Fugu-MT 論文翻訳(概要): Self-Pair: Synthesizing Changes from Single Source for Object Change Detection in Remote Sensing Imagery

論文の概要: Self-Pair: Synthesizing Changes from Single Source for Object Change Detection in Remote Sensing Imagery

arxiv url: http://arxiv.org/abs/2212.10236v1
Date: Tue, 20 Dec 2022 13:26:42 GMT
ステータス: 処理完了
システム内更新日: 2022-12-21 16:33:35.678739
Title: Self-Pair: Synthesizing Changes from Single Source for Object Change Detection in Remote Sensing Imagery
Title（参考訳）: セルフペア:リモートセンシング画像における物体変化検出のための単一ソースからの変化の合成
Authors: Minseok Seo, Hakjin Lee, Yongjin Jeon, Junghoon Seo,
Abstract要約: 本研究では,2つの空間的無関係な画像を用いて変化検出器をトレーニングする。本稿では,画像の残像としての操作が,変化検出の性能に不可欠であることを示す。本手法は, 単一時間監視に基づく既存手法よりも優れる。
参考スコア（独自算出の注目度）: 6.586756080460231
License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
Abstract: For change detection in remote sensing, constructing a training dataset for deep learning models is difficult due to the requirements of bi-temporal supervision. To overcome this issue, single-temporal supervision which treats change labels as the difference of two semantic masks has been proposed. This novel method trains a change detector using two spatially unrelated images with corresponding semantic labels such as building. However, training on unpaired datasets could confuse the change detector in the case of pixels that are labeled unchanged but are visually significantly different. In order to maintain the visual similarity in unchanged area, in this paper, we emphasize that the change originates from the source image and show that manipulating the source image as an after-image is crucial to the performance of change detection. Extensive experiments demonstrate the importance of maintaining visual information between pre- and post-event images, and our method outperforms existing methods based on single-temporal supervision. code is available at https://github.com/seominseok0429/Self-Pair-for-Change-Detection.
Abstract（参考訳）: リモートセンシングにおける変化検出では,両時間監視の必要性から,ディープラーニングモデルのためのトレーニングデータセットの構築が困難である。この問題を克服するために,2つの意味的マスクの差異として変更ラベルを扱う単一時間監督が提案されている。本手法は,2つの空間的無関係な画像と,それに対応する意味ラベルを用いた変化検出装置を訓練する。しかし、ペアなしデータセットのトレーニングは、ラベルが変更されていないが視覚的に大きく異なるピクセルの場合、変更検出器を混乱させる可能性がある。そこで本稿では,視覚の類似性を維持するために,ソース画像から発生した変化を強調すると共に,後画像としてソース画像を操作することが変化検出の性能に不可欠であることを示す。広汎な実験により,先行画像と後画像の間で視覚情報を維持することの重要性が示され,本手法は単一時間監視に基づく既存手法よりも優れていた。コードはhttps://github.com/seominseok0429/Self-Pair-for-Change-Detectionで公開されている。

