論文の概要: Bi-Temporal Semantic Reasoning for the Semantic Change Detection of HR
Remote Sensing Images
- arxiv url: http://arxiv.org/abs/2108.06103v1
- Date: Fri, 13 Aug 2021 07:28:09 GMT
- ステータス: 処理完了
- システム内更新日: 2021-08-16 13:08:19.690431
- Title: Bi-Temporal Semantic Reasoning for the Semantic Change Detection of HR
Remote Sensing Images
- Title（参考訳）: HRリモートセンシング画像のセマンティック変化検出のためのバイテンポラルセマンティック推論
- Authors: Lei Ding, Haitao Guo, Sicong Liu, Lichao Mou, Jing Zhang and Lorenzo
Bruzzone
- Abstract要約: 意味変化検出(SCD)のための新しいCNNアーキテクチャを提案する。
このアーキテクチャについて詳述し、両時間的意味的相関をモデル化する。
Bi-SRNet(Bi-temporal Semantic Reasoning Network)は2種類の意味的推論ブロックを含んでおり、時間的および時間的両方の意味的相関を推論する。
- 参考スコア（独自算出の注目度）: 17.53683781109742
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Semantic change detection (SCD) extends the change detection (CD) task to
provide not only the change locations but also the detailed semantic categories
(before and after the observation intervals). This fine-grained change
information is more useful in land-cover/land-use (LC/LU) applications. Recent
studies indicate that the SCD can be modeled through a triple-branch
Convolutional Neural Network (CNN), which contains two temporal branches and a
change branch. However, in this architecture, the connections between the
temporal branches and the change branch are weak. To overcome these
limitations, we propose a novel CNN architecture for the SCD, where the
temporal features are re-used and are deeply merged in the temporal branch.
Furthermore, we elaborate on this architecture to model the bi-temporal
semantic correlations. The resulting Bi-temporal Semantic Reasoning Network
(Bi-SRNet) contains two types of semantic reasoning blocks to reason both
single-temporal and cross-temporal semantic correlations, as well as a novel
loss function to improve the semantic consistency of change detection results.
Experimental results on a benchmark dataset show that the proposed architecture
obtains significant accuracy improvements over the existing approaches, while
the added designs in the Bi-SRNet further improves the segmentation of both
semantic categories and the changed areas. The codes in this paper are
accessible at: https://github.com/ggsDing/Bi-SRNet
- Abstract（参考訳）: 意味的変化検出(SCD)は、変化検出(CD)タスクを拡張して、変化箇所だけでなく、詳細な意味カテゴリー(観察間隔の前と後)を提供する。
このきめ細かい変化情報は、土地被覆/土地利用(LC/LU)アプリケーションでより有用である。
最近の研究では、2つの時間枝と1つの変化枝を含む3分岐畳み込みニューラルネットワーク(CNN)を用いてSCDをモデル化できることが示されている。
しかし、このアーキテクチャでは、時間分枝と変更分枝の間の接続が弱い。
これらの制約を克服するため,我々は,時間的特徴を再利用し,時間分枝に深く融合した新しいcnnアーキテクチャを提案する。
さらに,双時間意味相関をモデル化するために,このアーキテクチャを詳述する。
Bi-SRNet(Bi-temporal Semantic Reasoning Network)は,2種類の意味的推論ブロックを1つの時間的および時間的セマンティックな相関関係を推論すると共に,変化検出結果のセマンティック一貫性を改善する新しい損失関数を含む。
ベンチマークデータセットの実験的結果から,提案手法は既存の手法よりも精度が向上するが,bi-srnetでは,セマンティクスカテゴリと変更領域の両方のセグメンテーションがさらに向上した。
https://github.com/ggsDing/Bi-SRNet
関連論文リスト
- A Late-Stage Bitemporal Feature Fusion Network for Semantic Change Detection [32.112311027857636]
