論文の概要: SoftMatch Distance: A Novel Distance for Weakly-Supervised Trend Change
Detection in Bi-Temporal Images
- arxiv url: http://arxiv.org/abs/2303.04737v1
- Date: Wed, 8 Mar 2023 17:23:18 GMT
- ステータス: 処理完了
- システム内更新日: 2023-03-09 12:59:57.772507
- Title: SoftMatch Distance: A Novel Distance for Weakly-Supervised Trend Change
Detection in Bi-Temporal Images
- Title（参考訳）: SoftMatch Distance: バイテンポラル画像における弱教師付きトレンド変化検出のための新しい距離
- Authors: Yuqun Yang, Xu Tang, Xiangrong Zhang, Jingjing Ma, Licheng Jiao
- Abstract要約: 一般的な変化検出(GCD)と意味変化検出(SCD)は、変化を識別し、それらの変化に関与する対象カテゴリを識別する一般的な方法である。
本稿では,3つの傾向(「外観」,「消滅」,「変化」)に変化を直感的に分割する手法を提案する。
GCDよりも詳細な変更情報を提供し、SCDよりも手作業によるアノテーションのコストが低い。
- 参考スコア（独自算出の注目度）: 45.138953422578574
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: General change detection (GCD) and semantic change detection (SCD) are common
methods for identifying changes and distinguishing object categories involved
in those changes, respectively. However, the binary changes provided by GCD is
often not practical enough, while annotating semantic labels for training SCD
models is very expensive. Therefore, there is a novel solution that intuitively
dividing changes into three trends (``appear'', ``disappear'' and
``transform'') instead of semantic categories, named it trend change detection
(TCD) in this paper. It offers more detailed change information than GCD, while
requiring less manual annotation cost than SCD. However, there are limited
public data sets with specific trend labels to support TCD application. To
address this issue, we propose a softmatch distance which is used to construct
a weakly-supervised TCD branch in a simple GCD model, using GCD labels instead
of TCD label for training. Furthermore, a strategic approach is presented to
successfully explore and extract background information, which is crucial for
the weakly-supervised TCD task. The experiment results on four public data sets
are highly encouraging, which demonstrates the effectiveness of our proposed
model.
- Abstract（参考訳）: 一般的な変化検出(GCD)と意味変化検出(SCD)は、変化を識別し、それらの変化に関与する対象カテゴリを識別する一般的な方法である。
しかし、GCDによって提供されるバイナリの変更は、しばしば実用的ではなく、SCDモデルをトレーニングするための意味ラベルのアノテートは非常に高価である。
そこで,本論文では,意味カテゴリーに代えて,変化を直感的に3つの傾向(`appear', ``disappear', ``transform'')に分割する新しい解法を提案する。
GCDよりも詳細な変更情報を提供し、SCDよりも手作業によるアノテーションのコストが低い。
しかし、tcdアプリケーションをサポートする特定のトレンドラベルを持つ公開データセットは限られている。
そこで本研究では,TDラベルの代わりにGCDラベルを用いて,単純なGCDモデルで弱い教師付きTDブランチを構築するためのソフトマッチ距離を提案する。
さらに,弱教師付きTDタスクにおいて重要な背景情報の探索と抽出に戦略的なアプローチが提案されている。
4つの公開データセットにおける実験結果は,提案モデルの有効性を実証する非常に有益である。
関連論文リスト
- Happy: A Debiased Learning Framework for Continual Generalized Category Discovery [54.54153155039062]
本稿では,C-GCD(Continuous Generalized Category Discovery)の未探索課題について考察する。
C-GCDは、学習済みのクラスを認識する能力を維持しながら、ラベルのないデータから新しいクラスを漸進的に発見することを目的としている。
