論文の概要: Dsfer-Net: A Deep Supervision and Feature Retrieval Network for
Bitemporal Change Detection Using Modern Hopfield Networks
- arxiv url: http://arxiv.org/abs/2304.01101v1
- Date: Mon, 3 Apr 2023 16:01:03 GMT
- ステータス: 処理完了
- システム内更新日: 2023-04-04 14:34:29.893829
- Title: Dsfer-Net: A Deep Supervision and Feature Retrieval Network for
Bitemporal Change Detection Using Modern Hopfield Networks
- Title(参考訳): Dsfer-Net:近代ホップフィールドネットワークを用いたバイテンポラル変化検出のための深層スーパービジョンと特徴検索ネットワーク
- Authors: Shizhen Chang, Michael Kopp, Pedram Ghamisi
- Abstract要約: 本稿では,バイテンポラル変化検出のためのDeep Supervision and feature Retrieval Network (Dsfer-Net)を提案する。
具体的には、バイテンポラル画像の高度に代表的な深い特徴を、完全に畳み込みされたシームズネットワークを通じて、共同で抽出する。
また,特徴検索モジュールを設計し,特徴の差分を抽出し,識別情報を深く教師された方法で活用する。
- 参考スコア(独自算出の注目度): 12.719327447589345
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Change detection, as an important application for high-resolution remote
sensing images, aims to monitor and analyze changes in the land surface over
time. With the rapid growth in the quantity of high-resolution remote sensing
data and the complexity of texture features, a number of quantitative deep
learning-based methods have been proposed. Although these methods outperform
traditional change detection methods by extracting deep features and combining
spatial-temporal information, reasonable explanations about how deep features
work on improving the detection performance are still lacking. In our
investigations, we find that modern Hopfield network layers achieve
considerable performance in semantic understandings. In this paper, we propose
a Deep Supervision and FEature Retrieval network (Dsfer-Net) for bitemporal
change detection. Specifically, the highly representative deep features of
bitemporal images are jointly extracted through a fully convolutional Siamese
network. Based on the sequential geo-information of the bitemporal images, we
then design a feature retrieval module to retrieve the difference feature and
leverage discriminative information in a deeply supervised manner. We also note
that the deeply supervised feature retrieval module gives explainable proofs
about the semantic understandings of the proposed network in its deep layers.
Finally, this end-to-end network achieves a novel framework by aggregating the
retrieved features and feature pairs from different layers. Experiments
conducted on three public datasets (LEVIR-CD, WHU-CD, and CDD) confirm the
superiority of the proposed Dsfer-Net over other state-of-the-art methods. Code
will be available online (https://github.com/ShizhenChang/Dsfer-Net).
- Abstract(参考訳): 高解像度リモートセンシング画像への重要な応用として,地表面の変化の監視と解析が目的である。
高解像度リモートセンシングデータの量の増加とテクスチャの特徴の複雑さにより、多くの定量的深層学習手法が提案されている。
これらの手法は,深部特徴抽出と空間時空間情報の組み合わせによって従来の変化検出手法を上回っているが,検出性能向上における深い特徴の作用についての合理的な説明はいまだに欠けている。
本研究では,現代のホップフィールドネットワーク層がセマンティック理解においてかなりの性能を発揮することを示す。
本稿では,バイテンポラル変化検出のためのDeep Supervision and feature Retrieval Network (Dsfer-Net)を提案する。
具体的には,完全畳み込み型シャムネットワークを用いて,バイテンポラル画像の高度に代表される深い特徴を抽出する。
バイテンポラル画像の逐次的地理情報に基づいて特徴検索モジュールを設計し,特徴特徴を抽出し,識別情報を深く教師された方法で活用する。
また,教師付き特徴検索モジュールは,提案するネットワークの深い層における意味的理解について説明可能な証明を与える。
最後に、このエンドツーエンドネットワークは、異なるレイヤから取得した特徴と特徴ペアを集約することで、新しいフレームワークを実現する。
