論文の概要: Two-Phase Object-Based Deep Learning for Multi-temporal SAR Image Change Detection

• arxiv url: http://arxiv.org/abs/2001.06252v1
• Date: Fri, 17 Jan 2020 11:51:35 GMT
• ステータス: 処理完了
• システム内更新日: 2023-01-10 12:54:31.377537
• Title: Two-Phase Object-Based Deep Learning for Multi-temporal SAR Image Change Detection
• Title（参考訳）: 多時間SAR画像変化検出のための2相オブジェクトベースディープラーニング
• Authors: Xinzheng Zhang, Guo Liu, Ce Zhang, Peter M Atkinson, Xiaoheng Tan, Xin Jian, Xichuan Zhou, Yongming Li
• Abstract要約: 変化検出は合成開口レーダ(SAR)画像の基本的な応用の1つである。 SAR画像に現れるスペックルノイズは、変化検出に非常に悪影響を及ぼす。 多時間SAR画像変化検出のための2相オブジェクトベースディープラーニング手法を提案する。
• 参考スコア（独自算出の注目度）: 23.2069257991734
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Change detection is one of the fundamental applications of synthetic aperture radar (SAR) images. However, speckle noise presented in SAR images has a much negative effect on change detection. In this research, a novel two-phase object-based deep learning approach is proposed for multi-temporal SAR image change detection. Compared with traditional methods, the proposed approach brings two main innovations. One is to classify all pixels into three categories rather than two categories: unchanged pixels, changed pixels caused by strong speckle (false changes), and changed pixels formed by real terrain variation (real changes). The other is to group neighboring pixels into segmented into superpixel objects (from pixels) such as to exploit local spatial context. Two phases are designed in the methodology: 1) Generate objects based on the simple linear iterative clustering algorithm, and discriminate these objects into changed and unchanged classes using fuzzy c-means (FCM) clustering and a deep PCANet. The prediction of this Phase is the set of changed and unchanged superpixels. 2) Deep learning on the pixel sets over the changed superpixels only, obtained in the first phase, to discriminate real changes from false changes. SLIC is employed again to achieve new superpixels in the second phase. Low rank and sparse decomposition are applied to these new superpixels to suppress speckle noise significantly. A further clustering step is applied to these new superpixels via FCM. A new PCANet is then trained to classify two kinds of changed superpixels to achieve the final change maps. Numerical experiments demonstrate that, compared with benchmark methods, the proposed approach can distinguish real changes from false changes effectively with significantly reduced false alarm rates, and achieve up to 99.71% change detection accuracy using multi-temporal SAR imagery.
• Abstract（参考訳）: 変化検出は合成開口レーダ(SAR)画像の基本的な応用の1つである。 しかし,sar画像に現れるスペックルノイズは変化検出に非常に悪影響を及ぼす。 本研究では,多時間SAR画像変化検出のための新しい2相オブジェクトベースディープラーニング手法を提案する。 従来の手法と比較して、提案されたアプローチは2つの主要な革新をもたらす。 1つは、全てのピクセルを2つのカテゴリではなく3つのカテゴリに分類することである: 変化しないピクセル、強いスペックルによる変更ピクセル(false change)、実際の地形変化によって形成された変更ピクセル(real change)である。 もう1つは、隣接するピクセルを(ピクセルから)スーパーピクセルオブジェクトに分割することで、ローカルな空間コンテキストを利用する。 2つのフェーズは この手法で設計されています 1) 単純な線形反復クラスタリングアルゴリズムに基づいてオブジェクトを生成し, ファジィc-means(FCM)クラスタリングと深層PCANetを用いて, これらのオブジェクトを変化・変化しないクラスに識別する。 この位相の予測は変化し変化しないスーパーピクセルの集合である。 2) ピクセル集合の深層学習は, 変化したスーパーピクセルのみを第1フェーズで取得し, 誤変化から実際の変化を識別する。 SLICは第2フェーズで新しいスーパーピクセルを達成するために再び使用される。 これらの新しいスーパーピクセルに低階及びスパース分解を適用し、スペックルノイズを著しく抑制する。 FCMを介してこれらの新たなスーパーピクセルにさらにクラスタリングステップを適用する。 新しいPCANetは、最後の変更マップを達成するために、2種類の変更されたスーパーピクセルを分類するように訓練される。 数値実験により,提案手法は,ベンチマーク法と比較して,誤検出率を著しく低減し,実変化と誤変化を効果的に区別し,多時間sar画像を用いて最大99.71%の変化検出精度を達成できることを示した。

