. انتخاب صحیح فضای ویژگی، که تمایز نابهنجاری را از زمینه ممکن می‌سازد، بخشی مهم از الگوریتم کشف نابهنجاری است. ویژگی‌هایی را می‌توان از خود پیکسل‌های تصویر یا از تصویر بعد از تغییرشکل استخراج کرد. کازانتسو و همکاران [5] فضای ویژگی را برمبنای دو پنجره هم‌مرکز دایره‌ای W1 و W2 به ترتیب با شعاع‌های R1 و R2 (R1 < R2) معرفی کردند. رویکرد مشابه توسط شوایزر و مورا [6] استفاده شد، که در آن دو مستطیل متحدالمرکز به عنوان پنجره جابجایی عمل می‌کنند. در این روش‌ها، ویژگی‌ها مستقیم از خود تصویر استخراج می‌شوند. ویژگی‌ها را می‌توان از تصویر در حوزه تغییرشکل یافته نیز استخراج کرد. لاین و همکاران [7] از تغییرشکل موجک دوتایی در ماموگرافی استفاده کردند تا ضمن تاکید بر ویژگی‌های ماموگرافی پارازیت کاهش ‌یابد. استریکلند و هاهن [8] از تغییرشکل موجک غیراعشاری برای کشف اشیاء بهنجار در پارازیت مارکوف استفاده کردند. زیا و همکاران [9] از تغییرشکل موجک برای درج واترمارک کشف‌ناپذیر در تصویربرداری دیجیتال استفاده کردند. نویبوار و کوهن [4] از تغییرشکل موجک گسسته غیراعشاری (DWT) برای کشف نابهنجاری در تصویرهای ردیاب صوتی استفاده کردند. زمانی که ویژگی خود را از خود تصویر یا از تصویر تغییرشکل یافته استخراج کردیم، باید مدل آماری را بیابیم تا زمینه را در حوزه فضای ویژگی منتخب شرح دهیم. بررسی منابع فعلی نشان می‌دهد که محبوب‌ترین مدل‌ها برای زمینه بهنجار و بسطش است. این مدل‌ها اغلب به خاطر مهارپذیری ریاضی‌شان استفاده می‌شوند. آشتون [10] کشف نابهنجاری زیرپیکسل را در تصویربرداری مادون قرمز چندطیفی با استفاده از توزیع بهنجار اجرا کرد. اشتاین و همکاران [11] از مدل آمیخته بهنجار (GMM) برای مدل‌سازی تصویربرداری ابر-طیفی استفاده کردند. سایر بسط‌ها نظیر مدل آمیختن خطی (LMM) و حوزه تصادفی گاوس-مارکوف (GMRF) توسط چند نویسنده برای مدل‌سازی زمینه استفاده شده‌اند. بررسی مدل‌های مارکوف با چند راه‌حل برای پردازش تصویر و سیگنال را می‌توان در [12] به دست آورد. بررسی نتایج درباره ساختار فرایندهای ایستای فراخ-حسی دو وجهی با تاکید مکانی بر مدل‌های سفارش متناهی را می‌توان در [13] به دست آورد. ساختار همبستگی فرایندهای خطی فضایی و میانگین جابجایی مکانی تعریف شده در شبکه مربعی توسط مارک [14] مرور شده‌اند. مدل ناهمگنی پراکنشی (GARCH) اولین بار توسط بولرسلو [15] به عنوان بسط مدل ناهمگنی پراکنشی شریط خودرگرسیو (ARCH) معرفی شد که توسط اینگل [16] برای مدل‌سازی داده‌های اقتصادسنجی توسعه یافته بود. از آن پس، بسیاری از محققان این مدل‌ها را در کاربردهایی برای پردازش تصویر و سخنرانی استفاده کردند. کوهن [17] سیگنال گفتار را در حوزه تغییرشکل فوریر زمان کوتاه (STFT) به عنوان فرایند پیچیده GARCH مدل‌سازی کرد و از این مدل برای ارتقاء گفتار استفاده کرد. مدل AR-GARCH برای مدل‌سازی سیگنال گفتار در حوزه زمان و برای توسعه الگوریتم‌های کشف فعالیت صوتی (VAD) [18، 19] استفاده شد. عبداللهی و امین‌داور [20] از پارامترهای مدل GARCH برای تشخیص گفتار در ارقام منفک فارسی استفاده کرد. امیرمازلاغانی و همکاران [21] از مدل دووجهی GARCH برای جلوگیری از لک تصویرهای SAR استفاده کردند. مدل دووجهی GARCH در رفع پارازیت تصویر نیز استفاده