論文の概要: Change detection needs change information: improving deep 3D point cloud change detection

• arxiv url: http://arxiv.org/abs/2304.12639v2
• Date: Mon, 29 Jan 2024 16:59:29 GMT
• ステータス: 処理完了
• システム内更新日: 2024-01-30 22:54:19.368343
• Title: Change detection needs change information: improving deep 3D point cloud change detection
• Title（参考訳）: 変更検出に必要な情報:深い3dポイントのクラウド変更検出を改善する
• Authors: Iris de G\'elis (1 and 2), Thomas Corpetti (3) and S\'ebastien Lef\`evre (2) ((1) Magellium, (2) Institut de Recherche en Informatique et Syst\`emes Al\'eatoires IRISA - UMR 6074 - Universit\'e Bretagne Sud, (3) Littoral - Environnement - T\'el\'ed\'etection - G\'eomatique LETG - UMR 6554 - Universit\'e Rennes 2)
• Abstract要約: 変更検出は、修正された領域を迅速に識別する重要なタスクである。 本研究では,3次元点雲(PC)を直接利用して情報損失を回避することに焦点を当てた。 3次元PC変更セグメンテーションに対処するアーキテクチャとして,OneConvFusion, Triplet KPConv, Fusion SiamKPConvの3つを提案する。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Change detection is an important task that rapidly identifies modified areas, particularly when multi-temporal data are concerned. In landscapes with a complex geometry (e.g., urban environment), vertical information is a very useful source of knowledge that highlights changes and classifies them into different categories. In this study, we focus on change segmentation using raw three-dimensional (3D) point clouds (PCs) directly to avoid any information loss due to the rasterization processes. While deep learning has recently proven its effectiveness for this particular task by encoding the information through Siamese networks, we investigate herein the idea of also using change information in the early steps of deep networks. To do this, we first propose to provide a Siamese KPConv state-of-the-art (SoTA) network with hand-crafted features, especially a change-related one, which improves the mean of the Intersection over Union (IoU) over the classes of change by 4.70%. Considering that a major improvement is obtained due to the change-related feature, we then propose three new architectures to address 3D PC change segmentation: OneConvFusion, Triplet KPConv, and Encoder Fusion SiamKPConv. All these networks consider the change information in the early steps and outperform the SoTA methods. In particular, Encoder Fusion SiamKPConv overtakes the SoTA approaches by more than 5% of the mean of the IoU over the classes of change, emphasizing the value of having the network focus on change information for the change detection task. The code is available at https://github.com/IdeGelis/torch-points3d-SiamKPConvVariants.
• Abstract（参考訳）: 変更検出は、特にマルチテンポラリデータに関して、変更領域を迅速に識別する重要なタスクである。 複雑な幾何学(都市環境など)を持つ風景では、垂直情報は非常に有用な知識源であり、変化を強調し、それらを異なるカテゴリーに分類する。 本研究では,ラスタ化プロセスによる情報損失を回避するために,生3次元3次元点雲(PC)を直接利用した変更セグメンテーションに着目した。 ディープ・ラーニングは近年,シームズ・ネットワークを通じて情報をエンコードすることで,このタスクの有効性を証明しているが,本研究では,ディープ・ネットワークの初期段階における変更情報の利用についても検討する。 そこで我々はまず,手作り機能を備えたSamese KPConv State-of-the-art(SoTA)ネットワーク,特に変化関連機能を提供することを提案し,変化のクラスに対するIoU(Intersection over Union)の平均値を4.70%向上させる。 変更関連機能により大きな改善が得られたことを考慮し、oneconvfusion、triplet kpconv、エンコーダfusion siamkpconvという3次元pc変更セグメンテーションに対応する3つの新しいアーキテクチャを提案する。 これらのネットワークは、初期段階での変更情報を考慮し、SoTA法より優れている。 特に、Encoder Fusion SiamKPConvは、IoUの平均値の5%以上をSoTAアプローチに乗じており、ネットワークが変更検出タスクの変更情報に集中していることの価値を強調している。 コードはhttps://github.com/idegelis/torch-points3d-siamkpconvvariantsで入手できる。

