論文の概要: Deep Metric Learning for Unsupervised Remote Sensing Change Detection

• arxiv url: http://arxiv.org/abs/2303.09536v1
• Date: Thu, 16 Mar 2023 17:52:45 GMT
• ステータス: 処理完了
• システム内更新日: 2023-03-17 14:20:32.737004
• Title: Deep Metric Learning for Unsupervised Remote Sensing Change Detection
• Title（参考訳）: 教師なしリモートセンシング変化検出のためのDeep Metric Learning
• Authors: Wele Gedara Chaminda Bandara, Vishal M. Patel
• Abstract要約: 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。
• 参考スコア（独自算出の注目度）: 60.89777029184023
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Remote Sensing Change Detection (RS-CD) aims to detect relevant changes from Multi-Temporal Remote Sensing Images (MT-RSIs), which aids in various RS applications such as land cover, land use, human development analysis, and disaster response. The performance of existing RS-CD methods is attributed to training on large annotated datasets. Furthermore, most of these models are less transferable in the sense that the trained model often performs very poorly when there is a domain gap between training and test datasets. This paper proposes an unsupervised CD method based on deep metric learning that can deal with both of these issues. Given an MT-RSI, the proposed method generates corresponding change probability map by iteratively optimizing an unsupervised CD loss without training it on a large dataset. Our unsupervised CD method consists of two interconnected deep networks, namely Deep-Change Probability Generator (D-CPG) and Deep-Feature Extractor (D-FE). The D-CPG is designed to predict change and no change probability maps for a given MT-RSI, while D-FE is used to extract deep features of MT-RSI that will be further used in the proposed unsupervised CD loss. We use transfer learning capability to initialize the parameters of D-FE. We iteratively optimize the parameters of D-CPG and D-FE for a given MT-RSI by minimizing the proposed unsupervised ``similarity-dissimilarity loss''. This loss is motivated by the principle of metric learning where we simultaneously maximize the distance between change pair-wise pixels while minimizing the distance between no-change pair-wise pixels in bi-temporal image domain and their deep feature domain. The experiments conducted on three CD datasets show that our unsupervised CD method achieves significant improvements over the state-of-the-art supervised and unsupervised CD methods. Code available at https://github.com/wgcban/Metric-CD
• Abstract（参考訳）: リモートセンシング変化検出(Remote Sensing Change Detection, RS-CD)は, 土地被覆, 土地利用, 人的開発分析, 災害対応など, さまざまなRS応用を支援する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、大き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。 さらに、トレーニングとテストデータセットの間にドメインのギャップがある場合、トレーニングされたモデルがパフォーマンスが極めて低くなるという意味で、これらのモデルの多くは転送性が低い。 本稿では,これらの問題に対応可能な深層メトリック学習に基づく教師なしcd手法を提案する。 提案手法は,mt-rsiを与えられた場合,大規模データセット上でトレーニングすることなく教師なしcdロスを反復的に最適化することにより,対応する変更確率マップを生成する。 本手法は,D-CPG(Deep-Change Probability Generator)とD-FE(Deep-Feature Extractor)という,相互接続された2つのディープネットワークから構成される。 D-CPGは、与えられたMT-RSIの変化を予測し、変更確率マップを含まないように設計されており、D-FEはMT-RSIの深い特徴を抽出するために使用される。 D-FEのパラメータを初期化するために転送学習機能を利用する。 MT-RSI に対する D-CPG と D-FE のパラメータを反復的に最適化し,提案した非教師付き '`similarity-dissimilarity loss'' を最小化する。 この損失は、二時間画像領域における無変化ペアワイズ画素とそれらの深い特徴領域との間の距離を最小化しながら、ペアワイズ画素間の距離を最大化するメトリック学習の原則によって動機付けられる。 3つのcdデータセットで行った実験では,教師なしcd法が最先端の教師なしcd法と教師なしcd法に比較して有意な改善が得られた。 https://github.com/wgcban/Metric-CDで利用可能なコード

