論文の概要: IDAN: Image Difference Attention Network for Change Detection
- arxiv url: http://arxiv.org/abs/2208.08292v1
- Date: Wed, 17 Aug 2022 13:46:13 GMT
- ステータス: 処理完了
- システム内更新日: 2022-08-18 13:04:02.240283
- Title: IDAN: Image Difference Attention Network for Change Detection
- Title(参考訳): IDAN:変化検出のための画像差分注意ネットワーク
- Authors: Hongkun Liu, Zican Hu, Qichen Ding, Xueyun Chen
- Abstract要約: リモートセンシング画像変化検出のための新しい画像差分注意ネットワーク(IDAN)を提案する。
IDANは、画像の地域的特徴とエッジ的特徴の違いを考慮し、抽出した画像特徴を最適化する。
実験の結果、IDANのF1スコアは、WHUデータセットとLEVIR-CDデータセットのベースラインモデルと比較して1.62%と1.98%改善していることが示された。
- 参考スコア(独自算出の注目度): 3.5366052026723547
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Remote sensing image change detection is of great importance in disaster
assessment and urban planning. The mainstream method is to use encoder-decoder
models to detect the change region of two input images. Since the change
content of remote sensing images has the characteristics of wide scale range
and variety, it is necessary to improve the detection accuracy of the network
by increasing the attention mechanism, which commonly includes:
Squeeze-and-Excitation block, Non-local and Convolutional Block Attention
Module, among others. These methods consider the importance of different
location features between channels or within channels, but fail to perceive the
differences between input images. In this paper, we propose a novel image
difference attention network (IDAN). In the image preprocessing stage, we use a
pre-training model to extract the feature differences between two input images
to obtain the feature difference map (FD-map), and Canny for edge detection to
obtain the edge difference map (ED-map). In the image feature extracting stage,
the FD-map and ED-map are input to the feature difference attention module and
edge compensation module, respectively, to optimize the features extracted by
IDAN. Finally, the change detection result is obtained through the feature
difference operation. IDAN comprehensively considers the differences in
regional and edge features of images and thus optimizes the extracted image
features. The experimental results demonstrate that the F1-score of IDAN
improves 1.62% and 1.98% compared to the baseline model on WHU dataset and
LEVIR-CD dataset, respectively.
- Abstract(参考訳): リモートセンシング画像変化検出は災害評価や都市計画において非常に重要である。
主な方法は、エンコーダデコーダモデルを用いて、2つの入力画像の変化領域を検出することである。
リモートセンシング画像の変更内容は、広い範囲やバラエティの特性を有するため、押し出しブロック、非局所ブロック、畳み込みブロックアテンションモジュールなどを含むアテンション機構を多くして、ネットワークの検出精度を向上させる必要がある。
これらの手法は、チャンネル間やチャンネル内における異なる位置特徴の重要性を考察するが、入力画像間の差異を認識できない。
本稿では,新しい画像差分注意ネットワーク(IDAN)を提案する。
画像前処理の段階では,2つの入力画像間の特徴差を抽出して特徴差マップ(FD-map)と,エッジ検出用Cannyを用いてエッジ差マップ(ED-map)を得る。
画像特徴抽出段階において、特徴差注意モジュールとエッジ補償モジュールにFDマップとEDマップとをそれぞれ入力し、IDANにより抽出された特徴を最適化する。
最後に、特徴差分演算により変化検出結果を得る。
IDANは画像の領域的特徴とエッジ的特徴の違いを包括的に考慮し、抽出した画像特徴を最適化する。
実験の結果,idan の f1-score はそれぞれ whu データセットと levir-cd データセットのベースラインモデルと比較して 1.62% と 1.98% 改善した。
関連論文リスト