関連論文リスト

• Change Guiding Network: Incorporating Change Prior to Guide Change Detection in Remote Sensing Imagery [6.5026098921977145]
  本研究では,変化特徴の表現問題に対処するためにCGNet(Change Guiding Network)を設計する。 CGNetは、マルチスケール機能融合を導くために、リッチなセマンティック情報を持つ変更マップを生成する。 Change Guide Module (CGM) と呼ばれる自己保持モジュールは、画素間の長距離依存を効果的に捉えることができる。
  論文  参考訳（メタデータ） (2024-04-14T08:09:33Z)
• ELGC-Net: Efficient Local-Global Context Aggregation for Remote Sensing Change Detection [65.59969454655996]
  本稿では,変化領域を正確に推定するために,リッチな文脈情報を利用する効率的な変化検出フレームワークELGC-Netを提案する。 提案するELGC-Netは、リモートセンシング変更検出ベンチマークにおいて、最先端の性能を新たに設定する。 また,ELGC-Net-LWも導入した。
  論文  参考訳（メタデータ） (2024-03-26T17:46:25Z)
• MS-Former: Memory-Supported Transformer for Weakly Supervised Change Detection with Patch-Level Annotations [50.79913333804232]
  弱い教師付き変化検出のためのメモリ支援トランス (MS-Former) を提案する。 MS-Former は双方向注意ブロック (BAB) とパッチレベルの監視スキーム (PSS) から構成される。 3つのベンチマークデータセットの実験結果から,提案手法の有効性が示された。
  論文  参考訳（メタデータ） (2023-11-16T09:57:29Z)
• Explicit Change Relation Learning for Change Detection in VHR Remote Sensing Images [12.228675703851733]
  変更関係の特徴を明示的にマイニングするためのネットワークアーキテクチャNAMEを提案する。 変更検出の変更特徴は、事前変更画像特徴、後変更画像特徴、変更関係特徴に分けられる。 我々のネットワークは、F1、IoU、OAの点で、変更検出のための既存の先進的なネットワークよりも優れています。
  論文  参考訳（メタデータ） (2023-11-14T08:47:38Z)
• Research on self-cross transformer model of point cloud change detecter [2.3838507844983248]
  3次元点雲における変化検出の研究において、研究者は3次元点雲に関する様々な研究手法を公表した。 深層学習はリモートセンシング手法で用いられるが、3次元点雲の変化検出では2次元パッチに変換される。 本稿では,3次元点雲変化検出のためのネットワークを構築し,新しいモジュールCross Transformerを提案する。
  論文  参考訳（メタデータ） (2023-09-14T05:54:54Z)
• Self-Supervised Monocular Depth Estimation by Direction-aware Cumulative Convolution Network [80.19054069988559]
  自己教師付き単眼深度推定は, 方向感度と環境依存性を示す。 本稿では2つの側面において深度表現を改善する方向対応累積畳み込みネットワーク(DaCCN)を提案する。 実験の結果,提案手法は広く使用されている3つのベンチマークにおいて大幅な改善が得られた。
  論文  参考訳（メタデータ） (2023-08-10T14:32:18Z)
• T-UNet: Triplet UNet for Change Detection in High-Resolution Remote Sensing Images [5.849243433046327]
  現在、ほとんどの変更検出方法は、シームズネットワーク構造または初期の核融合構造に基づいている。 本稿では,3分岐エンコーダをベースとしたTriplet UNet(T-UNet)を提案する。 デコーダの段階では、詳細なテクスチャ情報を完全にマイニングし統合するためのチャネルアテンション機構(CAM)と空間アテンション機構(SAM)を導入する。
  論文  参考訳（メタデータ） (2023-08-04T14:44:11Z)
• SARAS-Net: Scale and Relation Aware Siamese Network for Change Detection [6.12477318852572]
  変化検出(CD)は、異なるタイミングで2つの画像の違いを見つけ、その領域が変化したか否かを表す変更マップを出力することを目的としている。 多くのState-of-The-Art(SoTA)メソッドは、強力な識別能力を持つディープラーニングモデルを設計する。 本稿では,この問題に対処するためのネットワークであるスケール・アンド・リレーション・アウェア・シームズ・ネットワーク(SARAS-Net)を提案する。
  論文  参考訳（メタデータ） (2022-12-02T16:30:33Z)
• The Change You Want to See [91.3755431537592]
  同じシーンの2つのイメージが与えられた場合、その変更を自動的に検出できることは、様々な領域で実用的応用をもたらす。 画像対の「オブジェクトレベル」変化を、視点や照明の違いにかかわらず検出することを目的として、変化検出問題に取り組む。
  論文  参考訳（メタデータ） (2022-09-28T18:10:09Z)
• Deep Point Cloud Reconstruction [74.694733918351]
  3Dスキャンから得られる点雲は、しばしばスパース、ノイズ、不規則である。 これらの問題に対処するため、最近の研究は別々に行われ、不正確な点雲を密度化、復調し、完全な不正確な点雲を観測している。 本研究では,1) 初期密度化とデノナイズのための3次元スパース集積時間ガラスネットワーク,2) 離散ボクセルを3Dポイントに変換するトランスフォーマーによる改良,の2段階からなる深部点雲再構成ネットワークを提案する。
  論文  参考訳（メタデータ） (2021-11-23T07:53:28Z)
• Progressive Coordinate Transforms for Monocular 3D Object Detection [52.00071336733109]
  本稿では,学習座標表現を容易にするために,PCT(Em Progressive Coordinate Transforms)と呼ばれる,新しい軽量なアプローチを提案する。 本稿では,学習座標表現を容易にするために,PCT(Em Progressive Coordinate Transforms)と呼ばれる,新しい軽量なアプローチを提案する。
  論文  参考訳（メタデータ） (2021-08-12T15:22:33Z)

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。