論文の概要: Deep Learning for Change Detection in Remote Sensing Images:
Comprehensive Review and Meta-Analysis
- arxiv url: http://arxiv.org/abs/2006.05612v1
- Date: Wed, 10 Jun 2020 02:14:08 GMT
- ステータス: 処理完了
- システム内更新日: 2022-11-23 05:40:26.536327
- Title: Deep Learning for Change Detection in Remote Sensing Images:
Comprehensive Review and Meta-Analysis
- Title（参考訳）: リモートセンシング画像における変化検出のためのディープラーニング:包括的レビューとメタ分析
- Authors: Lazhar Khelifi and Max Mignotte
- Abstract要約: まず,変化検出に頻繁に採用される深層学習法の基本について紹介する。
そこで本研究では,リモートセンシング画像の深層学習に基づく変化検出手法に着目し,既存の手法の概要を概説する。
これらの調査の結果、今後の研究のために、将来有望な新たな方向性が特定された。
- 参考スコア（独自算出の注目度）: 12.462608802359936
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Deep learning (DL) algorithms are considered as a methodology of choice for
remote-sensing image analysis over the past few years. Due to its effective
applications, deep learning has also been introduced for automatic change
detection and achieved great success. The present study attempts to provide a
comprehensive review and a meta-analysis of the recent progress in this
subfield. Specifically, we first introduce the fundamentals of deep learning
methods which arefrequently adopted for change detection. Secondly, we present
the details of the meta-analysis conducted to examine the status of change
detection DL studies. Then, we focus on deep learning-based change detection
methodologies for remote sensing images by giving a general overview of the
existing methods. Specifically, these deep learning-based methods were
classified into three groups; fully supervised learning-based methods, fully
unsupervised learning-based methods and transfer learning-based techniques. As
a result of these investigations, promising new directions were identified for
future research. This study will contribute in several ways to our
understanding of deep learning for change detection and will provide a basis
for further research.
- Abstract（参考訳）: 深層学習(DL)アルゴリズムは,過去数年間のリモートセンシング画像解析の方法論として検討されている。
その効果的な応用のため、ディープラーニングは自動変更検出にも導入され、大きな成功を収めた。
本研究は,このサブフィールドにおける最近の進歩の包括的レビューとメタアナリシスを試みている。
具体的には,まず,変更検出に頻繁に採用される深層学習法の基礎を紹介する。
次に, 変化検出dl研究の現状を調べるために実施したメタ分析の詳細について述べる。
次に,既存の手法の概要を概観し,リモートセンシング画像の深層学習に基づく変化検出手法に注目する。
具体的には,これらの深層学習に基づく手法を,教師なし学習法,教師なし学習法,転向学習法という3つのグループに分類した。
これらの調査の結果、将来の研究のために新たな方向性が示された。
本研究は、変化検出のためのディープラーニングの理解にいくつかの方法で貢献し、さらなる研究の基盤を提供する。
関連論文リスト
- Trends, Challenges, and Future Directions in Deep Learning for Glaucoma: A Systematic Review [0.2940464448991482]
PRISMA(Systematic Reviews and Meta-Analyses)における優先報告項目を用いたディープラーニング(DL)アルゴリズムによる緑内障検出の最近の進歩について検討する。
本研究では,DLに基づく緑内障検出フレームワークの3つの側面(入力データモダリティ,処理戦略,モデルアーキテクチャとアプリケーション)に焦点を当てた。
