論文の概要: Curriculum-style Local-to-global Adaptation for Cross-domain Remote
Sensing Image Segmentation
- arxiv url: http://arxiv.org/abs/2203.01539v1
- Date: Thu, 3 Mar 2022 06:33:46 GMT
- ステータス: 処理完了
- システム内更新日: 2022-03-04 16:50:33.320569
- Title: Curriculum-style Local-to-global Adaptation for Cross-domain Remote
Sensing Image Segmentation
- Title（参考訳）: クロスドメインリモートセンシング画像分割のためのカリキュラム型局所言語適応
- Authors: Bo Zhang, Tao Chen, and Bin Wang
- Abstract要約: 超高解像度(VHR)リモートセンシング画像(RSI)のクロスドメインセグメンテーションは2つの重要な課題に直面している。
多くの多様な対象カテゴリを持つ広い面積の土地は、深刻な局所的なパッチレベルのデータ分布のずれをもたらしている。
異なるVHRセンサタイプや動的に変化するモードは、同じ地理的位置であっても、VHRイメージが集中的なデータ分散の差を通り抜ける原因となる。
本稿では,VHR RSIのセグメンテーションのためのカリキュラム型ローカル・グローバル・クロスドメイン適応フレームワークを提案する。
- 参考スコア（独自算出の注目度）: 11.650285884518208
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Although domain adaptation has been extensively studied in natural
image-based segmentation task, the research on cross-domain segmentation for
very high resolution (VHR) remote sensing images (RSIs) still remains
underexplored. The VHR RSIs-based cross-domain segmentation mainly faces two
critical challenges: 1) Large area land covers with many diverse object
categories bring severe local patch-level data distribution deviations, thus
yielding different adaptation difficulties for different local patches; 2)
Different VHR sensor types or dynamically changing modes cause the VHR images
to go through intensive data distribution differences even for the same
geographical location, resulting in different global feature-level domain gap.
To address these challenges, we propose a curriculum-style local-to-global
cross-domain adaptation framework for the segmentation of VHR RSIs. The
proposed curriculum-style adaptation performs the adaptation process in an
easy-to-hard way according to the adaptation difficulties that can be obtained
using an entropy-based score for each patch of the target domain, and thus well
aligns the local patches in a domain image. The proposed local-to-global
adaptation performs the feature alignment process from the locally semantic to
globally structural feature discrepancies, and consists of a semantic-level
domain classifier and an entropy-level domain classifier that can reduce the
above cross-domain feature discrepancies. Extensive experiments have been
conducted in various cross-domain scenarios, including geographic location
variations and imaging mode variations, and the experimental results
demonstrate that the proposed method can significantly boost the domain
adaptability of segmentation networks for VHR RSIs. Our code is available at:
https://github.com/BOBrown/CCDA_LGFA.
- Abstract（参考訳）: 自然画像に基づくセグメンテーションタスクでは領域適応が広く研究されているが、超高分解能(vhr)リモートセンシング画像(rsis)のクロスドメインセグメンテーションに関する研究は未検討のままである。
VHR RSIsベースのクロスドメインセグメンテーションは、主に2つの重要な課題に直面している。
1)多種多様な対象区分を有する大規模土地被覆は,高度に局所的なパッチレベルのデータ分布のずれをもたらし,異なる局所的なパッチに対して異なる適応困難をもたらす。
2) 異なるVHRセンサタイプや動的に変化するモードにより,同じ地理的位置であっても,VHRイメージは集中的なデータ分布の違いを経験し,グローバルな特徴レベルのドメインギャップを生じる。
これらの課題に対処するために、VHR RSIのセグメンテーションのためのカリキュラムスタイルのローカル・グローバル・クロスドメイン適応フレームワークを提案する。
提案するカリキュラムスタイル適応は,対象領域の各パッチに対してエントロピースコアを用いて得られる適応難易度に応じて,容易かつ難易度の高い適応プロセスを実行し,ドメインイメージ内の局所パッチを適切に調整する。
提案手法は, 局所的な意味からグローバルな構造的特徴の相違点への特徴アライメント処理を行い, 上記の領域間特徴の相違点を低減できる意味レベルドメイン分類器とエントロピーレベルドメイン分類器からなる。
地理的な位置変化や画像モードの変動など,様々なクロスドメインシナリオにおいて大規模な実験が行われ,提案手法がVHR RSIの領域適応性を著しく向上させることを示す実験結果が得られた。