本稿では,ハードネスを意識したプロトタイプサンプリングとソフトエントロピー正規化を特徴とする,偏りのある学習フレームワークであるHappyを紹介する。
論文 参考訳（メタデータ） (2024-10-09T04:18:51Z) - Cross Branch Feature Fusion Decoder for Consistency Regularization-based Semi-Supervised Change Detection [9.147851499947228]
我々はCross Branch Feature Fusion CBFFと呼ばれる新しいデコーダを導入する。
局所的畳み込み分岐と大域的変圧器分岐の長所を組み合わせたものである。
CBFFを用いて、強弱一貫性戦略に基づいて、SSCDモデルを構築します。
論文 参考訳（メタデータ） (2024-09-23T13:47:59Z) - SeFi-CD: A Semantic First Change Detection Paradigm That Can Detect Any Change You Want [3.8287068443608567]
本稿では,新しいCDパラダイム,セマンティックファーストCD(SeFi-CD)パラダイムを紹介する。
SeFi-CDの中核となる考え方は、まず関心の動的なセマンティクスを理解し、そのセマンティクスに関連する変化の特徴を視覚的に検索することである。
公開データセットの実験では、AUWCDが現在の最先端のCDメソッドより優れていることが示されている。
論文 参考訳（メタデータ） (2024-07-13T12:49:58Z) - ChangeAnywhere: Sample Generation for Remote Sensing Change Detection via Semantic Latent Diffusion Model [4.677012401985776]
ChangeAnywhereはセマンティック潜伏拡散モデルと単一時間画像を用いた新しいCDサンプル生成手法である。
ChangeAnywhereは2つのCDサンプルをキャプチャする。つまり、変更は意味的に異なることを意味し、非変更は同じ意味的制約の下で合理的な変更を意味する。
ChangeAnywhere-100Kは、さまざまなディープラーニングベースのCDモデルのための2つのCDベンチマークデータセットにおいて、ゼロショットと少数ショットの両方のパフォーマンスを著しく改善した。
論文 参考訳（メタデータ） (2024-04-13T03:46:35Z) - Active Generalized Category Discovery [60.69060965936214]
GCD(Generalized Category Discovery)は、新しいクラスと古いクラスの未ラベルのサンプルをクラスタ化するための取り組みである。
我々は,能動的学習の精神を取り入れて,能動的一般化カテゴリー発見(AGCD)という新たな設定を提案する。
提案手法は, 汎用および微粒なデータセット上での最先端性能を実現する。
論文 参考訳（メタデータ） (2024-03-07T07:12:24Z) - Exploring Effective Priors and Efficient Models for Weakly-Supervised Change Detection [9.229278131265124]
弱教師付き変化検出(WSCD)は、画像レベルのアノテーションだけでピクセルレベルの変化を検出することを目的としている。
Dilated Prior (DP) デコーダと Label Gated (LG) 制約の2つのコンポーネントを提案する。
提案したTransWCDとTransWCD-DLは,WHU-CDデータセットの最先端手法に比べて,有意な+6.33%,+9.55%のF1スコア向上を実現している。
論文 参考訳（メタデータ） (2023-07-20T13:16:10Z) - GCD-DDPM: A Generative Change Detection Model Based on
Difference-Feature Guided DDPM [7.922421805234563]
深層学習法は近年,バイテンポラルチェンジ検出(CD)において大きな可能性を秘めている
本研究は,CDマップを直接生成するGCD-DDPMと呼ばれる生成的変化検出モデルを提案する。
4つの高解像度CDデータセットの実験により、提案したGCD-DDPMの優れた性能が確認された。
論文 参考訳（メタデータ） (2023-06-06T05:51:50Z) - Dynamic Conceptional Contrastive Learning for Generalized Category
Discovery [76.82327473338734]
Generalized category discovery (GCD) は、部分的にラベル付けされたデータを自動でクラスタリングすることを目的としている。
ラベル付きデータには、ラベル付きデータの既知のカテゴリだけでなく、新しいカテゴリのインスタンスも含まれている。
GCDの効果的な方法の1つは、ラベルなしデータの識別表現を学習するために自己教師付き学習を適用することである。
本稿では,クラスタリングの精度を効果的に向上する動的概念コントラスト学習フレームワークを提案する。
論文 参考訳（メタデータ） (2023-03-30T14:04:39Z) - 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) - Revisiting Consistency Regularization for Semi-supervised Change
Detection in Remote Sensing Images [60.89777029184023]
教師付きクロスエントロピー(CE)損失に加えて、教師なしCD損失を定式化する半教師付きCDモデルを提案する。
2つの公開CDデータセットを用いて実験を行った結果,提案手法は教師付きCDの性能に近づきやすいことがわかった。
論文 参考訳（メタデータ） (2022-04-18T17:59:01Z)
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。