論文 参考訳（メタデータ） (2024-11-07T23:35:05Z) - Underwater Object Detection in the Era of Artificial Intelligence: Current, Challenge, and Future [119.88454942558485]
水中物体検出(UOD)は、水中の画像やビデオ中の物体を識別し、ローカライズすることを目的としている。
近年、人工知能(AI)に基づく手法、特に深層学習法は、UODにおいて有望な性能を示している。
論文 参考訳（メタデータ） (2024-10-08T00:25:33Z) - Remote Sensing Object Detection Meets Deep Learning: A Meta-review of
Challenges and Advances [51.70835702029498]
本稿では,ディープラーニングに基づくRSOD手法の最近の成果を概観する。
RSODの主な課題として,マルチスケールオブジェクト検出,回転オブジェクト検出,弱いオブジェクト検出,小さなオブジェクト検出,限られた監視を伴うオブジェクト検出の5つを挙げる。
また、RSODの分野で広く使用されているベンチマークデータセットと評価指標、およびRSODのアプリケーションシナリオについてもレビューする。
論文 参考訳（メタデータ） (2023-09-13T06:48:32Z) - Change Detection Methods for Remote Sensing in the Last Decade: A
Comprehensive Review [45.78958623050146]
変更検出はリモートセンシングにおいて必須かつ広く利用されるタスクである。
時間とともに同じ地理的領域で起きている変化を検出し、分析することを目的としている。
ディープラーニングは、これらの課題を抽出し対処するための強力なツールとして登場した。
論文 参考訳（メタデータ） (2023-05-09T23:52:37Z) - Meta-learning approaches for few-shot learning: A survey of recent
advances [12.052118555436081]
深層多次元データ学習の成功にもかかわらず、ディープラーニングの性能は、新しい目に見えないタスクで低下する。
ディープラーニングは、サンプルの少ない一般化が不十分なことで悪名高い。
この調査はまずまずメタラーニングを紹介し,次に最先端のメタラーニング手法について検討する。
論文 参考訳（メタデータ） (2023-03-13T22:20:39Z) - An Empirical Review of Deep Learning Frameworks for Change Detection:
Model Design, Experimental Frameworks, Challenges and Research Needs [11.365255867144226]
本稿では、変化検出のための最先端のディープラーニング手法を実証的に検証する。
2D-CNN, 3D-CNN, ConvLSTM, マルチスケール機能, 残差接続, オートエンコーダ, GAN ベースの手法など, 既存のアプローチをモデル設計ベースで分類する。
論文 参考訳（メタデータ） (2021-05-04T07:42:40Z) - A Survey on Deep Semi-supervised Learning [51.26862262550445]
まず,既存の手法を分類した深層半指導学習の分類法を提案する。
次に、損失の種類、貢献度、アーキテクチャの違いの観点から、これらのメソッドを詳細に比較します。
論文 参考訳（メタデータ） (2021-02-28T16:22:58Z) - Meta-learning the Learning Trends Shared Across Tasks [123.10294801296926]
グラディエントベースのメタ学習アルゴリズムは、限られたデータで新しいタスクに素早く適応する。
既存のメタ学習アプローチは、適応中の現在のタスク情報にのみ依存する。
パターン認識型メタラーニング手法を提案する。
論文 参考訳（メタデータ） (2020-10-19T08:06:47Z) - A Survey on Deep Learning Techniques for Video Anomaly Detection [0.0]
本稿では,ディープラーニングを用いた異常検出の分野における最近の進歩について概観する。
ディープラーニングは、コンピュータビジョンや自然言語処理など、人工知能の多くの分野で成功している。
論文 参考訳（メタデータ） (2020-09-29T16:40:46Z) - Incremental Object Detection via Meta-Learning [77.55310507917012]
本稿では,段階的タスク間の情報を最適に共有するように,モデル勾配を再形成するメタラーニング手法を提案する。
既存のメタ学習法と比較して,本手法はタスク非依存であり,オブジェクト検出のための高容量モデルに新たなクラスやスケールを段階的に追加することができる。
論文 参考訳（メタデータ） (2020-03-17T13:40:00Z) - Anomalous Example Detection in Deep Learning: A Survey [98.2295889723002]
本調査は,ディープラーニングアプリケーションにおける異常検出の研究について,構造化された包括的概要を提供する。
既存の技術に対する分類法を,その基礎となる前提と採用アプローチに基づいて提案する。
本稿では,DLシステムに異常検出技術を適用しながら未解決の研究課題を取り上げ,今後の課題について述べる。
論文 参考訳（メタデータ） (2020-03-16T02:47:23Z)
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。