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
- DT-JRD: Deep Transformer based Just Recognizable Difference Prediction Model for Video Coding for Machines [48.07705666485972]
Just Recognizable difference (JRD) は、機械ビジョンによって検出される最小の視覚差を表す。
本稿では,Deep Transformer-based JRD (DT-JRD) prediction model for Video Coding for Machines (VCM)を提案する。
正確に予測されたJRDは、機械作業の精度を維持しながら、符号化ビットレートを低減できる。
論文 参考訳(メタデータ) (2024-11-14T09:34:36Z) - EfficientCD: A New Strategy For Change Detection Based With Bi-temporal Layers Exchanged [3.3885253104046993]
本稿では,リモートセンシング画像変化検出のためのEfficientCDという新しいディープラーニングフレームワークを提案する。
このフレームワークは機能抽出のバックボーンネットワークとしてEfficientNetを使用している。
EfficientCDは4つのリモートセンシングデータセットで実験的に検証されている。
論文 参考訳(メタデータ) (2024-07-22T19:11:50Z) - Multi-Source and Test-Time Domain Adaptation on Multivariate Signals using Spatio-Temporal Monge Alignment [59.75420353684495]
コンピュータビジョンやバイオメディカルデータなどの信号に対する機械学習の応用は、ハードウェアデバイスやセッション記録にまたがる変動のため、しばしば課題に直面している。
本研究では,これらの変動を緩和するために,時空間モンジュアライメント(STMA)を提案する。
我々はSTMAが、非常に異なる設定で取得したデータセット間で、顕著で一貫したパフォーマンス向上をもたらすことを示す。
論文 参考訳(メタデータ) (2024-07-19T13:33:38Z) - 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) - 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) - 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) - 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) - 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)
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。