Nearest-Neighbor Clutter Removal for Estimating Features in Spatial Point Processes
利用最近邻去除杂点以估计空间点过程特征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：摘要涉及空间点过程的几何特征检测，未涉及经济网络关系或网络干扰，缺乏其他指定细分依据。
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…
关注这篇论文的作者
利用最近邻去除杂点以估计空间点过程特征
- 研究问题
- 在空间点过程含大量杂点时，如何识别形状一般且不必路径连通的特征，并控制目标检测中的误报？
- 方法与思路
- 作者用第 K 近邻距离区分杂点与特征点，将距离建模为混合分布并通过 EM 估计参数，再用于雷区和断层识别。
- 材料陈述的贡献
- 摘要称，方法在雷区案例中取得高检测率和低误报率，也可用于高维分析及构造高崩溃点的稳健协方差估计。
- 阅读关注点
- 应核对 K 的选择、距离混合模型的合理性与分类阈值，以及高维表现和协方差估计崩溃点结论的适用条件。
- 阅读边界
- 仅据 OpenAlex 索引摘要，稿件版本未注明；未给出检测率数值、混合模型条件和崩溃点界限，不能确认一般空间过程中的性能。
原文摘要
We consider the problem of detecting features in spatial point processes in the presence of substantial clutter. One example is the detection of minefields using reconnaissance aircraft images that identify many objects that are not mines. Our solution uses Kth nearest neighbor distances of points in the process to classify them as clutter or otherwise. The observed Kth nearest neighbor distances are modeled as a mixture distribution, the parameters of which are estimated by a simple EM algorithm. This method allows for detection of generally shaped features that need not be path connected. In the minefield example this method yields high detection and low false-positive rates. Another application, to outlining seismic faults, is considered with some success. The method works well in high dimensions. The method can also be used to produce very high-breakdown-point–robust estimators of a covariance matrix.