論文の概要: LSNet: Extremely Light-Weight Siamese Network For Change Detection in
Remote Sensing Image
- arxiv url: http://arxiv.org/abs/2201.09156v1
- Date: Sun, 23 Jan 2022 01:42:49 GMT
- ステータス: 処理完了
- システム内更新日: 2022-01-25 15:51:29.573412
- Title: LSNet: Extremely Light-Weight Siamese Network For Change Detection in
Remote Sensing Image
- Title(参考訳): LSNet:リモートセンシング画像における変化検出のための超軽量シームネットワーク
- Authors: Biyuan Liu and Huaixin Chen and Zhixi Wang
- Abstract要約: 本稿では,RSI 変更検出のための非常に軽量な Siamese ネットワーク (LSNet) を提案する。
CCDデータセットの1位モデルと比較すると、LSNetのパラメータと計算量はそれぞれ90.35%と91.34%と大幅に減少し、精度は1.5%しか低下しない。
- 参考スコア(独自算出の注目度): 0.0
- License: http://creativecommons.org/licenses/by-nc-sa/4.0/
- Abstract: The Siamese network is becoming the mainstream in change detection of remote
sensing images (RSI). However, in recent years, the development of more
complicated structure, module and training processe has resulted in the
cumbersome model, which hampers their application in large-scale RSI
processing. To this end, this paper proposes an extremely lightweight Siamese
network (LSNet) for RSI change detection, which replaces standard convolution
with depthwise separable atrous convolution, and removes redundant dense
connections, retaining only valid feature flows while performing Siamese
feature fusion, greatly compressing parameters and computation amount. Compared
with the first-place model on the CCD dataset, the parameters and the
computation amount of LSNet is greatly reduced by 90.35\% and 91.34\%
respectively, with only a 1.5\% drops in accuracy.
- Abstract(参考訳): リモートセンシング画像(RSI)の変化検出において,シームズネットワークが主流になりつつある。
しかし、近年では複雑な構造、モジュール、トレーニングプロセスが開発され、大規模なrsi処理でその応用を阻害する厄介なモデルが生み出されている。
そこで本稿では,RSI 変更検出のための非常に軽量な Siamese ネットワーク (LSNet) を提案する。このネットワークは,標準の畳み込みを奥行き分離可能なアトラス畳み込みに置き換え,余分な高密度接続を除去し,Siamese の機能融合を行い,パラメータと計算量を大幅に圧縮する。
CCDデータセットの1位モデルと比較して、LSNetのパラメータと計算量は、それぞれ90.35\%と91.34\%に大幅に減少し、精度は1.5\%しか低下しない。
関連論文リスト
- Completion as Enhancement: A Degradation-Aware Selective Image Guided Network for Depth Completion [19.501680619900032]
本稿では,新しい劣化認識フレームワークであるSigNetを紹介する。
SigNetは、ディープコンプリートを初めてディープエンハンスメントに変換する。
我々は、NYUv2、DIML、SUN RGBD、TOFDCデータセットに関する広範な実験を行い、SigNetの最先端(SOTA)性能を実証した。
論文 参考訳(メタデータ) (2024-12-26T14:05:01Z) - RSNet: A Light Framework for The Detection of Multi-scale Remote Sensing Targets [10.748210940033484]
RSNetは、SAR画像における船舶検出を強化する軽量フレームワークである。
Waveletpool-ContextGuided (WCG)は、グローバルなコンテキスト理解を導くバックボーンである。
