論文の概要: DiffUCD:Unsupervised Hyperspectral Image Change Detection with Semantic Correlation Diffusion Model

• arxiv url: http://arxiv.org/abs/2305.12410v1
• Date: Sun, 21 May 2023 09:21:41 GMT
• ステータス: 処理完了
• システム内更新日: 2023-05-23 20:44:45.426127
• Title: DiffUCD:Unsupervised Hyperspectral Image Change Detection with Semantic Correlation Diffusion Model
• Title（参考訳）: DiffUCD:意味相関拡散モデルを用いた教師なしハイパースペクトル画像変化検出
• Authors: Xiangrong Zhang, Shunli Tian, Guanchun Wang, Huiyu Zhou, and Licheng Jiao
• Abstract要約: ハイパースペクトル画像変化検出(HSI-CD)はリモートセンシングにおいて重要な研究領域となっている。 意味相関拡散モデル(DiffUCD)を用いた新しい教師なしHSI-CDを提案する。 提案手法は,多数のサンプルを必要とする完全教師付き手法に匹敵する結果が得られる。
• 参考スコア（独自算出の注目度）: 46.68717345017946
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Hyperspectral image change detection (HSI-CD) has emerged as a crucial research area in remote sensing due to its ability to detect subtle changes on the earth's surface. Recently, diffusional denoising probabilistic models (DDPM) have demonstrated remarkable performance in the generative domain. Apart from their image generation capability, the denoising process in diffusion models can comprehensively account for the semantic correlation of spectral-spatial features in HSI, resulting in the retrieval of semantically relevant features in the original image. In this work, we extend the diffusion model's application to the HSI-CD field and propose a novel unsupervised HSI-CD with semantic correlation diffusion model (DiffUCD). Specifically, the semantic correlation diffusion model (SCDM) leverages abundant unlabeled samples and fully accounts for the semantic correlation of spectral-spatial features, which mitigates pseudo change between multi-temporal images arising from inconsistent imaging conditions. Besides, objects with the same semantic concept at the same spatial location may exhibit inconsistent spectral signatures at different times, resulting in pseudo change. To address this problem, we propose a cross-temporal contrastive learning (CTCL) mechanism that aligns the spectral feature representations of unchanged samples. By doing so, the spectral difference invariant features caused by environmental changes can be obtained. Experiments conducted on three publicly available datasets demonstrate that the proposed method outperforms the other state-of-the-art unsupervised methods in terms of Overall Accuracy (OA), Kappa Coefficient (KC), and F1 scores, achieving improvements of approximately 3.95%, 8.13%, and 4.45%, respectively. Notably, our method can achieve comparable results to those fully supervised methods requiring numerous annotated samples.
• Abstract（参考訳）: ハイパースペクトル画像変化検出(HSI-CD)は、地球表面の微妙な変化を検出する能力により、リモートセンシングにおいて重要な研究領域となっている。 近年,拡散復調確率モデル (DDPM) は生成領域において顕著な性能を示した。 画像生成能力とは別に、拡散モデルにおける分極過程は、HSIにおけるスペクトル空間的特徴のセマンティックな相関を包括的に説明することができ、結果として元の画像における意味論的特徴の検索が可能となる。 本研究では,拡散モデルの適用範囲をHSI-CDフィールドに拡張し,意味相関拡散モデル(DiffUCD)を用いた新しい教師なしHSI-CDを提案する。 具体的には、意味相関拡散モデル(SCDM)は、豊富なラベル付きサンプルを活用し、スペクトル空間的特徴のセマンティック相関を十分に考慮し、不整合撮像条件から生じる多重時間画像間の擬似変化を緩和する。 さらに、同じ空間位置で同じ意味概念を持つオブジェクトは、異なるタイミングで矛盾するスペクトルシグネチャを示し、擬似的な変化をもたらす。 この問題に対処するために,不規則なサンプルのスペクトル特徴表現を整列する横断的コントラスト学習(CTCL)機構を提案する。 これにより、環境変化に起因するスペクトル差不変特性を得ることができる。 3つの公開データセットで実施された実験により、提案手法は、総合的精度(OA)、カッパ係数(KC)、F1スコアにおいて、他の最先端の教師なし手法よりも優れており、それぞれ約3.95%、8.13%、および4.45%の改善が達成されている。 特に,本手法は,多数の注釈サンプルを必要とする完全教師付き手法に匹敵する結果が得られる。

