Fugu-MT 論文翻訳(概要): Align, Perturb and Decouple: Toward Better Leverage of Difference Information for RSI Change Detection

論文の概要: Align, Perturb and Decouple: Toward Better Leverage of Difference Information for RSI Change Detection

arxiv url: http://arxiv.org/abs/2305.18714v1
Date: Tue, 30 May 2023 03:39:53 GMT
ステータス: 処理完了
システム内更新日: 2023-05-31 18:40:57.497636
Title: Align, Perturb and Decouple: Toward Better Leverage of Difference Information for RSI Change Detection
Title（参考訳）: 配向・摂動・解離:RSI変化検出のための差分情報のより良い活用を目指して
Authors: Supeng Wang, Yuxi Li, Ming Xie, Mingmin Chi, Yabiao Wang, Chengjie Wang, Wenbing Zhu
Abstract要約: 変化検出は、リモートセンシング画像(RSI)解析において広く採用されている手法である。そこで我々は,アライメント,摂動,デカップリングといった差分情報を完全に活用するための一連の操作を提案する。
参考スコア（独自算出の注目度）: 24.249552791014644
License: http://creativecommons.org/licenses/by/4.0/
Abstract: Change detection is a widely adopted technique in remote sense imagery (RSI) analysis in the discovery of long-term geomorphic evolution. To highlight the areas of semantic changes, previous effort mostly pays attention to learning representative feature descriptors of a single image, while the difference information is either modeled with simple difference operations or implicitly embedded via feature interactions. Nevertheless, such difference modeling can be noisy since it suffers from non-semantic changes and lacks explicit guidance from image content or context. In this paper, we revisit the importance of feature difference for change detection in RSI, and propose a series of operations to fully exploit the difference information: Alignment, Perturbation and Decoupling (APD). Firstly, alignment leverages contextual similarity to compensate for the non-semantic difference in feature space. Next, a difference module trained with semantic-wise perturbation is adopted to learn more generalized change estimators, which reversely bootstraps feature extraction and prediction. Finally, a decoupled dual-decoder structure is designed to predict semantic changes in both content-aware and content-agnostic manners. Extensive experiments are conducted on benchmarks of LEVIR-CD, WHU-CD and DSIFN-CD, demonstrating our proposed operations bring significant improvement and achieve competitive results under similar comparative conditions. Code is available at https://github.com/wangsp1999/CD-Research/tree/main/openAPD
Abstract（参考訳）: 変化検出は、リモートセンシング画像(RSI)解析において長期地形変化の発見において広く採用されている手法である。セマンティックな変化の領域を強調するために、以前の取り組みは主に単一のイメージの代表的な特徴記述子を学習することに注意を払っている。しかしながら、このような差分モデリングは、非意味的な変化に悩まされ、画像の内容や文脈からの明確なガイダンスが欠如しているため、うるさい。本稿では,RSIにおける変化検出における特徴差の重要性を再考し,その差分情報(アライメント,摂動,デカップリング)をフル活用するための一連の操作を提案する。まず、アライメントは特徴空間の非意味的な差を補うために文脈的類似性を利用する。次に,semantic-wise perturbationでトレーニングされた差分モジュールを採用して,より一般化された変更推定子を学習し,機能抽出と予測を逆ブートストラップする。最後に、分離されたデュアルデコーダ構造は、コンテンツ認識とコンテンツ非依存の両方における意味的変化を予測するように設計されている。 LEVIR-CD, WHU-CD, DSIFN-CDのベンチマークで大規模な実験を行い, 提案手法により, 同様の条件下での競争結果が得られた。コードはhttps://github.com/wangsp1999/cd-research/tree/main/openapdで入手できる。