関連論文リスト

• 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)
• The KFIoU Loss for Rotated Object Detection [115.334070064346]
  本稿では,SkewIoU損失とトレンドレベルアライメントを両立できる近似的損失を考案する上で,有効な方法の1つとして論じる。 具体的には、対象をガウス分布としてモデル化し、SkewIoUのメカニズムを本質的に模倣するためにカルマンフィルタを採用する。 KFIoUと呼ばれる新たな損失は実装が容易で、正確なSkewIoUよりもうまく動作する。
  論文  参考訳（メタデータ） (2022-01-29T10:54:57Z)
• Mitigating the Mutual Error Amplification for Semi-Supervised Object Detection [92.52505195585925]
  擬似ラベルの修正機構を導入し,相互誤りの増幅を緩和するクロス・インストラクション(CT)手法を提案する。 他の検出器からの予測を直接擬似ラベルとして扱う既存の相互指導法とは対照的に,我々はラベル修正モジュール(LRM)を提案する。
  論文  参考訳（メタデータ） (2022-01-26T03:34:57Z)
• M2TR: Multi-modal Multi-scale Transformers for Deepfake Detection [74.19291916812921]
  Deepfake技術によって生成された鍛造画像は、デジタル情報の信頼性に深刻な脅威をもたらします。 本稿では,Deepfake検出のための微妙な操作アーチファクトを異なるスケールで捉えることを目的とする。 最先端の顔スワッピングと顔の再現方法によって生成された4000のDeepFakeビデオで構成される高品質のDeepFakeデータセットSR-DFを紹介します。
  論文  参考訳（メタデータ） (2021-04-20T05:43:44Z)
• Regressive Domain Adaptation for Unsupervised Keypoint Detection [67.2950306888855]
  ドメイン適応(DA)は、ラベル付きソースドメインからラベル付きターゲットドメインに知識を転送することを目的とする。 本稿では,教師なしキーポイント検出のためのレグレッシブドメイン適応(RegDA)法を提案する。 提案手法は,異なるデータセット上のPCKにおいて,8%から11%の大幅な改善をもたらす。
  論文  参考訳（メタデータ） (2021-03-10T16:45:22Z)
• GEM: Glare or Gloom, I Can Still See You -- End-to-End Multimodal Object Detector [11.161639542268015]
  厳しい照明条件下での2次元物体検出のためのセンサ対応マルチモーダル融合戦略を提案する。 本ネットワークは,各センサモダリティの測定信頼性をスカラーウェイトとマスクの形で推定する。 提案手法はFLIR-Thermalデータセット上で既存の最先端手法よりも優れていることを示す。
  論文  参考訳（メタデータ） (2021-02-24T14:56:37Z)
• Robust Unsupervised Small Area Change Detection from SAR Imagery Using Deep Learning [23.203687716051697]
  合成開口レーダ(SAR)画像から小さな領域変化検出のための頑健な教師なし手法を提案する。 差分画像(DI)を生成するマルチスケールスーパーピクセル再構成法を開発した。 二段階中心拘束型ファジィc平均クラスタリングアルゴリズムを提案し、DIの画素を変化・変化・中間クラスに分割する。
  論文  参考訳（メタデータ） (2020-11-22T12:50:08Z)
• Unsupervised Domain Adaptation in the Dissimilarity Space for Person Re-identification [11.045405206338486]
  そこで本稿では,ペア距離の整合性を実現するために,D-MMD(Dissimilarity-based Maximum Mean Discrepancy)の新たな損失を提案する。 3つの挑戦的なベンチマークデータセットによる実験結果から、D-MMDの損失は、ソースとドメインの分布がよりよくなるにつれて減少することが示された。
  論文  参考訳（メタデータ） (2020-07-27T22:10:46Z)
• DSDANet: Deep Siamese Domain Adaptation Convolutional Neural Network for Cross-domain Change Detection [44.05317423742678]
  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） (2020-06-16T15:00:54Z)

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。