関連論文リスト

• Deep Learning Based Speckle Filtering for Polarimetric SAR Images. Application to Sentinel-1 [51.404644401997736]
  本稿では、畳み込みニューラルネットワークを用いて偏光SAR画像のスペックルを除去するための完全なフレームワークを提案する。 実験により,提案手法はスペックル低減と分解能保存の両方において例外的な結果をもたらすことが示された。
  論文  参考訳（メタデータ） (2024-08-28T10:07:17Z)
• Changen2: Multi-Temporal Remote Sensing Generative Change Foundation Model [62.337749660637755]
  安価で自動的な生成モデルに基づく変更データ生成器を提案する。 Changen2は、自己監督を通じて大規模にトレーニング可能な、生成的な変更基盤モデルである。 得られたモデルには、固有のゼロショット変化検出機能と優れた転送性がある。
  論文  参考訳（メタデータ） (2024-06-26T01:03:39Z)
• MaskCD: A Remote Sensing Change Detection Network Based on Mask Classification [29.15203530375882]
  深層学習を用いたリモートセンシング(RS)画像からの変化(CD)を文献的に広く研究している。 入力画像対から分類マスクを適応的に生成し,変化領域を検出するMaskCDを提案する。 ピクセルワイズ表現を学習可能なマスク提案に復号することで、望まれる変更対象を再構築する。
  論文  参考訳（メタデータ） (2024-04-18T11:05:15Z)
• Changes-Aware Transformer: Learning Generalized Changes Representation [56.917000244470174]
  差分特徴の精細化のための新しい変化認識変換器(CAT)を提案する。 様々な変化の一般化表現は、差分特徴空間において容易に学習される。 精細化後、差分特徴空間における変化画素同士が近接し、変化検出を容易にする。
  論文  参考訳（メタデータ） (2023-09-24T12:21:57Z)
• Learning Transformations To Reduce the Geometric Shift in Object Detection [60.20931827772482]
  画像キャプチャプロセスの変動から生じる幾何シフトに対処する。 我々は、これらのシフトを最小限に抑えるために幾何変換の集合を学習する自己学習アプローチを導入する。 我々は,カメラの視野変化(FoV)と視点変化(視点変化)の2つの異なるシフトについて,本手法の評価を行った。
  論文  参考訳（メタデータ） (2023-01-13T11:55:30Z)
• Probabilistic Deep Metric Learning for Hyperspectral Image Classification [91.5747859691553]
  本稿では,ハイパースペクトル画像分類のための確率論的深度学習フレームワークを提案する。 ハイパースペクトルセンサーが捉えた画像に対して、各ピクセルのカテゴリを予測することを目的としている。 我々のフレームワークは、既存のハイパースペクトル画像分類法に容易に適用できる。
  論文  参考訳（メタデータ） (2022-11-15T17:57:12Z)
• dual unet:a novel siamese network for change detection with cascade differential fusion [4.651756476458979]
  本稿では,変化検出タスク,すなわちDual-UNetのための新しいSiameseニューラルネットワークを提案する。 従来のバイテンポラル画像の符号化とは対照的に,画素の空間的差分関係に着目したエンコーダ差分アテンションモジュールを設計する。 実験により、提案手法は、一般的な季節変化検出データセットにおいて、常に最も高度な手法よりも優れていることが示された。
  論文  参考訳（メタデータ） (2022-08-12T14:24:09Z)
• M2TR: Multi-modal Multi-scale Transformers for Deepfake Detection [74.19291916812921]
  Deepfake技術によって生成された鍛造画像は、デジタル情報の信頼性に深刻な脅威をもたらします。 本稿では,Deepfake検出のための微妙な操作アーチファクトを異なるスケールで捉えることを目的とする。 最先端の顔スワッピングと顔の再現方法によって生成された4000のDeepFakeビデオで構成される高品質のDeepFakeデータセットSR-DFを紹介します。
  論文  参考訳（メタデータ） (2021-04-20T05:43:44Z)
• Super-resolution-based Change Detection Network with Stacked Attention Module for Images with Different Resolutions [20.88671966047938]
  環境保護と都市計画において,変化検出は重要な役割を担っている。 従来のサブピクセルに基づく、解像度の異なる画像による変更検出は、重大なエラー蓄積につながる可能性がある。 注目モジュールを積み重ねた超解像型変化検出ネットワーク(SRCDNet)を提案する。
  論文  参考訳（メタデータ） (2021-02-27T11:17:40Z)
• Robust Unsupervised Small Area Change Detection from SAR Imagery Using Deep Learning [23.203687716051697]
  合成開口レーダ(SAR)画像から小さな領域変化検出のための頑健な教師なし手法を提案する。 差分画像(DI)を生成するマルチスケールスーパーピクセル再構成法を開発した。 二段階中心拘束型ファジィc平均クラスタリングアルゴリズムを提案し、DIの画素を変化・変化・中間クラスに分割する。
  論文  参考訳（メタデータ） (2020-11-22T12:50:08Z)
• A Robust Imbalanced SAR Image Change Detection Approach Based on Deep Difference Image and PCANet [20.217242547269947]
  深層学習に基づく非平衡多時間合成開口レーダ(SAR)画像に対して,新しいロバストな変化検出手法を提案する。 我々の主な貢献は、差分画像を生成する新しい方法と並列ファジィc-means(FCM)クラスタリング法を開発することである。 実験の結果,提案手法は不均衡なSARデータに対して有効で頑健であり,ほとんどの最先端手法よりも99.52%変化検出精度を実現していることがわかった。
  論文  参考訳（メタデータ） (2020-03-03T20:05:49Z)

関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。

指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。