論文の概要: Change Detection from Synthetic Aperture Radar Images via Graph-Based Knowledge Supplement Network

• arxiv url: http://arxiv.org/abs/2201.08954v1
• Date: Sat, 22 Jan 2022 02:50:50 GMT
• ステータス: 処理完了
• システム内更新日: 2022-01-28 11:15:30.301909
• Title: Change Detection from Synthetic Aperture Radar Images via Graph-Based Knowledge Supplement Network
• Title（参考訳）: グラフベース知識補充ネットワークを用いた合成開口レーダ画像からの変化検出
• Authors: Junjie Wang, Feng Gao, Junyu Dong, Shan Zhang, Qian Du
• Abstract要約: 画像変化検出のためのグラフベースの知識補足ネットワーク(GKSNet)を提案する。 より具体的には、既存のラベル付きデータセットから識別情報を付加的な知識として抽出する。 提案手法を検証するために,4つのSARデータセットについて広範な実験を行った。
• 参考スコア（独自算出の注目度）: 36.41983596642354
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Synthetic aperture radar (SAR) image change detection is a vital yet challenging task in the field of remote sensing image analysis. Most previous works adopt a self-supervised method which uses pseudo-labeled samples to guide subsequent training and testing. However, deep networks commonly require many high-quality samples for parameter optimization. The noise in pseudo-labels inevitably affects the final change detection performance. To solve the problem, we propose a Graph-based Knowledge Supplement Network (GKSNet). To be more specific, we extract discriminative information from the existing labeled dataset as additional knowledge, to suppress the adverse effects of noisy samples to some extent. Afterwards, we design a graph transfer module to distill contextual information attentively from the labeled dataset to the target dataset, which bridges feature correlation between datasets. To validate the proposed method, we conducted extensive experiments on four SAR datasets, which demonstrated the superiority of the proposed GKSNet as compared to several state-of-the-art baselines. Our codes are available at https://github.com/summitgao/SAR_CD_GKSNet.
• Abstract（参考訳）: 合成開口レーダ(SAR)画像変化検出はリモートセンシング画像解析の分野では不可欠だが困難な課題である。 これまでのほとんどの作品では、疑似ラベルサンプルを使用してその後のトレーニングとテストのガイドを行うセルフ教師付きメソッドが採用されている。 しかし、ディープネットワークはパラメータ最適化のために多くの高品質なサンプルを必要とする。 擬似ラベルのノイズは、最終変更検出性能に必然的に影響を及ぼす。 そこで我々は,グラフベースの知識補足ネットワーク(GKSNet)を提案する。 より具体的には、既存のラベル付きデータセットから識別情報を追加知識として抽出し、ノイズサンプルの悪影響をある程度抑制する。 その後,ラベル付きデータセットから対象データセットへのコンテキスト情報を注意深く抽出するグラフ転送モジュールを設計し,データセット間の特徴相関を橋渡しする。 提案手法の有効性を検証するため,提案手法は4つのSARデータセットに対して広範な実験を行った。 私たちのコードはhttps://github.com/summitgao/sar_cd_gksnetで利用可能です。

