論文の概要: Joint Spatio-Temporal Modeling for Semantic Change Detection in Remote
Sensing Images
- arxiv url: http://arxiv.org/abs/2212.05245v1
- Date: Sat, 10 Dec 2022 08:49:19 GMT
- ステータス: 処理完了
- システム内更新日: 2022-12-13 16:20:30.998564
- Title: Joint Spatio-Temporal Modeling for Semantic Change Detection in Remote
Sensing Images
- Title(参考訳): リモートセンシング画像における意味変化検出のための関節時空間モデリング
- Authors: Lei Ding, Jing Zhang, Kai Zhang, Haitao Guo, Bing Liu and Lorenzo
Bruzzone
- Abstract要約: SCD(Semantic Change Sensing)とは、リモート画像における変化領域と意味カテゴリーを同時に抽出するタスクである。
限られた量の変更サンプルで意味情報を活用することは依然として困難である。
両時間間の意味的遷移を明示的にモデル化するSCan(Semantic Change Transformer)を提案する。
そこで本研究では,SCD タスクに忠実な RSI 時間制約を活用する意味学習手法を導入し,学習の意味変化を導出する。
- 参考スコア(独自算出の注目度): 22.72105435238235
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Semantic Change Detection (SCD) refers to the task of simultaneously
extracting the changed areas and the semantic categories (before and after the
changes) in Remote Sensing Images (RSIs). This is more meaningful than Binary
Change Detection (BCD) since it enables detailed change analysis in the
observed areas. Previous works established triple-branch Convolutional Neural
Network (CNN) architectures as the paradigm for SCD. However, it remains
challenging to exploit semantic information with a limited amount of change
samples. In this work, we investigate to jointly consider the spatio-temporal
dependencies to improve the accuracy of SCD. First, we propose a SCanFormer
(Semantic Change Transformer) to explicitly model the 'from-to' semantic
transitions between the bi-temporal RSIs. Then, we introduce a semantic
learning scheme to leverage the spatio-temporal constraints, which are coherent
to the SCD task, to guide the learning of semantic changes. The resulting
network (ScanNet) significantly outperforms the baseline method in terms of
both detection of critical semantic changes and semantic consistency in the
obtained bi-temporal results. It achieves the SOTA accuracy on two benchmark
datasets for the SCD.
- Abstract(参考訳): 意味的変化検出(SCD)とは、リモートセンシング画像(RSI)において、変化領域と意味圏(変化の前と後)を同時に抽出するタスクである。
これは、観測領域における詳細な変更分析を可能にするため、バイナリ変更検出(BCD)よりも有意義である。
以前の研究は、SCDのパラダイムとして三分岐畳み込みニューラルネットワーク(CNN)アーキテクチャを確立した。
しかし、限られた量の変更サンプルで意味情報を活用することは依然として困難である。
本研究では,SCDの精度を向上させるため,時空間依存性を協調的に検討する。
まず,バイタイムrsis間の意味遷移を明示的にモデル化するスキャニングフォーマ(semantic change transformer)を提案する。
次に,scdタスクに一貫性のある時空間制約を活用し,意味変化の学習を導くための意味学習方式を提案する。
結果として得られたネットワーク(ScanNet)は、重要な意味的変化の検出と、得られた両時間的結果のセマンティック一貫性の両方において、ベースライン法を著しく上回る。
SCD用の2つのベンチマークデータセット上でSOTA精度を達成する。
関連論文リスト
- Domain Adaptive Synapse Detection with Weak Point Annotations [63.97144211520869]
弱点アノテーションを用いたドメイン適応型シナプス検出のためのフレームワークであるAdaSynを提案する。
I SBI 2023のWASPSYNチャレンジでは、我々の手法が第1位にランクインした。
