論文の概要: Looking for change? Roll the Dice and demand Attention
- arxiv url: http://arxiv.org/abs/2009.02062v2
- Date: Tue, 23 Mar 2021 08:15:48 GMT
- ステータス: 処理完了
- システム内更新日: 2022-10-22 02:08:57.641089
- Title: Looking for change? Roll the Dice and demand Attention
- Title（参考訳）: 変化を探している?
サイコロを巻いて注意を要求する
- Authors: Foivos I. Diakogiannis, Fran\c{c}ois Waldner, Peter Caccetta
- Abstract要約: 高解像度空中画像における意味変化検出のための信頼性の高いディープラーニングフレームワークを提案する。
我々のフレームワークは、新しいロス関数、新しいアテンションモジュール、新しい機能抽出ビルディングブロック、新しいバックボーンアーキテクチャで構成されています。
我々は,2つの建物変更検出データセットに対して,優れた性能を示すとともに,美術スコア(F1とIoUに対するインターセクション)の達成状況を示すことによって,我々のアプローチを検証する。
- 参考スコア（独自算出の注目度）: 0.0
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Change detection, i.e. identification per pixel of changes for some classes
of interest from a set of bi-temporal co-registered images, is a fundamental
task in the field of remote sensing. It remains challenging due to unrelated
forms of change that appear at different times in input images. Here, we
propose a reliable deep learning framework for the task of semantic change
detection in very high-resolution aerial images. Our framework consists of a
new loss function, new attention modules, new feature extraction building
blocks, and a new backbone architecture that is tailored for the task of
semantic change detection. Specifically, we define a new form of set
similarity, that is based on an iterative evaluation of a variant of the Dice
coefficient. We use this similarity metric to define a new loss function as
well as a new spatial and channel convolution Attention layer (the FracTAL).
The new attention layer, designed specifically for vision tasks, is memory
efficient, thus suitable for use in all levels of deep convolutional networks.
Based on these, we introduce two new efficient self-contained feature
extraction convolution units. We validate the performance of these feature
extraction building blocks on the CIFAR10 reference data and compare the
results with standard ResNet modules. Further, we introduce a new
encoder/decoder scheme, a network macro-topology, that is tailored for the task
of change detection. Our network moves away from any notion of subtraction of
feature layers for identifying change. We validate our approach by showing
excellent performance and achieving state of the art score (F1 and Intersection
over Union-hereafter IoU) on two building change detection datasets, namely,
the LEVIRCD (F1: 0.918, IoU: 0.848) and the WHU (F1: 0.938, IoU: 0.882)
datasets.
- Abstract（参考訳）: リモートセンシングの分野では、変更検出(例えば、両時間同時登録画像の集合から興味のあるクラスへの変更1ピクセル当たりの識別)が基本的な課題である。
入力画像で異なる時間に現れる無関係な変化のため、依然として困難である。
本稿では,高分解能空中画像における意味変化検出タスクのための信頼性の高いディープラーニングフレームワークを提案する。
私たちのフレームワークは、新しい損失関数、新しいアテンションモジュール、新しい機能抽出ビルディングブロック、セマンティック変更検出タスク用に調整された新しいバックボーンアーキテクチャで構成されています。
具体的には、Dice係数の不変量の反復的評価に基づいて、集合類似性の新たな形式を定義する。
我々はこの類似度メトリクスを用いて新しい損失関数と新しい空間およびチャンネル畳み込み注意層(フラクタル)を定義する。
視覚タスク用に特別に設計された新しいアテンション層はメモリ効率が高く、ディープ畳み込みネットワークのあらゆるレベルでの使用に適している。
そこで本研究では,効率的な自己完結型特徴抽出ユニットを2つ導入する。
CIFAR10参照データを用いて,これらの特徴抽出ビルディングブロックの性能を検証し,標準ResNetモジュールと比較する。
さらに,新たなエンコーダ/デコーダスキームであるネットワークマクロトポロジを導入し,変更検出タスク用に調整した。
私たちのネットワークは、変化を特定するための機能レイヤのサブトラクションの概念から離れています。
LEVIRCD (F1: 0.918, IoU: 0.848) と WHU (F1: 0.938, IoU: 0.882) データセットの2つの構造変化検出データセットに対して,優れた性能と達成状況を示すことにより,我々のアプローチを検証する。
