Scan Statistics for the Detection of Anomalies in M -Dependent Random Fields with Applications to Image Data
M 依赖随机场异常检测的扫描统计量及图像应用AI 解读 ↓
← 返回论文列表与筛选
阅读说明
本页整理公开书目信息，不生成学术质量评分。AI 解读根据题名及所注明的摘要或原文片段生成，未完成全文核验，可能有误；具体假设、证明与结论请核对原文。摘要保留来源文本，未经模型改写。
DOI 首次登记不等于接收或发表日期。部分更正、评论等条目没有独立摘要；缺少可靠材料时保留待补状态。
引用量采用 OpenAlex 单条关联记录，不合计多个记录；关联记录可能包含正式发表版本，不等于此版本单独引用。缺失不视为零，引用指标不代表论文质量。
关注作者按书目中的完整姓名匹配，同名和姓名变体需人工辨别。相关论文先按共享细分方向和具体方法排列，再参考通用方法与发表日期。
分类依据与纠错
AI 根据所提供的论文材料归类：摘要针对随机场与图像异常检测，未涉及宏观结构变化或所列经济、金融细分方向。
反馈分类问题正在核对关联版本…
代码、数据与补充材料
正在核对对应版本的资源…
M 依赖随机场异常检测的扫描统计量及图像应用
- 研究问题
- 如何在具有局部依赖的随机场中检测均值不同于背景的异常区域，并使扫描窗口适应不同形状的图像特征？
- 方法与思路
- 作者组合不同形状局部窗口内的样本均值及其对比，为任意固定维度的 M 依赖随机场推导扫描统计量极限定理。
- 材料陈述的贡献
- 摘要称该理论覆盖灵活的局部扫描统计量，并通过模拟和不同混凝土二维图像的裂缝检测展示应用潜力。
- 阅读关注点
- 应核对 M 依赖及维度固定的具体要求、窗口组合与阈值校准方式，以及裂缝检测中误报和检出能力的评估。
- 阅读边界
- 摘要未给出极限分布形式、异常检测边界或错误率控制条件；图像示例不能据此推广为其他领域的检测保证。
原文摘要
Anomaly detection in random fields is an important problem in many applications including the detection of cancerous cells in medicine, obstacles in autonomous driving and cracks in the construction material of buildings. Such anomalies are often visible as areas with different expected values compared to the background noise. Scan statistics based on local means have the potential to detect such local anomalies by enhancing relevant features. We derive limit theorems for a general class of such statistics over M-dependent random fields of arbitrary but fixed dimension. By allowing for a variety of combinations and contrasts of sample means over differently-shaped local windows, this yields a flexible class of scan statistics that can be tailored to the particular application of interest. The latter is demonstrated for crack detection in 2D-images of different types of concrete. Together with a simulation study this indicates the potential of the proposed methodology for the detection of anomalies in a variety of situations.