論文の概要: A Weakly Supervised Convolutional Network for Change Segmentation and Classification

• arxiv url: http://arxiv.org/abs/2011.03577v1
• Date: Fri, 6 Nov 2020 20:20:45 GMT
• ステータス: 処理完了
• システム内更新日: 2022-09-29 04:33:18.104686
• Title: A Weakly Supervised Convolutional Network for Change Segmentation and Classification
• Title（参考訳）: 変更セグメンテーションと分類のための弱教師付き畳み込みネットワーク
• Authors: Philipp Andermatt, Radu Timofte
• Abstract要約: W-CDNetは、画像レベルのセマンティックラベルでトレーニングできる、弱い教師付き変更検出ネットワークである。 W-CDNetは、2つの異なるタイプのデータセットでトレーニングすることができる。
• 参考スコア（独自算出の注目度）: 91.3755431537592
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Fully supervised change detection methods require difficult to procure pixel-level labels, while weakly supervised approaches can be trained with image-level labels. However, most of these approaches require a combination of changed and unchanged image pairs for training. Thus, these methods can not directly be used for datasets where only changed image pairs are available. We present W-CDNet, a novel weakly supervised change detection network that can be trained with image-level semantic labels. Additionally, W-CDNet can be trained with two different types of datasets, either containing changed image pairs only or a mixture of changed and unchanged image pairs. Since we use image-level semantic labels for training, we simultaneously create a change mask and label the changed object for single-label images. W-CDNet employs a W-shaped siamese U-net to extract feature maps from an image pair which then get compared in order to create a raw change mask. The core part of our model, the Change Segmentation and Classification (CSC) module, learns an accurate change mask at a hidden layer by using a custom Remapping Block and then segmenting the current input image with the change mask. The segmented image is used to predict the image-level semantic label. The correct label can only be predicted if the change mask actually marks relevant change. This forces the model to learn an accurate change mask. We demonstrate the segmentation and classification performance of our approach and achieve top results on AICD and HRSCD, two public aerial imaging change detection datasets as well as on a Food Waste change detection dataset. Our code is available at https://github.com/PhiAbs/W-CDNet .
• Abstract（参考訳）: 完全な教師付き変更検出方法はピクセルレベルラベルの取得が困難であり、弱い教師付きアプローチは画像レベルラベルでトレーニングできる。 しかし、これらのアプローチのほとんどは、トレーニングのために変更と変更のないイメージペアの組み合わせを必要とする。 したがって、変更されたイメージペアのみが利用可能なデータセットでは、これらのメソッドを直接使用することはできない。 W-CDNetは、画像レベルのセマンティックラベルでトレーニングできる、弱い教師付き変更検出ネットワークである。 さらに、w-cdnetは、変更された画像ペアのみを含むか、変更された画像ペアと変更された画像ペアの混合を含む、2つの異なる種類のデータセットでトレーニングすることができる。 画像レベルの意味ラベルをトレーニングに使用するため、変更マスクを作成して、変更されたオブジェクトを単一ラベルイメージにラベル付けする。 W-CDNetは、W字型のシアムU-ネットを使用して、画像ペアから特徴マップを抽出し、生の変化マスクを作成するために比較する。 モデルの中核部分である変更分割分類(CSC)モジュールは、カスタムリマッピングブロックを使用して隠蔽層で正確な変更マスクを学習し、現在の入力画像を変更マスクでセグメント化する。 セグメント画像は、画像レベルのセマンティックラベルを予測するために使用される。 正しいラベルは、変更マスクが実際に関連する変更を示す場合にのみ予測できる。 これにより、モデルに正確な変更マスクを学習させる。 提案手法のセグメンテーションと分類性能を実証し,AICDとHRSCD,2つのパブリックな空中画像変化検出データセット,および食品廃棄物変化検出データセットの上位結果を得た。 私たちのコードはhttps://github.com/PhiAbs/W-CDNetで利用可能です。