ウェーブレットプール・スターフュージョン (WSF) は、残っているウェーブレット要素の乗算構造を用いてネックとして導入された。
論文 参考訳(メタデータ) (2024-10-30T14:46:35Z) - 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) - Siamese Meets Diffusion Network: SMDNet for Enhanced Change Detection in
High-Resolution RS Imagery [7.767708235606408]
我々は,新しいネットワークであるSiamese-U2Net Feature Differential Meets Network (SMDNet)を提案する。
このネットワークは、画像エッジ変化検出の精度を向上させるために、Siam-U2Net Feature Differential (SU-FDE)とデノイング拡散暗黙モデルを組み合わせる。
特徴抽出モデルと拡散モデルを組み合わせることで,リモートセンシング画像における変化検出の有効性を示す。
論文 参考訳(メタデータ) (2024-01-17T16:48:55Z) - Iterative Soft Shrinkage Learning for Efficient Image Super-Resolution [91.3781512926942]
画像超解像(SR)は、CNNからトランスフォーマーアーキテクチャへの広範なニューラルネットワーク設計を目撃している。
本研究は,市販のネットワーク設計を生かし,基礎となる計算オーバーヘッドを低減するため,超高解像度イテレーションにおけるネットワークプルーニングの可能性について検討する。
本研究では, ランダムネットワークのスパース構造を最適化し, 重要でない重みを小さめに微調整することにより, 反復型軟収縮率(ISS-P)法を提案する。
論文 参考訳(メタデータ) (2023-03-16T21:06:13Z) - CADyQ: Content-Aware Dynamic Quantization for Image Super-Resolution [55.50793823060282]
本稿では,画像超解像(SR)ネットワークのための新しいコンテント・アウェア・ダイナミック量子化(CADyQ)手法を提案する。
CADyQは、入力画像のローカル内容に基づいて、局所領域と層に最適なビットを適応的に割り当てる。
パイプラインは様々なSRネットワークでテストされ、いくつかの標準ベンチマークで評価されている。
論文 参考訳(メタデータ) (2022-07-21T07:50:50Z) - Patch Based Transformation for Minimum Variance Beamformer Image
Approximation Using Delay and Sum Pipeline [0.0]
本研究では,空間内の固定領域に対する遅延補償無線周波数(RF)パッチをU-Netアーキテクチャによって変換するパッチレベルU-Netベースニューラルネットワークを提案する。
提案手法は、ネットワークのパラメータにおけるMVDR手法によって行われるデータ駆動重み適応を考慮に入れた、RFデータ空間の非線形変換を扱う。
論文 参考訳(メタデータ) (2021-10-19T19:36:59Z) - A New Backbone for Hyperspectral Image Reconstruction [90.48427561874402]
3次元ハイパースペクトル画像(HSI)再構成は、スナップショット圧縮画像の逆過程を指す。
空間/スペクトル不変Residual U-Net、すなわちSSI-ResU-Netを提案する。
SSI-ResU-Net は浮動小数点演算の 77.3% 以上で競合する性能を実現する。
論文 参考訳(メタデータ) (2021-08-17T16:20:51Z) - Learning Frequency-aware Dynamic Network for Efficient Super-Resolution [56.98668484450857]
本稿では、離散コサイン変換(dct)領域の係数に応じて入力を複数の部分に分割する新しい周波数認識動的ネットワークについて検討する。
実際、高周波部は高価な操作で処理され、低周波部は計算負荷を軽減するために安価な操作が割り当てられる。
ベンチマークSISRモデルおよびデータセット上での実験は、周波数認識動的ネットワークが様々なSISRニューラルネットワークに使用できることを示している。
論文 参考訳(メタデータ) (2021-03-15T12:54:26Z) - Deep Adaptive Inference Networks for Single Image Super-Resolution [72.7304455761067]
シングルイメージ超解像(SISR)は、ディープ畳み込みニューラルネットワーク(CNN)の展開により、近年大きく進歩している。
本稿では,深部SISR(AdaDSR)の適応型推論ネットワークを活用することで,この問題に対処する。
我々のAdaDSRは、SISRモデルをバックボーンとし、画像の特徴とリソース制約を入力として取り、ローカルネットワーク深さのマップを予測する軽量アダプタモジュールを備える。
論文 参考訳(メタデータ) (2020-04-08T10:08:20Z)
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。