PulseAugur
中
实时 03:58:40
English(EN) T-SAR-JEPA: Self-Supervised Temporal Anomaly Detection in SAR Amplitude Stacks via Latent Prediction

T-SAR-JEPA框架检测SAR数据中的时间异常

作者 PulseAugur 编辑部 · [2 个来源] ·

研究人员开发了T-SAR-JEPA，一个新颖的自监督框架，用于检测合成孔径雷达（SAR）幅度数据中的时间异常。该模型利用领域适应的Vision Transformer (ViT)编码器和时间Transformer，从连续的SAR采集预测未来的潜在状态。在DFC 2026数据集上进行测试，T-SAR-JEPA表现强劲，在检测火山喷发方面取得了77.0%的ROC-AUC，显著优于几种基线方法。 AI

影响 引入了一种用于SAR数据时间异常检测的新自监督方法，可能提高监测能力。

排序理由 该集群包含一篇详细介绍用于异常检测的新自监督框架的学术论文。

在 arXiv cs.LG 阅读 →

AI 生成摘要 · Google Gemini · 来自 2 个来源。 我们如何撰写摘要 →

报道来源 [2]

  1. arXiv cs.LG TIER_1 English(EN) · Kerod Woldesenbet, Abem Woldesenbet ·

    T-SAR-JEPA：基于潜在预测的SAR幅度堆栈自监督时序异常检测

    arXiv:2606.05700v1 Announce Type: cross Abstract: We present T-SAR-JEPA, a self-supervised framework for temporal anomaly detection in SAR amplitude stacks via latent prediction. A ViT-Base/16 encoder from SAR-JEPA is domain-adapted on 39,300 Capella patches using local masked re…

  2. arXiv cs.CV TIER_1 English(EN) · Abem Woldesenbet ·

    T-SAR-JEPA：基于潜在预测的SAR幅度堆栈中的自监督时间异常检测

    We present T-SAR-JEPA, a self-supervised framework for temporal anomaly detection in SAR amplitude stacks via latent prediction. A ViT-Base/16 encoder from SAR-JEPA is domain-adapted on 39,300 Capella patches using local masked reconstruction with gradient feature prediction. A t…

相关实体

相关话题