論文の概要: Unsupervised CD in satellite image time series by contrastive learning and feature tracking

• arxiv url: http://arxiv.org/abs/2304.11375v1
• Date: Sat, 22 Apr 2023 11:19:19 GMT
• ステータス: 処理完了
• システム内更新日: 2023-04-25 18:48:09.801165
• Title: Unsupervised CD in satellite image time series by contrastive learning and feature tracking
• Title（参考訳）: コントラスト学習と特徴追跡による衛星画像時系列における教師なしCD
• Authors: Yuxing Chen, Lorenzo Bruzzone
• Abstract要約: 特徴追跡を用いたコントラスト学習を用いた衛星画像時系列における教師なし変化検出のための2段階のアプローチを提案する。 事前学習したモデルから擬似ラベルを抽出し,特徴追跡を用いて画像時系列間で伝達することにより,擬似ラベルの一貫性を改善し,長期リモートセンシング画像時系列における季節変化の課題に対処する。
• 参考スコア（独自算出の注目度）: 15.148034487267635
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: While unsupervised change detection using contrastive learning has been significantly improved the performance of literature techniques, at present, it only focuses on the bi-temporal change detection scenario. Previous state-of-the-art models for image time-series change detection often use features obtained by learning for clustering or training a model from scratch using pseudo labels tailored to each scene. However, these approaches fail to exploit the spatial-temporal information of image time-series or generalize to unseen scenarios. In this work, we propose a two-stage approach to unsupervised change detection in satellite image time-series using contrastive learning with feature tracking. By deriving pseudo labels from pre-trained models and using feature tracking to propagate them among the image time-series, we improve the consistency of our pseudo labels and address the challenges of seasonal changes in long-term remote sensing image time-series. We adopt the self-training algorithm with ConvLSTM on the obtained pseudo labels, where we first use supervised contrastive loss and contrastive random walks to further improve the feature correspondence in space-time. Then a fully connected layer is fine-tuned on the pre-trained multi-temporal features for generating the final change maps. Through comprehensive experiments on two datasets, we demonstrate consistent improvements in accuracy on fitting and inference scenarios.
• Abstract（参考訳）: コントラスト学習を用いた教師なし変化検出は文学的手法の性能を著しく向上させたが,現在では2つの時間的変化検出シナリオのみに焦点を当てている。 画像時系列変化検出のための従来の最先端モデルでは、各シーンに合わせた擬似ラベルを使用して、スクラッチからモデルをクラスタリングまたはトレーニングするために学習した機能をしばしば使用する。 しかし、これらの手法は、画像時系列の時空間情報を利用することができず、見えないシナリオに一般化する。 本研究では,コントラスト学習と特徴追跡を用いた衛星画像時系列の教師なし変化検出手法を提案する。 事前学習したモデルから擬似ラベルを抽出し,特徴追跡を用いて画像時系列間で伝達することにより,擬似ラベルの一貫性を改善し,長期リモートセンシング画像時系列における季節変化の課題に対処する。 得られた擬似ラベルに対して,convlstmを用いた自己学習アルゴリズムを採用し,教師付きコントラスト損失とコントラストランダムウォークを用いて,時空間的特徴対応をさらに改善した。 そして、最終変更マップを生成するための事前訓練された多時的特徴の上に、完全連結層を微調整する。 2つのデータセットに関する包括的な実験を通じて、適合シナリオと推論シナリオの精度が一貫した改善を示す。