私たちのコードは、https://github.com/BOBrown/CCDA_LGFA.comで利用可能です。
関連論文リスト
- CrossEarth: Geospatial Vision Foundation Model for Domain Generalizable Remote Sensing Semantic Segmentation [42.232082483902666]
RSDGセマンティックセグメンテーションのための第1ビジョン基盤モデルであるCrossEarthを紹介する。
CrossEarthは、特別に設計されたデータレベルのEarth-Style Injectionパイプラインを通じて、強力なクロスドメインの一般化を実証する。
セマンティックセグメンテーションタスクのために,28のクロスドメイン設定,スペクトル帯域,プラットフォーム,気候を含むRSDGベンチマークをキュレートした。
論文 参考訳（メタデータ） (2024-10-30T01:22:37Z) - Decomposition-based Unsupervised Domain Adaptation for Remote Sensing Image Semantic Segmentation [30.606689882397223]
非教師なし領域適応(UDA)技術は、地球科学のセマンティックセグメンテーションに不可欠である。
高レベルの特徴空間におけるドメインアライメントに焦点を当てた既存のUDA手法の多くは、局所的な空間的詳細とグローバルな文脈的意味論を同時に維持するのに苦労している。
ドメイン不変表現学習を導くための新しい分解手法を提案する。
論文 参考訳（メタデータ） (2024-04-06T07:13:49Z) - Discriminative Radial Domain Adaptation [62.22362756424971]
本稿では、ソースとターゲットドメインを共有ラジアル構造を介してブリッジする差別的ラジアルドメイン適応(DRDR)を提案する。
このような固有識別構造を移行することで,特徴伝達性と識別可能性の同時向上が期待できることを示す。
提案手法は,様々なタスクに対する最先端のアプローチを一貫して上回ることを示す。
論文 参考訳（メタデータ） (2023-01-01T10:56:31Z) - Domain Adaptive Semantic Segmentation with Regional Contrastive
Consistency Regularization [19.279884432843822]
本稿では,領域適応型セマンティックセマンティックセグメンテーションのための局所コントラスト整合正規化(RCCR)と呼ばれる,新しいエンドツーエンドのトレーニング可能なアプローチを提案する。
私たちの中核となる考え方は、異なる画像の同じ位置から抽出された類似の地域的特徴を取り除き、その一方、2つの画像の異なる位置から特徴を分離することです。
論文 参考訳（メタデータ） (2021-10-11T11:45:00Z) - Stagewise Unsupervised Domain Adaptation with Adversarial Self-Training
for Road Segmentation of Remote Sensing Images [93.50240389540252]
リモートセンシング画像からの道路セグメンテーションは、幅広い応用可能性を持つ課題である。
本稿では,この領域における領域シフト(DS)問題に対処するため,RoadDAと呼ばれる新たな段階的ドメイン適応モデルを提案する。
2つのベンチマーク実験の結果、RoadDAはドメインギャップを効率的に減らし、最先端の手法より優れていることが示された。
論文 参考訳（メタデータ） (2021-08-28T09:29:14Z) - Cross-Domain Facial Expression Recognition: A Unified Evaluation
Benchmark and Adversarial Graph Learning [85.6386289476598]
我々は,クロスドメイン全体的特徴共適応のための新しい逆グラフ表現適応(AGRA)フレームワークを開発した。
我々は,いくつかの一般的なベンチマークで広範囲かつ公平な評価を行い,提案したAGRAフレームワークが従来の最先端手法よりも優れていることを示す。
論文 参考訳（メタデータ） (2020-08-03T15:00:31Z) - Adversarial Graph Representation Adaptation for Cross-Domain Facial
Expression Recognition [86.25926461936412]
本稿では,グラフ表現の伝播と逆学習を両立させる新しいAdrialversa Graph Representation Adaptation (AGRA) フレームワークを提案する。
提案するAGRAフレームワークは,従来の最先端手法よりも優れた性能を発揮することを示す。
論文 参考訳（メタデータ） (2020-08-03T13:27:24Z) - Contextual-Relation Consistent Domain Adaptation for Semantic
Segmentation [44.19436340246248]
本稿では,革新的局所文脈相関整合ドメイン適応手法を提案する。
グローバルレベルのアライメントにおいて、地域レベルのコンピテンシーを達成することを目的としている。
実験では, 最先端手法と比較して, セグメンテーション性能が優れていることを示した。
論文 参考訳（メタデータ） (2020-07-05T19:00:46Z) - Domain Conditioned Adaptation Network [90.63261870610211]
本稿では,ドメイン条件付きチャネルアテンション機構を用いて,異なる畳み込みチャネルを励起するドメイン条件適応ネットワーク(DCAN)を提案する。
これは、ディープDAネットワークのドメインワイドな畳み込みチャネルアクティベーションを探求する最初の試みである。
論文 参考訳（メタデータ） (2020-05-14T04:23:24Z) - Spatial Attention Pyramid Network for Unsupervised Domain Adaptation [66.75008386980869]
教師なし領域適応は様々なコンピュータビジョンタスクにおいて重要である。
教師なし領域適応のための新しい空間注意ピラミッドネットワークを設計する。
我々の手法は最先端の手法に対して大きなマージンで好適に機能する。
論文 参考訳（メタデータ） (2020-03-29T09:03:23Z) - Exploring Categorical Regularization for Domain Adaptive Object
Detection [27.348272177261233]
ドメイン適応オブジェクト検出のための分類規則化フレームワークを提案する。
一連のAdaptive Domain Faster R-CNNメソッドのプラグイン・アンド・プレイコンポーネントとして適用することができる。
提案手法は、元のDomain Adaptive Faster R-CNN検出器よりも優れた性能を得る。
論文 参考訳（メタデータ） (2020-03-20T08:53:10Z)
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。