
<html><head></head><body><div class="yahoo-style-wrap" style="font-family:Helvetica Neue, Helvetica, Arial, sans-serif;font-size:13px;"><div><div><div><font size="2" face="verdana, helvetica, sans-serif">Ciclo de Seminários do Departamento de Estatística – UFRN</font></div><div><font size="2" face="verdana, helvetica, sans-serif"><br></font></div><div dir="ltr" data-setdir="false"><font size="2" face="verdana, helvetica, sans-serif">Prezados, o Departamento de Estatística da Universidade Federal do Rio Grande do Norte - UFRN convida a todos para participar do seminário que será realizado hoje, 28/06, às 14h. Seguem informações abaixo</font></div><div dir="ltr" data-setdir="false"><font size="2" face="verdana, helvetica, sans-serif"><br></font></div><div><font size="2" face="verdana, helvetica, sans-serif"><br></font></div><div><font size="2" face="verdana, helvetica, sans-serif"><b>Link meet:</b> <a href="https://meet.google.com/mtp-ekup-nur" rel="nofollow" target="_blank">https://meet.google.com/mtp-ekup-nur</a></font></div><div><font size="2" face="verdana, helvetica, sans-serif"><br></font></div><div><font size="2" face="verdana, helvetica, sans-serif"><b>Link YouTube:</b> https://www.youtube.com/channel/UCr_8R_aiS69hroG4-Yvzv4Q</font></div><div><font size="2" face="verdana, helvetica, sans-serif"><br></font></div><div><font size="2" face="verdana, helvetica, sans-serif"><b>Palestrante: </b>Prof. Dr. Fábio Mariano Bayer</font></div><div><br></div><div><font size="2" face="verdana, helvetica, sans-serif"><b>Title:</b> 2-D Rayleigh Autoregressive Moving Average Model for SAR Image Modeling</font></div><div><font size="2" face="verdana, helvetica, sans-serif"><br></font></div><div><font size="2" face="verdana, helvetica, sans-serif"><b>Abstract:</b> Two-dimensional (2-D) autoregressive moving average (ARMA) models are commonly applied to describe real-world image data, usually assuming Gaussian or symmetric noise. However, real-world data often present non-Gaussian signals, with asymmetrical distributions and strictly positive values. In particular, SAR images are known to be well characterized by the Rayleigh distribution. In this context, this paper introduces an ARMA model tailored for 2-D Rayleigh-distributed data -- the 2-D RARMA model. The 2-D RARMA model is derived and conditional likelihood inferences are discussed. The proposed model was submitted to extensive Monte Carlo simulations to evaluate the performance of the conditional maximum likelihood estimators. Moreover, in the context of SAR image processing, two comprehensive numerical experiments were performed comparing anomaly detection and image modeling results of the proposed model with traditional 2-D ARMA models and competing methods in the literature.</font></div><div><font size="2" face="verdana, helvetica, sans-serif"><br></font></div><div><font size="2" face="verdana, helvetica, sans-serif">This is a joint work with Bruna Gregory Palm and Renato J. Cintra.</font></div></div><div><font size="2" face="verdana, helvetica, sans-serif"><br></font></div><div><font size="2" face="verdana, helvetica, sans-serif"><br></font></div><div><font size="2" face="verdana, helvetica, sans-serif"><br></font></div><div dir="ltr" data-setdir="false"><font size="2" face="verdana, helvetica, sans-serif">Atenciosamente,</font></div><div dir="ltr" data-setdir="false"><font size="2" face="verdana, helvetica, sans-serif">Moizés da Silva Melo.</font></div><br></div></div></body></html>