3つの公開データセット(LEVIR-CD、WHU-CD、CDD)で実施された実験は、提案したDsfer-Netが他の最先端手法よりも優れていることを確認した。
コードはオンラインで入手できる(https://github.com/ShizhenChang/Dsfer-Net)。
関連論文リスト
- AMANet: Advancing SAR Ship Detection with Adaptive Multi-Hierarchical
Attention Network [0.5437298646956507]
適応型多階層型アテンションモジュール (AMAM) を提案する。
まず,隣り合う特徴層からの情報を融合して,より小さなターゲットの検出を強化し,マルチスケールな特徴強調を実現する。
第3に,AMAMをバックボーンネットワークと特徴ピラミッドネットワークに埋め込むことにより,適応型多階層アテンションネットワーク(AMANet)を提案する。
論文 参考訳(メタデータ) (2024-01-24T03:56:33Z) - AGO-Net: Association-Guided 3D Point Cloud Object Detection Network [86.10213302724085]
ドメイン適応によるオブジェクトの無傷な特徴を関連付ける新しい3D検出フレームワークを提案する。
我々は,KITTIの3D検出ベンチマークにおいて,精度と速度の両面で最新の性能を実現する。
論文 参考訳(メタデータ) (2022-08-24T16:54:38Z) - Pyramid Grafting Network for One-Stage High Resolution Saliency
Detection [29.013012579688347]
我々は、異なる解像度画像から特徴を独立して抽出する、Praamid Grafting Network (PGNet) と呼ばれるワンステージフレームワークを提案する。
CNNブランチが壊れた詳細情報をよりホモロジーに組み合わせられるように、アテンションベースのクロスモデルグラフティングモジュール (CMGM) が提案されている。
我々は,4K-8K解像度で5,920個の画像を含む超高分解能塩度検出データセットUHRSDを新たに提供した。
論文 参考訳(メタデータ) (2022-04-11T12:22:21Z) - MD-CSDNetwork: Multi-Domain Cross Stitched Network for Deepfake
Detection [80.83725644958633]
現在のディープフェイク生成法では、偽画像やビデオの周波数スペクトルに識別的アーティファクトが残されている。
MD-CSDNetwork(MD-CSDNetwork)と呼ばれる新しい手法を提案する。
論文 参考訳(メタデータ) (2021-09-15T14:11:53Z) - DS-Net: Dynamic Spatiotemporal Network for Video Salient Object
Detection [78.04869214450963]
時間情報と空間情報のより効果的な融合のための新しい動的時空間ネットワーク(DSNet)を提案する。
提案手法は最先端アルゴリズムよりも優れた性能が得られることを示す。
論文 参考訳(メタデータ) (2020-12-09T06:42:30Z) - D-Unet: A Dual-encoder U-Net for Image Splicing Forgery Detection and
Localization [108.8592577019391]
画像スプライシング偽造検出は、画像指紋によって改ざんされた領域と非改ざんされた領域を区別するグローバルバイナリ分類タスクである。
画像スプライシングフォージェリ検出のためのデュアルエンコーダU-Net(D-Unet)という,固定されていないエンコーダと固定エンコーダを用いた新しいネットワークを提案する。
D-Unetと最先端技術の比較実験において、D-Unetは画像レベルおよび画素レベルの検出において他の手法よりも優れていた。
論文 参考訳(メタデータ) (2020-12-03T10:54:02Z) - MSDPN: Monocular Depth Prediction with Partial Laser Observation using
Multi-stage Neural Networks [1.1602089225841632]
深層学習に基づくマルチステージネットワークアーキテクチャであるMulti-Stage Depth Prediction Network (MSDPN)を提案する。
MSDPNは2次元LiDARと単眼カメラを用いて深度マップを予測する。
実験により,本ネットワークは最先端手法に対して有望な性能を示す。
論文 参考訳(メタデータ) (2020-08-04T08:27:40Z) - Ventral-Dorsal Neural Networks: Object Detection via Selective Attention [51.79577908317031]
我々はVDNet(Ventral-Dorsal Networks)と呼ばれる新しいフレームワークを提案する。
人間の視覚システムの構造にインスパイアされた我々は「Ventral Network」と「Dorsal Network」の統合を提案する。
実験の結果,提案手法は最先端の物体検出手法よりも優れていることがわかった。
論文 参考訳(メタデータ) (2020-05-15T23:57:36Z) - 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) - From W-Net to CDGAN: Bi-temporal Change Detection via Deep Learning
Techniques [43.58400031452662]
W-Netと呼ばれるエンドツーエンドのデュアルブランチアーキテクチャを提案し、各ブランチは2つのバイテンポラルイメージのうちの1つを入力として取り込む。
また、最近人気になったGAN(Generative Adversarial Network)を応用し、当社のW-Netがジェネレータとして機能している。
ネットワークをトレーニングし,今後の研究を促進するために,Google Earthから画像を収集して大規模なデータセットを構築する。
論文 参考訳(メタデータ) (2020-03-14T09:24:08Z) - Cross-layer Feature Pyramid Network for Salient Object Detection [102.20031050972429]
本稿では,有能な物体検出における進行的融合を改善するために,新しいクロス層特徴ピラミッドネットワークを提案する。
レイヤごとの分散機能は、他のすべてのレイヤからセマンティクスと健全な詳細の両方を同時に所有し、重要な情報の損失を減らします。
論文 参考訳(メタデータ) (2020-02-25T14:06:27Z)
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。