関連論文リスト

• Rethinking Transformers Pre-training for Multi-Spectral Satellite Imagery [78.43828998065071]
  教師なし学習の最近の進歩は、下流タスクにおける有望な結果を達成するための大きな視覚モデルの可能性を示している。 このような事前学習技術は、大量の未学習データが利用可能であることから、リモートセンシング領域でも最近研究されている。 本稿では,マルチモーダルで効果的に活用されるマルチスケール情報の事前学習と活用について述べる。
  論文  参考訳（メタデータ） (2024-03-08T16:18:04Z)
• RadarGNN: Transformation Invariant Graph Neural Network for Radar-based Perception [0.0]
  点自体の情報だけでなく,それらの関係も利用する新しいグラフニューラルネットワークが提案されている。 このモデルは、グラフの端に埋め込まれたポイント特徴とポイントペア特徴の両方を考慮するように設計されている。 RadarGNNモデルは、RadarScenesデータセットで以前のすべてのメソッドより優れています。
  論文  参考訳（メタデータ） (2023-04-13T13:57:21Z)
• Learning from Training Dynamics: Identifying Mislabeled Data Beyond Manually Designed Features [43.41573458276422]
  LSTMネットワークを例として,ノイズ検出を応用した新しい学習ベースソリューションを提案する。 提案手法は、合成ラベル雑音を用いたデータセットを用いて、教師あり方式でノイズ検出器を訓練する。 提案手法は, 各種データセットの誤ラベルサンプルを, さらなる適応を伴わずに, 精度良く検出できることが示唆された。
  論文  参考訳（メタデータ） (2022-12-19T09:39:30Z)
• Synthetic Aperture Radar Image Change Detection via Layer Attention-Based Noise-Tolerant Network [36.860069663770226]
  レイヤアテンションに基づく耐雑音性ネットワークLANTNetを提案する。 特に、異なる畳み込み層の機能を適応的に重み付けするレイヤーアテンションモジュールを設計する。 3つのSARデータセットの実験結果から,提案したLANTNetは,複数の最先端手法よりも優れた性能を示した。
  論文  参考訳（メタデータ） (2022-08-09T01:04:39Z)
• Towards Data-Efficient Detection Transformers [77.43470797296906]
  我々は、ほとんどの検出トランスフォーマーが、小さなデータセットで大きなパフォーマンス低下に悩まされていることを示す。 我々はデータ効率に影響を与える要因を、データ効率のRCNNから代表DETRへのステップバイステップ遷移によって実証的に分析する。 本稿では,よりリッチな監視とデータ効率向上を目的とした,シンプルながら効果的なラベル拡張手法を提案する。
  論文  参考訳（メタデータ） (2022-03-17T17:56:34Z)
• Change Detection from Synthetic Aperture Radar Images via Dual Path Denoising Network [38.78699830610313]
  SAR画像変化検出のためのDual Path Denoising Network (DPDNet)を提案する。 我々は,事前分類に関わるラベルノイズをクリーンにするために,ランダムなラベル伝搬を導入する。 また,特徴表現学習のための特徴的パッチ畳み込みを提案する。
  論文  参考訳（メタデータ） (2022-03-13T01:51:51Z)
• Context-Preserving Instance-Level Augmentation and Deformable Convolution Networks for SAR Ship Detection [50.53262868498824]
  ランダムな方向と部分的な情報損失によるSAR画像のターゲット形状の変形は、SAR船の検出において必須の課題である。 ターゲット内の部分的な情報損失に頑健なディープネットワークをトレーニングするためのデータ拡張手法を提案する。
  論文  参考訳（メタデータ） (2022-02-14T07:01:01Z)
• From Unsupervised to Few-shot Graph Anomaly Detection: A Multi-scale Contrastive Learning Approach [49.439021563395976]
  グラフデータからの異常検出は、ソーシャルネットワーク、金融、eコマースなど、多くのアプリケーションにおいて重要なデータマイニングタスクである。 マルチスケールcONtrastive lEarning(略してANEMONE)を用いた新しいフレームワーク, graph Anomaly dEtection フレームワークを提案する。 グラフニューラルネットワークをバックボーンとして、複数のグラフスケール(ビュー)から情報をエンコードすることで、グラフ内のノードのより良い表現を学習する。
  論文  参考訳（メタデータ） (2022-02-11T09:45:11Z)
• Weakly Supervised Change Detection Using Guided Anisotropic Difusion [97.43170678509478]
  我々は、このようなデータセットを変更検出の文脈で活用するのに役立つ独自のアイデアを提案する。 まず,意味的セグメンテーション結果を改善する誘導異方性拡散(GAD)アルゴリズムを提案する。 次に、変化検出に適した2つの弱い教師付き学習戦略の可能性を示す。
  論文  参考訳（メタデータ） (2021-12-31T10:03:47Z)
• Dense Label Encoding for Boundary Discontinuity Free Rotation Detection [69.75559390700887]
  本稿では,分類に基づく比較的研究の少ない方法論について検討する。 我々は2つの側面でフロンティアを推し進めるための新しい手法を提案する。 航空画像のための大規模公開データセットの実験と視覚解析は,我々のアプローチの有効性を示している。
  論文  参考訳（メタデータ） (2020-11-19T05:42:02Z)

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。