関連論文リスト

A Remote Sensing Image Change Detection Method Integrating Layer Exchange and Channel-Spatial Differences [4.370130821531168]
リモートセンシング画像における変化検出は、地球観測にとって重要な技術である。深層学習において、特徴写像の空間次元とチャネル次元は、元の画像と異なる情報を表す。本研究では,両時間的特徴の空間次元だけでなく,チャネル次元からも差分情報を計算できることを見出した。
論文参考訳（メタデータ） (2025-01-19T00:14:20Z)
Detect Changes like Humans: Incorporating Semantic Priors for Improved Change Detection [41.80924135539708]
本稿では,セマンティック・アウェア・チェンジ検出ネットワーク,すなわちSA-CDNetを提案する。人間の視覚パラダイムにインスパイアされた新しいデュアルストリーム特徴デコーダは、変化を区別するために導出される。また,ランドスケープのセマンティック理解を高めるために,単一時間的セマンティック事前学習戦略を設計する。
論文参考訳（メタデータ） (2024-12-22T08:27:15Z)
Binary Code Similarity Detection via Graph Contrastive Learning on Intermediate Representations [52.34030226129628]
バイナリコード類似度検出(BCSD)は、脆弱性検出、マルウェア分析、コードの再利用識別など、多くの分野で重要な役割を果たしている。本稿では,LLVM-IRと高レベルのセマンティック抽象化を利用して,コンパイル差を緩和するIRBinDiffを提案する。 IRBinDiffは1対1の比較と1対多の検索シナリオにおいて,他の主要なBCSD手法よりも優れていることを示す。
論文参考訳（メタデータ） (2024-10-24T09:09:20Z)
Semantic-CC: Boosting Remote Sensing Image Change Captioning via Foundational Knowledge and Semantic Guidance [19.663899648983417]
本稿では,基礎知識と意味指導に基づく新しい変更キャプション(CC)手法を提案する。提案手法を LEVIR-CC および LEVIR-CD データセット上で検証する。
論文参考訳（メタデータ） (2024-07-19T05:07:41Z)
Distractors-Immune Representation Learning with Cross-modal Contrastive Regularization for Change Captioning [71.14084801851381]
変更キャプションは、類似した画像間のセマンティックな変化を簡潔に記述することを目的としている。既存のほとんどの手法は、それらの違いを直接キャプチャし、エラーを起こしやすい特徴を得るリスクを負う。本稿では,2つの画像表現の対応するチャネルを関連づけるイントラクタ免疫表現学習ネットワークを提案する。
論文参考訳（メタデータ） (2024-07-16T13:00:33Z)
Changes-Aware Transformer: Learning Generalized Changes Representation [56.917000244470174]
差分特徴の精細化のための新しい変化認識変換器(CAT)を提案する。様々な変化の一般化表現は、差分特徴空間において容易に学習される。精細化後、差分特徴空間における変化画素同士が近接し、変化検出を容易にする。
論文参考訳（メタデータ） (2023-09-24T12:21:57Z)
Progressive Semantic-Visual Mutual Adaption for Generalized Zero-Shot Learning [74.48337375174297]
一般化ゼロショット学習(GZSL)は、目に見えない領域から移行した知識によって、見えないカテゴリを特定する。プロトタイプと視覚特徴の対応性を段階的にモデル化するために,デュアルセマンティック・ビジュアル・トランスフォーマーモジュール(DSVTM)をデプロイする。 DSVTMは、インスタンス中心のプロトタイプを学習して異なる画像に適応させる、インスタンス駆動セマンティックエンコーダを考案した。
論文参考訳（メタデータ） (2023-03-27T15:21:43Z)
Joint Spatio-Temporal Modeling for the Semantic Change Detection in Remote Sensing Images [22.72105435238235]
両時間RSI間の「から」意味遷移を明示的にモデル化するための意味変化(SCanFormer)を提案する。次に,SCDタスクに忠実な Transformer 時間制約を活用する意味学習手法を導入し,意味変化の学習を指導する。結果として得られたネットワーク(SCanNet)は、決定的意味変化の検出と、得られた両時間的結果のセマンティック一貫性の両方において、ベースライン法より優れている。
論文参考訳（メタデータ） (2022-12-10T08:49:19Z)
HSVA: Hierarchical Semantic-Visual Adaptation for Zero-Shot Learning [74.76431541169342]
ゼロショット学習(ZSL)は、目に見えないクラス認識の問題に取り組み、目に見えないクラスから目に見えないクラスに意味的な知識を移す。本稿では,意味領域と視覚領域を協調させる新しい階層型意味視覚適応(HSVA)フレームワークを提案する。 4つのベンチマークデータセットの実験では、HSVAは従来のZSLと一般的なZSLの両方で優れた性能を示す。
論文参考訳（メタデータ） (2021-09-30T14:27:50Z)
Semantic Change Detection with Asymmetric Siamese Networks [71.28665116793138]
2つの空中画像が与えられた場合、セマンティックチェンジ検出は、土地被覆のバリエーションを特定し、それらの変化タイプをピクセルワイド境界で識別することを目的としている。この問題は、正確な都市計画や天然資源管理など、多くの地球ビジョンに関連するタスクにおいて不可欠である。本研究では, 広く異なる構造を持つモジュールから得られた特徴対を用いて意味変化を同定し, 同定するための非対称システマネットワーク(ASN)を提案する。
論文参考訳（メタデータ） (2020-10-12T13:26:30Z)

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。