そこで本研究では,意味変化検出の課題に対処するため,新しい2段階の時間的特徴融合ネットワークを提案する。
具体的には,特徴融合を強化するため,局所的グローバルアテンショナルアグリゲーションモジュールを提案し,重要なセマンティクスを強調するために,局所的グローバルなコンテキスト拡張モジュールを提案する。
提案モデルにより,両データセットの最先端性能が向上する。
論文 参考訳（メタデータ） (2024-06-15T16:02:10Z) - SRC-Net: Bi-Temporal Spatial Relationship Concerned Network for Change Detection [9.682463974799893]
リモートセンシング画像における変化検出(CD)は, 環境モニタリング, 都市開発, 災害管理における重要な課題である。
本稿では,CDのための時空間関係ネットワークであるSRC-Netを提案する。
論文 参考訳（メタデータ） (2024-06-09T06:53:39Z) - 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) - Align, Perturb and Decouple: Toward Better Leverage of Difference
Information for RSI Change Detection [24.249552791014644]
変化検出は、リモートセンシング画像(RSI)解析において広く採用されている手法である。
そこで我々は,アライメント,摂動,デカップリングといった差分情報を完全に活用するための一連の操作を提案する。
論文 参考訳（メタデータ） (2023-05-30T03:39:53Z) - Joint Spatio-Temporal Modeling for the Semantic Change Detection in
Remote Sensing Images [22.72105435238235]
両時間RSI間の「から」意味遷移を明示的にモデル化するための意味変化(SCanFormer)を提案する。
次に,SCDタスクに忠実な Transformer 時間制約を活用する意味学習手法を導入し,意味変化の学習を指導する。
結果として得られたネットワーク(SCanNet)は、決定的意味変化の検出と、得られた両時間的結果のセマンティック一貫性の両方において、ベースライン法より優れている。
論文 参考訳（メタデータ） (2022-12-10T08:49:19Z) - Robust Change Detection Based on Neural Descriptor Fields [53.111397800478294]
我々は、部分的に重なり合う観測結果とノイズのある局所化結果に頑健なオブジェクトレベルのオンライン変化検出手法を開発した。
形状符号の類似性を利用して物体を連想させ, 局所的な物体近傍の空間配置を比較することにより, 観測重複や局所雑音に対する頑健性を示す。
論文 参考訳（メタデータ） (2022-08-01T17:45:36Z) - BDA-SketRet: Bi-Level Domain Adaptation for Zero-Shot SBIR [52.78253400327191]
BDA-SketRetは、視覚データペアの空間的特徴と意味的特徴を整合させるために、バイレベルドメイン適応を実行する新しいフレームワークである。
拡張されたSketchy、TU-Berlin、QuickDrawの実験結果は、文献よりも大幅に改善された。
論文 参考訳（メタデータ） (2022-01-17T18:45:55Z) - HSVA: Hierarchical Semantic-Visual Adaptation for Zero-Shot Learning [74.76431541169342]
ゼロショット学習(ZSL)は、目に見えないクラス認識の問題に取り組み、目に見えないクラスから目に見えないクラスに意味的な知識を移す。
本稿では,意味領域と視覚領域を協調させる新しい階層型意味視覚適応(HSVA)フレームワークを提案する。
4つのベンチマークデータセットの実験では、HSVAは従来のZSLと一般的なZSLの両方で優れた性能を示す。
論文 参考訳（メタデータ） (2021-09-30T14:27:50Z) - Spatio-Temporal Representation Factorization for Video-based Person
Re-Identification [55.01276167336187]
本稿では、re-IDのための時空間表現分解モジュール(STRF)を提案する。
STRFはフレキシブルな新しい計算ユニットであり、re-IDのための既存のほとんどの3D畳み込みニューラルネットワークアーキテクチャと併用することができる。
実験により、STRFは様々なベースラインアーキテクチャの性能を向上し、新しい最先端の成果を示す。
論文 参考訳（メタデータ） (2021-07-25T19:29:37Z) - BiCnet-TKS: Learning Efficient Spatial-Temporal Representation for Video
Person Re-Identification [86.73532136686438]
映像人物再識別(reID)のための効率的な時空間表現法を提案する。
空間相補性モデリングのための双方向相補性ネットワーク(BiCnet)を提案する。
BiCnet-TKSは、約50%の計算量で最先端の性能を発揮する。
論文 参考訳（メタデータ） (2021-04-30T06:44:34Z) - Deep Siamese Domain Adaptation Convolutional Neural Network for
Cross-domain Change Detection in Multispectral Images [28.683734356006262]
クロスドメイン変化検出のための新しいディープ・サイムズ・ドメイン適応畳み込みニューラルネットワーク(DSDANet)アーキテクチャを提案する。
我々の知る限りでは、このようなドメイン適応に基づくディープネットワークが変更検出のために提案されたのは初めてである。
論文 参考訳（メタデータ） (2020-04-13T02:15:04Z)
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。