論文 参考訳(メタデータ) (2023-08-31T05:05:53Z) - Align, Perturb and Decouple: Toward Better Leverage of Difference
Information for RSI Change Detection [24.249552791014644]
変化検出は、リモートセンシング画像(RSI)解析において広く採用されている手法である。
そこで我々は,アライメント,摂動,デカップリングといった差分情報を完全に活用するための一連の操作を提案する。
論文 参考訳(メタデータ) (2023-05-30T03:39:53Z) - STNet: Spatial and Temporal feature fusion network for change detection
in remote sensing images [5.258365841490956]
空間的・時間的特徴融合に基づくリモートセンシング変化検出ネットワークSTNetを提案する。
RSCDのための3つのベンチマークデータセットの実験結果から,提案手法が最先端の性能を実現することを示す。
論文 参考訳(メタデータ) (2023-04-22T14:40:41Z) - Deep Metric Learning for Unsupervised Remote Sensing Change Detection [60.89777029184023]
リモートセンシング変化検出(RS-CD)は、マルチテンポラルリモートセンシング画像(MT-RSI)から関連する変化を検出することを目的とする。
既存のRS-CD法の性能は、大規模な注釈付きデータセットのトレーニングによるものである。
本稿では,これらの問題に対処可能なディープメトリック学習に基づく教師なしCD手法を提案する。
論文 参考訳(メタデータ) (2023-03-16T17:52:45Z) - Urban Change Detection Using a Dual-Task Siamese Network and
Semi-Supervised Learning [0.0]
両時間画像ペアからの都市変化検出を改善するための半教師付き学習(SSL)法について紹介した。
提案手法では,差分デコーダによる変化を予測できるDual-Task Siamese Different Networkを適用した。
論文 参考訳(メタデータ) (2022-04-26T10:12:07Z) - Semi-supervised Domain Adaptive Structure Learning [72.01544419893628]
半教師付きドメイン適応 (SSDA) は,1) アノテーションの低いデータに過度に適合する手法と,2) ドメイン間の分散シフトの両方を克服しなければならない課題である。
SSLとDAの協調を正規化するための適応型構造学習手法を提案する。
論文 参考訳(メタデータ) (2021-12-12T06:11:16Z) - HSVA: Hierarchical Semantic-Visual Adaptation for Zero-Shot Learning [74.76431541169342]
ゼロショット学習(ZSL)は、目に見えないクラス認識の問題に取り組み、目に見えないクラスから目に見えないクラスに意味的な知識を移す。
本稿では,意味領域と視覚領域を協調させる新しい階層型意味視覚適応(HSVA)フレームワークを提案する。
4つのベンチマークデータセットの実験では、HSVAは従来のZSLと一般的なZSLの両方で優れた性能を示す。
論文 参考訳(メタデータ) (2021-09-30T14:27:50Z) - Bi-Temporal Semantic Reasoning for the Semantic Change Detection of HR
Remote Sensing Images [17.53683781109742]
意味変化検出(SCD)のための新しいCNNアーキテクチャを提案する。
このアーキテクチャについて詳述し、両時間的意味的相関をモデル化する。
Bi-SRNet(Bi-temporal Semantic Reasoning Network)は2種類の意味的推論ブロックを含んでおり、時間的および時間的両方の意味的相関を推論する。
論文 参考訳(メタデータ) (2021-08-13T07:28:09Z) - 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) - MetricUNet: Synergistic Image- and Voxel-Level Learning for Precise CT
Prostate Segmentation via Online Sampling [66.01558025094333]
本稿では,前立腺領域を高速に局在させる第1段階と,前立腺領域を正確に区分する第2段階の2段階のフレームワークを提案する。
マルチタスクネットワークにおけるボクセルワイドサンプリングによる新しいオンラインメトリック学習モジュールを提案する。
本手法は,従来のクロスエントロピー学習法やDice損失学習法と比較して,より代表的なボクセルレベルの特徴を効果的に学習することができる。
論文 参考訳(メタデータ) (2020-05-15T10:37:02Z) - Deep Siamese Domain Adaptation Convolutional Neural Network for
Cross-domain Change Detection in Multispectral Images [28.683734356006262]
クロスドメイン変化検出のための新しいディープ・サイムズ・ドメイン適応畳み込みニューラルネットワーク(DSDANet)アーキテクチャを提案する。
我々の知る限りでは、このようなドメイン適応に基づくディープネットワークが変更検出のために提案されたのは初めてである。
論文 参考訳(メタデータ) (2020-04-13T02:15:04Z)
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。