関連論文リスト

Distractors-Immune Representation Learning with Cross-modal Contrastive Regularization for Change Captioning [71.14084801851381]
変更キャプションは、類似した画像間のセマンティックな変化を簡潔に記述することを目的としている。既存のほとんどの手法は、それらの違いを直接キャプチャし、エラーを起こしやすい特徴を得るリスクを負う。本稿では,2つの画像表現の対応するチャネルを関連づけるイントラクタ免疫表現学習ネットワークを提案する。
論文参考訳（メタデータ） (2024-07-16T13:00:33Z)
Single-Temporal Supervised Learning for Universal Remote Sensing Change Detection [21.622442722863028]
広帯域リモートセンシングによる変化検出のための単一時間教師あり学習(STAR)を提案する。 Starは、未ペアラベル画像のみを使用して、高精度な変化検知器を訓練することを可能にする。 ChangeStar2は、8つのパブリックリモートセンシング変更検出データセットで最先端のパフォーマンスを達成する。
論文参考訳（メタデータ） (2024-06-22T00:03:21Z)
Segment Any Change [64.23961453159454]
本稿では、ゼロショット予測と、見えない変更タイプやデータ分布の一般化をサポートする新しいタイプの変更検出モデルを提案する。 AnyChangeは、トレーニング不要適応法、バイテンポラルラテントマッチングを通じてSAM(Se segment Any Model)上に構築されます。また、AnyChangeのゼロショットオブジェクト中心の変更検出機能を有効にするためのポイントクエリ機構を提案する。
論文参考訳（メタデータ） (2024-02-02T07:17:39Z)
MS-Former: Memory-Supported Transformer for Weakly Supervised Change Detection with Patch-Level Annotations [50.79913333804232]
弱い教師付き変化検出のためのメモリ支援トランス (MS-Former) を提案する。 MS-Former は双方向注意ブロック (BAB) とパッチレベルの監視スキーム (PSS) から構成される。 3つのベンチマークデータセットの実験結果から,提案手法の有効性が示された。
論文参考訳（メタデータ） (2023-11-16T09:57:29Z)
Learning Transformations To Reduce the Geometric Shift in Object Detection [60.20931827772482]
画像キャプチャプロセスの変動から生じる幾何シフトに対処する。我々は、これらのシフトを最小限に抑えるために幾何変換の集合を学習する自己学習アプローチを導入する。我々は,カメラの視野変化(FoV)と視点変化(視点変化)の2つの異なるシフトについて,本手法の評価を行った。
論文参考訳（メタデータ） (2023-01-13T11:55:30Z)
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)
Unsupervised Change Detection Based on Image Reconstruction Loss [6.604255432427447]
ラベルのない単一時間画像のみを用いた画像再構成損失に基づく教師なしの変更検出を提案する。変化検出装置は,1つの時間的単一ソース画像のみを使用しても,様々な変化検出ベンチマークデータセットにおいて顕著な性能を示した。
論文参考訳（メタデータ） (2022-04-04T01:40:34Z)
Unsupervised Pretraining for Object Detection by Patch Reidentification [72.75287435882798]
教師なし表現学習は、オブジェクトディテクタの事前トレーニング表現で有望なパフォーマンスを実現します。本研究では,オブジェクト検出のための簡易かつ効果的な表現学習手法であるパッチ再識別(Re-ID)を提案する。私たちの方法は、トレーニングの反復やデータパーセンテージなど、すべての設定でCOCOの同等を大幅に上回ります。
論文参考訳（メタデータ） (2021-03-08T15:13:59Z)
Data Augmentation for Object Detection via Differentiable Neural Rendering [71.00447761415388]
注釈付きデータが乏しい場合、堅牢なオブジェクト検出器を訓練することは困難です。この問題に対処する既存のアプローチには、ラベル付きデータからラベル付きデータを補間する半教師付き学習が含まれる。オブジェクト検出のためのオフラインデータ拡張手法を導入し、新しいビューでトレーニングデータを意味的に補間する。
論文参考訳（メタデータ） (2021-03-04T06:31:06Z)
Self-supervised Multisensor Change Detection [14.191073951237772]
両時間衛星画像における自己教師付き変化検出の文脈におけるマルチセンサ分析を再考する。近年の自己教師あり学習手法の進歩は、その一部が少数の画像で機能することさえ示している。そこで本研究では,非ラベル対象の二時間画像のみを用いたマルチセンサ変化検出手法を提案する。
論文参考訳（メタデータ） (2021-02-12T12:31:10Z)
DASNet: Dual attentive fully convolutional siamese networks for change detection of high resolution satellite images [17.839181739760676]
研究の目的は、関心の変化情報を識別し、無関係な変更情報を干渉要因としてフィルタリングすることである。近年、ディープラーニングの台頭により、変化検出のための新しいツールが提供され、目覚ましい結果が得られた。我々は,高解像度画像における変化検出のための新しい手法,すなわち,二重注意型完全畳み込みシームズネットワーク(DASNet)を提案する。
論文参考訳（メタデータ） (2020-03-07T16:57:10Z)

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。