<br><br><div class="gmail_quote">---------- Forwarded message ----------<br>From: <b class="gmail_sendername">Tim Finin</b> <span dir="ltr"><<a href="mailto:finin@cs.umbc.edu">finin@cs.umbc.edu</a>></span><br>Date: Mon, Oct 8, 2012 at 9:10 PM<br>
Subject: [Csee-faculty-tt] [CSEE-colloq] talk: Real-time Causal Anomaly Detection for   Hyperspectral Imagery, 1pm 10/12, UMBC<br>To: <a href="mailto:csee-colloquium-out@cs.umbc.edu">csee-colloquium-out@cs.umbc.edu</a><br><br>
<br>                      UMBC CSEE Colloquium<br>
<br>
  Real-time Causal Anomaly Detection for Hyperspectral Imagery<br>
<br>
                   Yu-Lei Wang Information and<br>
            Communication Engineering College Harbin<br>
                  Engineering University, China<br>
<br>
          1:00pm Friday, 12 October 2012, ITE 227, UMBC<br>
<br>
Due to availability of very high spectral resolution, a hyper-<br>
spectral imaging sensor is capable of uncovering many subtle<br>
signal sources which cannot be visually inspected or known by<br>
prior knowledge. Such signal sources generally appear as<br>
anomalies in the data. As a result, anomaly detection has<br>
received considerable interest in hyperspectral imaging. In<br>
anomaly detection real time causal processing is particularly<br>
important and crucial. This is because many anomalies, such as<br>
moving targets, may not stay long enough and the duration of<br>
their presence is very short. Most importantly, they may show up<br>
suddenly and instantly, then disappear quickly afterwards.<br>
Therefore, for an algorithm to be able to detect these targets in<br>
a timely fashion, the process must be real time. In addition, the<br>
data that can be used should be only those which have been<br>
visited and processed. So, the data processing must be also<br>
causal as well. Such causality is a very important pre-requisite<br>
to real time processing. Our work is believed to be the first<br>
work devoted to exploring this concept into anomaly detection.<br>
Specifically, it further derives a causal innovations information<br>
update equation for implementing real time causal anomaly<br>
detection. This concept which makes use of only innovations<br>
information provided by the pixel currently being processed<br>
without re-processing previous pixels is similar to those derived<br>
in Kalman filtering.<br>
<br>
Yu-Lei Wang received her BS degree in Electrical Engineering from<br>
Harbin Engineering University, China in 2009 and is currently a<br>
Ph.D. student in the same university. Since December 2011<br>
Ms. Wang has been working in the Remote Sensing Signal and Image<br>
Processing Laboratory at UMBC on hyperspectral anomaly detection<br>
under a China State Scholarship awarded by China Scholarship<br>
Council for a two-year visit to UMBC. Ms. Wang's research<br>
interest includes remote sensing image processing and vital sign<br>
signal processing.<br>
<br>
    -- more information and directions: <a href="http://bit.ly/UMBCtalks" target="_blank">http://bit.ly/UMBCtalks</a> --<br>
--<br>
For info and options, see <a href="http://lists.cs.umbc.edu/mailman/listinfo/csee-colloquium-out" target="_blank">http://lists.cs.umbc.edu/<u></u>mailman/listinfo/csee-<u></u>colloquium-out</a><br>
______________________________<u></u>_________________<br>
Csee-faculty-tt mailing list<br>
<a href="mailto:Csee-faculty-tt@cs.umbc.edu" target="_blank">Csee-faculty-tt@cs.umbc.edu</a><br>
<a href="http://lists.cs.umbc.edu/mailman/listinfo/csee-faculty-tt" target="_blank">http://lists.cs.umbc.edu/<u></u>mailman/listinfo/csee-faculty-<u></u>tt</a><br>
</div><br>