شد [22]. نویبوار و کوهن (4] از مدل علّی GARCH برای کشف نابهنجاری در تصویرهای ردیاب صوتی استفاده کردند. فرض علیت که در مدل GARCH در [4] یکپارچه شد برای تصویرها غیرطبیعی است. توسعه مدل آماری غیرعلّی ممکن است منجر به بهبود عملکرد کشف با کاهش وابستگی روش کشف بر جهت‌گیری تصویر شود. در [23]، روش کشف نابهنجاری را در تصویرهای ردیاب صوتی برطبق مدل غیرعلّی AR-ARCH مدل‌سازی کردیم. کاشف زیرفضای جور (MSD) برای کشف نابهنجاری در تصویر استفاده شد. در MSD فرض شد که نابهنجاری‌ها در زیرفضا هستند. این زیرفضا فرض شد شناخته شده است یا با استفاده از داده‌های آموزش قابل برآورد است. در این مقاله، شرایط ایستای کافی برای مدل فراهم می‌کنیم و روش مجذور حداقلی اثربخش برای برآورد پارامترهای مدل پیشنهاد می‌کنیم. این تخمین‌گر، که همراستایی مجانب دارد، با حل دو مجموعه معادله خطی و عبارت شکل بسته به دست می‌آید. علاوه بر این، الگوریتم کشف را با جزئیات بیشتر ارائه می‌کنیم. این الگوریتم برطبق مدل‌سازی غیرعلّی AR-ARCH برای پیشینه و MSD است. مابقی مقاله به شرح ذیل سازمان‌دهی می‌شود. در بخش 2، مدل غیرعلّی ARCH دووجهی را معرفی می‌کنیم، شرایط ایستای کافی فراهم می‌کنیم و تکنیک نوین برای برآورد پارامترهای این مدل توسعه می‌دهیم. علاوه بر این، در ضمیمه نشان می‌دهیم که این تخمین‌گر همراستایی مجانب دارد. در بخش 3، الگوریتم کشف نابهنجاری خود را معرفی می‌کنیم که مبتنی بر مدل خودرگرسیو غیرعلّی ARCH و MSD است. این بخش شرحی مفصل درباره روشی است که قبلاً توسط نویسندگان در [23] معرفی شد. در بخش 4، عملکرد برآورد پارامتر و کشف نابهنجاری با استفاده از شبیه‌سازی ارزیابی شده‌اند. در بخش 5 به نتیجه‌گیری در این مقاله می‌پردازیم.

دانلود رایگان 2 صفحه اول مقاله لاتین (PDF)

پیش نمایش مقاله

چکیده انگلیسی

Image anomaly detection is the process of extracting a small number of clustered pixels which are different from the background. The type of image, its characteristics and the type of anomalies depend on the application at hand. In this paper, we introduce a new statistical model called noncausal autoregressive–autoregressive conditional heteroscedasticity (AR-ARCH) model for background in sonar images. Based on this background model, we propose a novel anomaly detection technique in sonar images. This new statistical model (i.e. noncausal ARCH) is an extension of the conventional ARCH model. We provide sufficient stationarity conditions and develop a computationally efficient method for estimating the model parameters which reduces to solving two sets of linear equations. We show that this estimator is asymptotically consistent. Using matched subspace detector (MSD) along with noncausal AR-ARCH modeling of the background in the wavelet domain, we propose an anomaly detection algorithm for sonar images, which is computationally efficient and less dependent on the image orientation. Simulation results demonstrate the performance of the proposed parameter estimation and the anomaly detection algorithm.