関連論文リスト

• Anisotropic Diffusion Probabilistic Model for Imbalanced Image Classification [8.364943466191933]
  非平衡画像分類問題に対する異方性拡散確率モデル(ADPM)を提案する。 我々は,データ分布を用いて,前処理中の異なるクラスサンプルの拡散速度を制御し,逆処理におけるデノイザの分類精度を効果的に向上する。 その結果, 異方性拡散モデルにより, ヘッドクラスの精度を維持しつつ, 希少クラスの分類精度が著しく向上することが確認された。
  論文  参考訳（メタデータ） (2024-09-22T04:42:52Z)
• Diffusion based multi-domain neuroimaging harmonization method with preservation of anatomical details [0.0]
  マルチセンター・ニューロイメージング研究は、サイト間のバッチ差による技術的変動に直面している。 GAN(Generative Adversarial Networks)は、画像調和タスクに対処するための重要な手法である。 我々は神経画像調和のための拡散モデルの有効性を評価した。
  論文  参考訳（メタデータ） (2024-09-01T18:54:00Z)
• StealthDiffusion: Towards Evading Diffusion Forensic Detection through Diffusion Model [62.25424831998405]
  StealthDiffusionは、AI生成した画像を高品質で受け入れがたい敵の例に修正するフレームワークである。 ホワイトボックスとブラックボックスの設定の両方で有効であり、AI生成した画像を高品質な敵の偽造に変換する。
  論文  参考訳（メタデータ） (2024-08-11T01:22:29Z)
• GLAD: Towards Better Reconstruction with Global and Local Adaptive Diffusion Models for Unsupervised Anomaly Detection [60.78684630040313]
  拡散モデルは、特定のノイズを付加したテスト画像の通常の画像を再構成する傾向がある。 世界的視点から見ると、異なる異常による画像再構成の難しさは不均一である。 本稿では,非教師付き異常検出のためのグローバルかつ局所的な適応拡散モデル(GLADと略す)を提案する。
  論文  参考訳（メタデータ） (2024-06-11T17:27:23Z)
• Trinity Detector:text-assisted and attention mechanisms based spectral fusion for diffusion generation image detection [3.8473504915778745]
  Trinity Detectorは、CLIPエンコーダを通じて粗粒度のテキスト機能を組み込んで、ピクセル領域の細粒度のアーティファクトとコヒーレントに統合して、包括的なマルチモーダル検出を行う。 当社のパフォーマンスは、すべてのデータセットで競争力があり、拡散データセットの転送性は最大17.6%向上しています。
  論文  参考訳（メタデータ） (2024-04-26T08:50:35Z)
• A Geometric Perspective on Diffusion Models [57.27857591493788]
  本稿では,人気のある分散拡散型SDEのODEに基づくサンプリングについて検討する。 我々は、最適なODEベースのサンプリングと古典的な平均シフト(モード探索)アルゴリズムの理論的関係を確立する。
  論文  参考訳（メタデータ） (2023-05-31T15:33:16Z)
• A Variational Perspective on Solving Inverse Problems with Diffusion Models [101.831766524264]
  逆タスクは、データ上の後続分布を推測するものとして定式化することができる。 しかし、拡散過程の非線形的かつ反復的な性質が後部を引き付けるため、拡散モデルではこれは困難である。 そこで我々は,真の後続分布を近似する設計手法を提案する。
  論文  参考訳（メタデータ） (2023-05-07T23:00:47Z)
• DDS2M: Self-Supervised Denoising Diffusion Spatio-Spectral Model for Hyperspectral Image Restoration [103.79030498369319]
  ハイパースペクトル画像復元のための自己教師付き拡散モデルを提案する。 textttDDS2Mは、既存の拡散法と比較して、より強力な一般化能力を持っている。 HSIのノイズ除去、ノイズ除去、様々なHSIの超解像実験は、既存のタスク固有状態よりもtextttDDS2Mの方が優れていることを示した。
  論文  参考訳（メタデータ） (2023-03-12T14:57:04Z)
• Multi-Temporal Spatial-Spectral Comparison Network for Hyperspectral Anomalous Change Detection [32.23764287942984]
  MTC-NET(Hyperspectral Anomalous Change Detection)のためのマルチテンポラル空間スペクトル比較ネットワークの提案を行った。 モデル全体はディープ・サイムズ・ネットワークであり、コントラスト学習により高スペクトル画像からの複雑な撮像条件から生じるスペクトル差を学習することを目的としている。 Viareggio 2013データセットの実験では、提案されたMCC-NETの有効性が示されている。
  論文  参考訳（メタデータ） (2022-05-23T15:41:27Z)

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。