- Enhancing Perception of Key Changes in Remote Sensing Image Change Captioning [49.24306593078429]
KCFI(Key Change Features and Instruction-tuned)によるリモートセンシング画像変換キャプションのための新しいフレームワークを提案する。
KCFIは、バイテンポラルリモートセンシング画像特徴を抽出するViTsエンコーダと、重要な変化領域を識別するキー特徴知覚器と、画素レベルの変化検出デコーダとを含む。
提案手法の有効性を検証するため,LEVIR-CCデータセット上のいくつかの最新の変更キャプション手法との比較を行った。
論文 参考訳(メタデータ) (2024-09-19T09:33:33Z) - 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) - BD-MSA: Body decouple VHR Remote Sensing Image Change Detection method
guided by multi-scale feature information aggregation [4.659935767219465]
リモートセンシング画像変化検出(RSCD)の目的は、同じ場所で撮影された両時間画像の違いを検出することである。
深層学習はRSCDタスクに広く使われており、結果認識の点で重要な結果をもたらしている。
論文 参考訳(メタデータ) (2024-01-09T02:53:06Z) - Frequency Domain Modality-invariant Feature Learning for
Visible-infrared Person Re-Identification [79.9402521412239]
本稿では、周波数領域から見たモダリティの相違を低減するために、新しい周波数領域モダリティ不変特徴学習フレームワーク(FDMNet)を提案する。
我々のフレームワークでは、インスタンス適応振幅フィルタ(IAF)とPhrase-Preserving Normalization(PPNorm)という、2つの新しいモジュールを導入している。
論文 参考訳(メタデータ) (2024-01-03T17:11:27Z) - DiAD: A Diffusion-based Framework for Multi-class Anomaly Detection [55.48770333927732]
本稿では,拡散型異常検出(Difusion-based Anomaly Detection, DAD)フレームワークを提案する。
画素空間オートエンコーダ、安定拡散の復調ネットワークに接続する潜在空間セマンティックガイド(SG)ネットワーク、特徴空間事前学習機能抽出器から構成される。
MVTec-ADとVisAデータセットの実験は、我々のアプローチの有効性を実証している。
論文 参考訳(メタデータ) (2023-12-11T18:38:28Z) - TransY-Net:Learning Fully Transformer Networks for Change Detection of
Remote Sensing Images [64.63004710817239]
リモートセンシング画像CDのためのトランスフォーマーベース学習フレームワークTransY-Netを提案する。
グローバルな視点からの特徴抽出を改善し、ピラミッド方式で多段階の視覚的特徴を組み合わせる。
提案手法は,4つの光学式および2つのSAR画像CDベンチマーク上での最先端性能を実現する。
論文 参考訳(メタデータ) (2023-10-22T07:42:19Z) - VcT: Visual change Transformer for Remote Sensing Image Change Detection [16.778418602705287]
本稿では,視覚変化検出問題に対する新しい視覚変化変換器(VcT)モデルを提案する。
トップKの信頼できるトークンは、クラスタリングアルゴリズムを使用してマップからマイニングし、洗練することができる。
複数のベンチマークデータセットに対する大規模な実験により,提案したVcTモデルの有効性が検証された。
論文 参考訳(メタデータ) (2023-10-17T17:25:31Z) - dual unet:a novel siamese network for change detection with cascade
differential fusion [4.651756476458979]
本稿では,変化検出タスク,すなわちDual-UNetのための新しいSiameseニューラルネットワークを提案する。
従来のバイテンポラル画像の符号化とは対照的に,画素の空間的差分関係に着目したエンコーダ差分アテンションモジュールを設計する。
実験により、提案手法は、一般的な季節変化検出データセットにおいて、常に最も高度な手法よりも優れていることが示された。
論文 参考訳(メタデータ) (2022-08-12T14:24:09Z) - Learning Hierarchical Graph Representation for Image Manipulation
Detection [50.04902159383709]
画像操作検出の目的は、画像内の操作された領域を特定し、特定することである。
最近のアプローチでは、画像に残っている改ざんするアーティファクトをキャプチャするために、洗練された畳み込みニューラルネットワーク(CNN)が採用されている。
本稿では2つの並列分岐からなる階層型グラフ畳み込みネットワーク(HGCN-Net)を提案する。
論文 参考訳(メタデータ) (2022-01-15T01:54:25Z) - Semantic Change Detection with Asymmetric Siamese Networks [71.28665116793138]
2つの空中画像が与えられた場合、セマンティックチェンジ検出は、土地被覆のバリエーションを特定し、それらの変化タイプをピクセルワイド境界で識別することを目的としている。
この問題は、正確な都市計画や天然資源管理など、多くの地球ビジョンに関連するタスクにおいて不可欠である。
本研究では, 広く異なる構造を持つモジュールから得られた特徴対を用いて意味変化を同定し, 同定するための非対称システマネットワーク(ASN)を提案する。
論文 参考訳(メタデータ) (2020-10-12T13:26:30Z)
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。