関連論文リスト
- ELGC-Net: Efficient Local-Global Context Aggregation for Remote Sensing Change Detection [65.59969454655996]
本稿では,変化領域を正確に推定するために,リッチな文脈情報を利用する効率的な変化検出フレームワークELGC-Netを提案する。
提案するELGC-Netは、リモートセンシング変更検出ベンチマークにおいて、最先端の性能を新たに設定する。
また,ELGC-Net-LWも導入した。
論文 参考訳（メタデータ） (2024-03-26T17:46:25Z) - Explicit Change Relation Learning for Change Detection in VHR Remote
Sensing Images [12.228675703851733]
変更関係の特徴を明示的にマイニングするためのネットワークアーキテクチャNAMEを提案する。
変更検出の変更特徴は、事前変更画像特徴、後変更画像特徴、変更関係特徴に分けられる。
我々のネットワークは、F1、IoU、OAの点で、変更検出のための既存の先進的なネットワークよりも優れています。
論文 参考訳（メタデータ） (2023-11-14T08:47:38Z) - Unsupervised convolutional neural network fusion approach for change
detection in remote sensing images [1.892026266421264]
我々は、変化検出のための全く教師なし浅層畳み込みニューラルネットワーク(USCNN)融合アプローチを導入する。
我々のモデルには3つの特徴がある: トレーニングプロセス全体は教師なしで行われ、ネットワークアーキテクチャは浅く、目的関数はスパースである。
4つの実リモートセンシングデータセットの実験結果から,提案手法の有効性と有効性が確認された。
論文 参考訳（メタデータ） (2023-11-07T03:10:17Z) - TINYCD: A (Not So) Deep Learning Model For Change Detection [68.8204255655161]
変化検出(CD)の目的は、同じ領域で発生した変化を異なる時間に撮影された2つの画像を比較して検出することである。
ディープラーニングの分野での最近の進歩により、研究者はこの分野で卓越した成果を得られるようになった。
我々はTinyCDと呼ばれる新しいモデルを提案し、軽量かつ効果的であることを実証した。
論文 参考訳（メタデータ） (2022-07-26T19:28:48Z) - Augmenting Convolutional networks with attention-based aggregation [55.97184767391253]
我々は,非局所的推論を実現するために,注目に基づくグローバルマップを用いた畳み込みネットワークの強化方法を示す。
この学習集約層を2つのパラメータ(幅と深さ)でパラメータ化した単純パッチベースの畳み込みネットワークで接続する。
これは、特にメモリ消費の点で、精度と複雑さの間の驚くほど競争力のあるトレードオフをもたらす。
論文 参考訳（メタデータ） (2021-12-27T14:05:41Z) - FCCDN: Feature Constraint Network for VHR Image Change Detection [12.670734830806591]
本稿では,変更検出のための特徴制約変更検出ネットワーク(FCCDN)を提案する。
両時間的特徴抽出と特徴融合を両立させる。
2つのビルディング変更検出データセットの最先端性能を実現する。
論文 参考訳（メタデータ） (2021-05-23T06:13:47Z) - Decoupled and Memory-Reinforced Networks: Towards Effective Feature
Learning for One-Step Person Search [65.51181219410763]
歩行者検出と識別サブタスクを1つのネットワークで処理するワンステップ方式を開発しました。
現在のワンステップアプローチには2つの大きな課題があります。
本稿では,これらの問題を解決するために,分離メモリ強化ネットワーク(DMRNet)を提案する。
論文 参考訳（メタデータ） (2021-02-22T06:19:45Z) - Decoupled Self Attention for Accurate One Stage Object Detection [4.791635488070342]
本稿では,1段階の物体検出モデルに対してデカップリング自己注意(DSA)モジュールを提案する。
DSAモジュールのネットワークは単純だが、オブジェクト検出の性能を効果的に向上させることができるが、多くの検出モデルに組み込むこともできる。
論文 参考訳（メタデータ） (2020-12-14T15:19:30Z) - Rethinking Bottleneck Structure for Efficient Mobile Network Design [154.47657111869552]
倒立残差ブロックは最近,モバイルネットワークのアーキテクチャ設計を支配している。
この構造を反転させ,より高次元でのアイデンティティマッピングと空間変換を行うサンドグラスブロックと呼ばれる新しいボトルネック設計を提案する。
ImageNet分類では、パラメータや計算量を増やすことなく、逆残差ブロックを砂時計ブロックに置き換えることによって、MobileNetV2よりも1.7%以上精度を向上することができる。
論文 参考訳（メタデータ） (2020-07-05T08:55:26Z) - When Residual Learning Meets Dense Aggregation: Rethinking the
Aggregation of Deep Neural Networks [57.0502745301132]
我々は,グローバルな残差学習と局所的なマイクロセンスアグリゲーションを備えた新しいアーキテクチャであるMicro-Dense Netsを提案する。
我々のマイクロセンスブロックはニューラルアーキテクチャ検索に基づくモデルと統合して性能を向上させることができる。
論文 参考訳（メタデータ） (2020-04-19T08:34:52Z) - DASNet: Dual attentive fully convolutional siamese networks for change
detection of high resolution satellite images [17.839181739760676]
研究の目的は、関心の変化情報を識別し、無関係な変更情報を干渉要因としてフィルタリングすることである。
近年、ディープラーニングの台頭により、変化検出のための新しいツールが提供され、目覚ましい結果が得られた。
我々は,高解像度画像における変化検出のための新しい手法,すなわち,二重注意型完全畳み込みシームズネットワーク(DASNet)を提案する。
論文 参考訳（メタデータ） (2020-03-07T16:57:10Z)
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。