関連論文リスト

• 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)
• Pixel-Level Change Detection Pseudo-Label Learning for Remote Sensing Change Captioning [28.3763053922823]
  リモートセンシング画像変化キャプション(RSICC)の手法は、単純なシーンではうまく機能するが、複雑なシーンでは性能が劣る。 画素レベルのCDは言語による画像の違いを説明する上で重要であると我々は信じている。 提案手法は最先端の性能を達成し,学習用画素レベルのCD擬似ラベルがキャプションの変更に大きく貢献することを示す。
  論文  参考訳（メタデータ） (2023-12-23T17:58:48Z)
• Exploring Effective Priors and Efficient Models for Weakly-Supervised Change Detection [9.229278131265124]
  弱教師付き変化検出(WSCD)は、画像レベルのアノテーションだけでピクセルレベルの変化を検出することを目的としている。 Dilated Prior (DP) デコーダと Label Gated (LG) 制約の2つのコンポーネントを提案する。 提案したTransWCDとTransWCD-DLは,WHU-CDデータセットの最先端手法に比べて,有意な+6.33%,+9.55%のF1スコア向上を実現している。
  論文  参考訳（メタデータ） (2023-07-20T13:16:10Z)
• Distilling Self-Supervised Vision Transformers for Weakly-Supervised Few-Shot Classification & Segmentation [58.03255076119459]
  視覚変換器(ViT)を利用した弱教師付き小ショット画像分類とセグメンテーションの課題に対処する。 提案手法は,自己監督型ViTからトークン表現を抽出し,その相関関係を利用して分類とセグメンテーションの予測を行う。 Pascal-5iとCOCO-20iの実験は、様々な監視設定において大きなパフォーマンス向上を示した。
  論文  参考訳（メタデータ） (2023-07-07T06:16:43Z)
• ConvMAE: Masked Convolution Meets Masked Autoencoders [65.15953258300958]
  機能事前トレーニングとマルチスケールハイブリッド畳み込み変換アーキテクチャのためのマスク付き自動エンコーディングは、ViTの可能性をさらに解き放つことができる。 我々のConvMAEフレームワークは、マスクの自動符号化方式により、マルチスケールのハイブリッド畳み込み変換器がより識別的な表現を学習できることを実証している。 事前訓練したConvMAEモデルに基づいて、ConvMAE-Baseは画像Net-1Kの微調整精度をMAE-Baseと比較して1.4%改善する。
  論文  参考訳（メタデータ） (2022-05-08T15:12:19Z)
• DSNet: A Dual-Stream Framework for Weakly-Supervised Gigapixel Pathology Image Analysis [78.78181964748144]
  スライド画像全体(WSI)を分類するための弱教師付きフレームワークを提案する。 WSIは通常、パッチレベルのラベルを持つパッチワイド分類によって処理される。 イメージレベルのラベルのみの場合、パッチの外観とイメージレベルのラベルの矛盾のため、パッチの分類はサブ最適となる。
  論文  参考訳（メタデータ） (2021-09-13T09:10:43Z)
• Box-Adapt: Domain-Adaptive Medical Image Segmentation using Bounding BoxSupervision [52.45336255472669]
  深層学習のための弱教師付きドメイン適応設定を提案する。 Box-Adaptは、ソースドメインのきめ細かいセグナオンマスクとターゲットドメインの弱いバウンディングボックスを完全に探索する。 肝セグメンテーションにおける本手法の有効性を実証する。
  論文  参考訳（メタデータ） (2021-08-19T01:51:04Z)
• General Multi-label Image Classification with Transformers [30.58248625606648]
  視覚的特徴やラベル間の複雑な依存関係を利用するための分類変換器(C-Tran)を提案する。 本手法の重要な要素は,3次符号化方式を用いてラベルの状態を表すラベルマスク訓練目標である。 我々のモデルは、COCOやVisual Genomeのような挑戦的なデータセットに対する最先端のパフォーマンスを示す。
  論文  参考訳（メタデータ） (2020-11-27T23:20:35Z)
• Unsupervised Self-training Algorithm Based on Deep Learning for Optical Aerial Images Change Detection [17.232244800511523]
  本稿では,光学的空中画像変化検出のための教師なし自己学習アルゴリズム(USTA)を提案する。 アルゴリズム全体のプロセスは、手動でマークされたラベルなしで教師なしのプロセスである。 実データを用いた実験により,提案手法の競合性能が示された。
  論文  参考訳（メタデータ） (2020-10-15T01:51:46Z)
• RGB-based Semantic Segmentation Using Self-Supervised Depth Pre-Training [77.62171090230986]
  本稿では,任意の意味的RGBセグメンテーション手法の事前学習に使用できる,スケーラブルで自己管理の容易な手法を提案する。 特に、我々の事前学習アプローチでは、深度センサーを用いて得られるラベルを自動生成する。 提案したHNラベルによる自己教師付き事前学習が,ImageNetの事前学習にどのように応用できるかを示す。
  論文  参考訳（メタデータ） (2020-02-06T11:16:24Z)

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。