論文の概要: Change Diffusion: Change Detection Map Generation Based on
Difference-Feature Guided DDPM
- arxiv url: http://arxiv.org/abs/2306.03424v1
- Date: Tue, 6 Jun 2023 05:51:50 GMT
- ステータス: 処理完了
- システム内更新日: 2023-06-07 17:01:52.340795
- Title: Change Diffusion: Change Detection Map Generation Based on
Difference-Feature Guided DDPM
- Title（参考訳）: 差分誘導DDPMに基づく変化拡散:変化検出マップの生成
- Authors: Yihan Wen, Jialu Sui, Xianping Ma, Wendi Liang, Xiaokang Zhang, Man-On
Pun
- Abstract要約: CADM(change-aware diffusion model)と呼ばれる新しいエンド・ツー・エンドDDPMモデルアーキテクチャを提案する。
動的差分条件符号化を導入し、CDデータセットにおけるバイテンポラル画像に対するDDPMのステップワイズ領域の注意を高める。
我々は,CDD,WHU,Levier,GVLMの4つのリモートセンシングCDタスクにおけるCADMの評価を行った。
- 参考スコア（独自算出の注目度）: 0.8220819920754299
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Deep learning (DL) approaches based on CNN-purely or Transformer networks
have demonstrated promising results in bitemporal change detection (CD).
However, their performance is limited by insufficient contextual information
aggregation, as they struggle to fully capture the implicit contextual
dependency relationships among feature maps at different levels. Additionally,
researchers have utilized pre-trained denoising diffusion probabilistic models
(DDPMs) for training lightweight CD classifiers. Nevertheless, training a DDPM
to generate intricately detailed, multi-channel remote sensing images requires
months of training time and a substantial volume of unlabeled remote sensing
datasets, making it significantly more complex than generating a single-channel
change map. To overcome these challenges, we propose a novel end-to-end
DDPM-based model architecture called change-aware diffusion model (CADM), which
can be trained using a limited annotated dataset quickly. Furthermore, we
introduce dynamic difference conditional encoding to enhance step-wise regional
attention in DDPM for bitemporal images in CD datasets. This method establishes
state-adaptive conditions for each sampling step, emphasizing two main
innovative points of our model: 1) its end-to-end nature and 2) difference
conditional encoding. We evaluate CADM on four remote sensing CD tasks with
different ground scenarios, including CDD, WHU, Levier, and GVLM. Experimental
results demonstrate that CADM significantly outperforms state-of-the-art
methods, indicating the generalization and effectiveness of the proposed model.
- Abstract（参考訳）: CNN-purelyネットワークまたはTransformerネットワークに基づくディープラーニング(DL)アプローチは、バイテンポラル変化検出(CD)において有望な結果を示した。
しかし、それらの性能は、異なるレベルの特徴マップ間の暗黙的な文脈依存関係を完全に捉えるのに苦労するため、十分なコンテキスト情報収集によって制限される。
さらに、研究者は軽量CD分類器の訓練にDDPM(Denoising diffusion Probabilistic Model)を事前訓練した。
それでもddpmを訓練して複雑なマルチチャネルリモートセンシング画像を生成するには、数ヶ月のトレーニング時間と大量のラベルなしリモートセンシングデータセットが必要であり、単一のチャネルの変更マップを生成するよりもはるかに複雑である。
これらの課題を克服するために,変更認識拡散モデル (CADM) と呼ばれる新しいエンド・ツー・エンドDDPMベースのモデルアーキテクチャを提案する。