関連論文リスト

• Test-Time Intensity Consistency Adaptation for Shadow Detection [35.03354405371279]
  TICAは、テスト時間適応時の光強度情報を利用して、影検出精度を高める新しいフレームワークである。 基本的なエンコーダ・デコーダモデルは、最初はシャドー検出のためのラベル付きデータセットでトレーニングされる。 テストフェーズでは、一貫した強度予測を行うことで、各テストサンプルに対してネットワークを調整する。
  論文  参考訳（メタデータ） (2024-10-10T08:08:32Z)
• TrajSSL: Trajectory-Enhanced Semi-Supervised 3D Object Detection [59.498894868956306]
  Pseudo-labeling approach to semi-supervised learning は教師-学生の枠組みを採用する。 我々は、事前学習した動き予測モデルを活用し、擬似ラベル付きデータに基づいて物体軌跡を生成する。 提案手法は2つの異なる方法で擬似ラベル品質を向上する。
  論文  参考訳（メタデータ） (2024-09-17T05:35:00Z)
• Graph Spatiotemporal Process for Multivariate Time Series Anomaly Detection with Missing Values [67.76168547245237]
  本稿では,グラフ時間過程と異常スコアラを用いて異常を検出するGST-Proという新しいフレームワークを提案する。 実験結果から,GST-Pro法は時系列データ中の異常を効果的に検出し,最先端の手法より優れていることがわかった。
  論文  参考訳（メタデータ） (2024-01-11T10:10:16Z)
• Graph-Aware Contrasting for Multivariate Time-Series Classification [50.84488941336865]
  既存のコントラスト学習手法は主に、時間的拡張とコントラスト技術による時間的一貫性を達成することに焦点を当てている。 MTSデータ間の空間的整合性を考慮したグラフ認識コントラストを提案する。 提案手法は,様々なMSS分類タスクにおける最先端性能を実現する。
  論文  参考訳（メタデータ） (2023-09-11T02:35:22Z)
• Self-Pair: Synthesizing Changes from Single Source for Object Change Detection in Remote Sensing Imagery [6.586756080460231]
  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。
  論文  参考訳（メタデータ） (2022-12-20T13:26:42Z)
• Spatio-temporal predictive tasks for abnormal event detection in videos [60.02503434201552]
  オブジェクトレベルの正規化パターンを学習するための制約付きプレテキストタスクを提案する。 我々のアプローチは、ダウンスケールの視覚的クエリとそれに対応する正常な外観と運動特性のマッピングを学習することである。 いくつかのベンチマークデータセットの実験では、異常の局所化と追跡のためのアプローチの有効性が示されている。
  論文  参考訳（メタデータ） (2022-10-27T19:45:12Z)
• SatMAE: Pre-training Transformers for Temporal and Multi-Spectral Satellite Imagery [74.82821342249039]
  Masked Autoencoder(MAE)に基づく時間・マルチスペクトル衛星画像の事前学習フレームワークであるSatMAEについて述べる。 時間的情報を活用するために、時間にわたって画像パッチを個別にマスキングする時間的埋め込みを含む。
  論文  参考訳（メタデータ） (2022-07-17T01:35:29Z)
• Video Shadow Detection via Spatio-Temporal Interpolation Consistency Training [31.115226660100294]
  本稿では、ラベル付き画像とともにラベル付きビデオフレームを画像陰影検出ネットワークトレーニングに供給するフレームワークを提案する。 次に,画素ワイド分類における一般化の促進のために,空間的および時間的整合性の制約を導出する。 さらに,画像のマルチスケール影知識学習のためのスケール・アウェア・ネットワークを設計する。
  論文  参考訳（メタデータ） (2022-06-17T14:29:51Z)
• 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)
• Self-supervised pre-training enhances change detection in Sentinel-2 imagery [10.245231210675938]
  我々は,世界中の1520都市地域の複数時間画像ペアを含むSentinel-2 Multitemporal Cities Pairs(S2MTCP)データセットを構築し,公開する。 変更検出のための事前学習モデルのための複数の自己監視学習方法の結果をテストし、Sentinel-2イメージペア(OSCD)からなるパブリックチェンジ検出データセットに適用する。
  論文  参考訳（メタデータ） (2021-01-20T13:47:25Z)
• Temporal signals to images: Monitoring the condition of industrial assets with deep learning image processing algorithms [3.9023554886892438]
  本稿では,文献に見られる画像符号化手法の信号について概説する。 我々は、大規模なデータセットの変動性に対してより堅牢になるように、元の定式化のいくつかを変更することを提案する。 選択された符号化方法は、Gramian Angular Field、Markov Transition Field、Recurrentence plot、グレイスケールエンコーディング、Spectrogram、 scalogramである。
  論文  参考訳（メタデータ） (2020-05-14T14:42:06Z)

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。