論文の概要: An End-to-end Supervised Domain Adaptation Framework for Cross-Domain Change Detection

• arxiv url: http://arxiv.org/abs/2204.00154v1
• Date: Fri, 1 Apr 2022 01:35:30 GMT
• ステータス: 処理完了
• システム内更新日: 2022-04-04 14:44:47.744755
• Title: An End-to-end Supervised Domain Adaptation Framework for Cross-Domain Change Detection
• Title（参考訳）: ドメイン間変更検出のためのエンドツーエンドドメイン適応フレームワーク
• Authors: Jia Liu, Wenjie Xuan, Yuhang Gan, Juhua Liu, Bo Du
• Abstract要約: クロスドメイン変更検出のためのエンドツーエンドのドメイン適応フレームワークを提案する。 SDACDは画像と特徴の両方の観点から協調的な適応と教師あり学習を提示する。 我々のフレームワークは、いくつかの代表的ベースラインモデルを新しいState-Of-The-Artレコードに押し上げる。
• 参考スコア（独自算出の注目度）: 29.70695339406896
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Existing deep learning-based change detection methods try to elaborately design complicated neural networks with powerful feature representations, but ignore the universal domain shift induced by time-varying land cover changes, including luminance fluctuations and season changes between pre-event and post-event images, thereby producing sub-optimal results. In this paper, we propose an end-to-end Supervised Domain Adaptation framework for cross-domain Change Detection, namely SDACD, to effectively alleviate the domain shift between bi-temporal images for better change predictions. Specifically, our SDACD presents collaborative adaptations from both image and feature perspectives with supervised learning. Image adaptation exploits generative adversarial learning with cycle-consistency constraints to perform cross-domain style transformation, effectively narrowing the domain gap in a two-side generation fashion. As to feature adaptation, we extract domain-invariant features to align different feature distributions in the feature space, which could further reduce the domain gap of cross-domain images. To further improve the performance, we combine three types of bi-temporal images for the final change prediction, including the initial input bi-temporal images and two generated bi-temporal images from the pre-event and post-event domains. Extensive experiments and analyses on two benchmarks demonstrate the effectiveness and universality of our proposed framework. Notably, our framework pushes several representative baseline models up to new State-Of-The-Art records, achieving 97.34% and 92.36% on the CDD and WHU building datasets, respectively. The source code and models are publicly available at https://github.com/Perfect-You/SDACD.
• Abstract（参考訳）: 既存のディープラーニングに基づく変化検出手法は、強力な特徴表現を持つ複雑なニューラルネットワークを精巧に設計しようとするが、輝度変動や事前画像と後画像の季節変化など、時間変化の土地被覆変化によって引き起こされる普遍的な領域シフトを無視し、準最適結果を生み出す。 本稿では、両時間画像間の領域シフトを効果的に軽減し、変化予測を改善するために、ドメイン間変化検出のためのエンドツーエンドのドメイン適応フレームワークSDACDを提案する。 特に,sdacdは,教師付き学習による画像と特徴の両方の視点からの協調的適応を示す。 画像適応は、サイクル整合性制約による生成逆学習を利用して、クロスドメインスタイルの変換を行い、ドメインギャップを効果的に両面生成方式で狭める。 特徴適応について,特徴空間内の異なる特徴分布を整列する領域不変特徴を抽出することにより,クロスドメイン画像の領域間ギャップをさらに低減する。 さらに性能向上のために、初期入力両時間画像と、先行領域と後領域から生成された2つの生成両時間画像を含む、最終変更予測のための3種類のバイテンポラル画像を組み合わせる。 2つのベンチマークに関する大規模な実験と分析は、提案フレームワークの有効性と普遍性を示している。 我々のフレームワークは、いくつかの代表的ベースラインモデルを新しいState-Of-The-Artレコードに押し上げ、それぞれCDDとWHU構築データセットで97.34%と92.36%を達成した。 ソースコードとモデルはhttps://github.com/Perfect-You/SDACDで公開されている。

関連論文リスト

• Self-supervised Domain-agnostic Domain Adaptation for Satellite Images [18.151134198549574]
  このようなドメイン定義なしでドメイン適応を行うための自己教師付きドメイン非依存ドメイン適応(SS(DA)2)手法を提案する。 まず,2つの衛星画像パッチ間で画像と画像の変換を行うために,生成ネットワークのトレーニングを行う。 そして、異なる試験スペクトル特性でトレーニングデータを増強することにより、下流モデルの一般化性を向上させる。
  論文  参考訳（メタデータ） (2023-09-20T07:37:23Z)
• PiPa: Pixel- and Patch-wise Self-supervised Learning for Domain Adaptative Semantic Segmentation [100.6343963798169]
  教師なしドメイン適応(Unsupervised Domain Adaptation, UDA)は、学習モデルの他のドメインへの一般化を強化することを目的としている。 そこで我々は,ドメイン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,PiPaという,画素・パッチ対応の自己教師付き学習フレームワークを提案する。
  論文  参考訳（メタデータ） (2022-11-14T18:31:24Z)
• PIT: Position-Invariant Transform for Cross-FoV Domain Adaptation [53.428312630479816]
  フィールド・オブ・ビュー(FoV)ギャップは、ソースとターゲットドメイン間の顕著なインスタンスの出現差を誘導する。 本研究では,異なる領域における画像の整合性を改善するために,textbfPosition-Invariant Transform (PIT)を提案する。
  論文  参考訳（メタデータ） (2021-08-16T15:16:47Z)
• AFAN: Augmented Feature Alignment Network for Cross-Domain Object Detection [90.18752912204778]
  オブジェクト検出のための教師なしドメイン適応は、多くの現実世界のアプリケーションにおいて難しい問題である。 本稿では、中間領域画像生成とドメイン・アドバイザリー・トレーニングを統合した新しい機能アライメント・ネットワーク(AFAN)を提案する。 提案手法は、類似および異種ドメイン適応の双方において、標準ベンチマークにおける最先端の手法よりも大幅に優れている。
  論文  参考訳（メタデータ） (2021-06-10T05:01:20Z)
• RPCL: A Framework for Improving Cross-Domain Detection with Auxiliary Tasks [74.10747285807315]
  Cross-Domain Detection (XDD) は、ソースドメインからラベル付きイメージを使用してオブジェクト検出器をトレーニングすることを目的としている。 本稿では,両領域で同じ補助的タスクを同時に学習することで,ドメインを協調させる補完的ソリューションを提供する。
  論文  参考訳（メタデータ） (2021-04-18T02:56:19Z)
• Unsupervised Bidirectional Cross-Modality Adaptation via Deeply Synergistic Image and Feature Alignment for Medical Image Segmentation [73.84166499988443]
  我々は、Synergistic Image and Feature Alignment (SIFA)と名付けられた新しい教師なしドメイン適応フレームワークを提案する。 提案するSIFAは、画像と特徴の両方の観点から、ドメインの相乗的アライメントを行う。 2つの異なるタスクに対する実験結果から,SIFA法は未ラベル対象画像のセグメンテーション性能を向上させるのに有効であることが示された。
  論文  参考訳（メタデータ） (2020-02-06T13:49:47Z)
• CrDoCo: Pixel-level Domain Transfer with Cross-Domain Consistency [119.45667331836583]
  教師なしのドメイン適応アルゴリズムは、あるドメインから学んだ知識を別のドメインに転送することを目的としている。 本稿では,新しい画素単位の対向領域適応アルゴリズムを提案する。
  論文  参考訳（メタデータ） (2020-01-09T19:00:35Z)

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。