さらに,動的差分条件符号化を導入し,CDデータセットのバイテンポラル画像に対するDDPMのステップワイズ領域の注意度を高める。
本手法は, サンプリングステップ毎に状態適応条件を定め, モデルの2つの革新的点を強調する。
1)そのエンドツーエンドの性質と
2)差分条件符号化。
我々は,CDD,WHU,Levier,GVLMの4つのリモートセンシングCDタスクにおけるCADMの評価を行った。
実験の結果,CADMは最先端手法よりも優れており,提案モデルの一般化と有効性を示している。
関連論文リスト
- Differentially Private Random Block Coordinate Descent [51.62669821275571]
スケッチ行列を用いて各反復における確率の異なる複数の座標を選択する差分プライベートな座標降下法を提案する。
提案アルゴリズムはDP-CDと従来のDP-SGDの両方を一般化し,有効性を保証する。
論文 参考訳（メタデータ） (2024-12-22T15:06:56Z) - ChangeAnywhere: Sample Generation for Remote Sensing Change Detection via Semantic Latent Diffusion Model [4.677012401985776]
ChangeAnywhereはセマンティック潜伏拡散モデルと単一時間画像を用いた新しいCDサンプル生成手法である。
ChangeAnywhereは2つのCDサンプルをキャプチャする。つまり、変更は意味的に異なることを意味し、非変更は同じ意味的制約の下で合理的な変更を意味する。
ChangeAnywhere-100Kは、さまざまなディープラーニングベースのCDモデルのための2つのCDベンチマークデータセットにおいて、ゼロショットと少数ショットの両方のパフォーマンスを著しく改善した。
論文 参考訳（メタデータ） (2024-04-13T03:46:35Z) - 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) - Exchanging Dual Encoder-Decoder: A New Strategy for Change Detection
with Semantic Guidance and Spatial Localization [10.059696915598392]
セマンティックガイダンスと空間的ローカライゼーションを用いたバイナリ変更検出のための2つのエンコーダ・デコーダ構造を交換した新しい戦略を提案する。
この戦略に基づいてバイナリ変更検出モデルを構築し、それを6つのデータセット上で18の最先端の変更検出手法と比較する。
論文 参考訳（メタデータ） (2023-11-19T11:30:43Z) - AdjointDPM: Adjoint Sensitivity Method for Gradient Backpropagation of Diffusion Probabilistic Models [103.41269503488546]
既存のカスタマイズ方法は、事前訓練された拡散確率モデルをユーザが提供する概念に合わせるために、複数の参照例にアクセスする必要がある。
本論文は、DPMカスタマイズの課題として、生成コンテンツ上で定義された差別化可能な指標が唯一利用可能な監督基準である場合に解決することを目的とする。
本稿では,拡散モデルから新しいサンプルを初めて生成するAdjointDPMを提案する。
次に、随伴感度法を用いて、損失の勾配をモデルのパラメータにバックプロパゲートする。
論文 参考訳（メタデータ） (2023-07-20T09:06:21Z) - Remote Sensing Change Detection With Transformers Trained from Scratch [62.96911491252686]
トランスフォーマーベースの変更検出(CD)アプローチでは、大規模なイメージ分類でトレーニングされた事前トレーニングモデルを使用するか、別のCDデータセットで最初の事前トレーニングを頼りにしてから、ターゲットのベンチマークを微調整する。
我々は、4つの公開ベンチマークにおいて、スクラッチからトレーニングされながら最先端のパフォーマンスを実現するトランスフォーマーを用いたエンドツーエンドCDアプローチを開発した。
論文 参考訳（メタデータ） (2023-04-13T17:57:54Z) - Deep Metric Learning for Unsupervised Remote Sensing Change Detection [60.89777029184023]
リモートセンシング変化検出(RS-CD)は、マルチテンポラルリモートセンシング画像(MT-RSI)から関連する変化を検出することを目的とする。
既存のRS-CD法の性能は、大規模な注釈付きデータセットのトレーニングによるものである。
本稿では,これらの問題に対処可能なディープメトリック学習に基づく教師なしCD手法を提案する。
論文 参考訳（メタデータ） (2023-03-16T17:52:45Z) - DDPM-CD: Denoising Diffusion Probabilistic Models as Feature Extractors
for Change Detection [31.125812018296127]
Deno Diffusion Probabilistic Model (DDPM) の事前学習による変化検出のための新しいアプローチを提案する。
DDPMは、訓練画像を徐々にマルコフ連鎖を用いてガウス分布に変換することにより、トレーニングデータ分布を学習する。
推論(サンプリング)中に、トレーニング分布に近い多様なサンプルセットを生成することができる。
LEVIR-CD, WHU-CD, DSIFN-CD, CDDデータセットを用いて行った実験により,提案手法は既存の変化検出法よりもF1スコアで大幅に優れており, I。
論文 参考訳（メタデータ） (2022-06-23T17:58:29Z) - 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)
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。