論文の概要: Exploring Effective Priors and Efficient Models for Weakly-Supervised Change Detection

• arxiv url: http://arxiv.org/abs/2307.10853v1
• Date: Thu, 20 Jul 2023 13:16:10 GMT
• ステータス: 処理完了
• システム内更新日: 2023-07-21 13:00:35.320777
• Title: Exploring Effective Priors and Efficient Models for Weakly-Supervised Change Detection
• Title（参考訳）: 弱修正変化検出のための効果的な事前及び効率的なモデル探索
• Authors: Zhenghui Zhao, Lixiang Ru, Chen Wu
• Abstract要約: 弱教師付き変化検出(WSCD)は、画像レベルのアノテーションだけでピクセルレベルの変化を検出することを目的としている。 Dilated Prior (DP) デコーダと Label Gated (LG) 制約の2つのコンポーネントを提案する。 提案したTransWCDとTransWCD-DLは,WHU-CDデータセットの最先端手法に比べて,有意な+6.33%,+9.55%のF1スコア向上を実現している。
• 参考スコア（独自算出の注目度）: 9.935849145312032
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Weakly-supervised change detection (WSCD) aims to detect pixel-level changes with only image-level annotations. Owing to its label efficiency, WSCD is drawing increasing attention recently. However, current WSCD methods often encounter the challenge of change missing and fabricating, i.e., the inconsistency between image-level annotations and pixel-level predictions. Specifically, change missing refer to the situation that the WSCD model fails to predict any changed pixels, even though the image-level label indicates changed, and vice versa for change fabricating. To address this challenge, in this work, we leverage global-scale and local-scale priors in WSCD and propose two components: a Dilated Prior (DP) decoder and a Label Gated (LG) constraint. The DP decoder decodes samples with the changed image-level label, skips samples with the unchanged label, and replaces them with an all-unchanged pixel-level label. The LG constraint is derived from the correspondence between changed representations and image-level labels, penalizing the model when it mispredicts the change status. Additionally, we develop TransWCD, a simple yet powerful transformer-based model, showcasing the potential of weakly-supervised learning in change detection. By integrating the DP decoder and LG constraint into TransWCD, we form TransWCD-DL. Our proposed TransWCD and TransWCD-DL achieve significant +6.33% and +9.55% F1 score improvements over the state-of-the-art methods on the WHU-CD dataset, respectively. Some performance metrics even exceed several fully-supervised change detection (FSCD) competitors. Code will be available at https://github.com/zhenghuizhao/TransWCD.
• Abstract（参考訳）: weakly-supervised change detection (wscd)は、画像レベルのアノテーションだけでピクセルレベルの変更を検出することを目的としている。 ラベルの効率のため、WSCDは最近注目を集めている。 しかし、現在のWSCDメソッドは、画像レベルのアノテーションとピクセルレベルの予測の不整合など、変更の欠如と製造の難しさにしばしば遭遇する。 特に、変化の欠如は、画像レベルのラベルが変化しているにもかかわらず、WSCDモデルが変化したピクセルを予測できない状況と、その逆は変化の作り方である。 この課題に対処するため、WSCDにおけるグローバルスケールおよびローカルスケールの事前処理を活用し、Dilated Prior(DP)デコーダとLabel Gated(LG)制約という2つのコンポーネントを提案する。 DPデコーダは、変更された画像レベルラベルでサンプルをデコードし、変更されていないラベルでサンプルをスキップし、すべて変更されていないピクセルレベルラベルで置き換える。 LGの制約は、変化した表現と画像レベルのラベルの対応から派生し、変化状態の誤予測時にモデルをペナルティ化する。 さらに,変更検出における弱教師付き学習の可能性を示す,シンプルながら強力なトランスフォーマーベースモデルであるTransWCDを開発した。 DPデコーダとLG制約をTransWCDに統合することにより、TransWCD-DLを形成する。 提案したTransWCDとTransWCD-DLは,WHU-CDデータセットの最先端手法に対して,それぞれ有意な+6.33%,+9.55%のF1スコアを達成している。 いくつかのパフォーマンス指標は、FSCD(Full-supervised Change Detection)の競合よりも多い。 コードはhttps://github.com/zhenghuizhao/TransWCDで入手できる。

関連論文リスト

• SemiCD-VL: Visual-Language Model Guidance Makes Better Semi-supervised Change Detector [43.199838967666714]
  Change Detection (CD) は、画像間のセマンティックな変化でピクセルを識別することを目的としている。 VLM誘導に基づく半教師付きCD手法,すなわちSemiCD-VLを提案する。 本稿では,VLMに基づく混合変化イベント生成(CEG)戦略を提案し,ラベルなしCDデータに対して擬似ラベルを出力する。
  論文  参考訳（メタデータ） (2024-05-08T03:43:58Z)
• Pixel-Level Change Detection Pseudo-Label Learning for Remote Sensing Change Captioning [28.3763053922823]
  リモートセンシング画像変化キャプション(RSICC)の手法は、単純なシーンではうまく機能するが、複雑なシーンでは性能が劣る。 画素レベルのCDは言語による画像の違いを説明する上で重要であると我々は信じている。 提案手法は最先端の性能を達成し,学習用画素レベルのCD擬似ラベルがキャプションの変更に大きく貢献することを示す。
  論文  参考訳（メタデータ） (2023-12-23T17:58:48Z)
• 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)
• UCDFormer: Unsupervised Change Detection Using a Transformer-driven Image Translation [20.131754484570454]
  両時間画像の比較による変化検出(CD)は,リモートセンシングにおいて重要な課題である。 リモートセンシング画像に対する領域シフト設定による変更検出を提案する。 UCDFormerと呼ばれる軽量トランスを用いた新しい教師なしCD方式を提案する。
  論文  参考訳（メタデータ） (2023-08-02T13:39:08Z)
• GCD-DDPM: A Generative Change Detection Model Based on Difference-Feature Guided DDPM [7.922421805234563]
  深層学習法は近年,バイテンポラルチェンジ検出(CD)において大きな可能性を秘めている 本研究は,CDマップを直接生成するGCD-DDPMと呼ばれる生成的変化検出モデルを提案する。 4つの高解像度CDデータセットの実験により、提案したGCD-DDPMの優れた性能が確認された。
  論文  参考訳（メタデータ） (2023-06-06T05:51:50Z)
• 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)
• SoftMatch Distance: A Novel Distance for Weakly-Supervised Trend Change Detection in Bi-Temporal Images [45.138953422578574]
  一般的な変化検出(GCD)と意味変化検出(SCD)は、変化を識別し、それらの変化に関与する対象カテゴリを識別する一般的な方法である。 本稿では,3つの傾向(「外観」,「消滅」,「変化」)に変化を直感的に分割する手法を提案する。 GCDよりも詳細な変更情報を提供し、SCDよりも手作業によるアノテーションのコストが低い。
  論文  参考訳（メタデータ） (2023-03-08T17:23:18Z)
• 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)
• DSNet: A Dual-Stream Framework for Weakly-Supervised Gigapixel Pathology Image Analysis [78.78181964748144]
  スライド画像全体(WSI)を分類するための弱教師付きフレームワークを提案する。 WSIは通常、パッチレベルのラベルを持つパッチワイド分類によって処理される。 イメージレベルのラベルのみの場合、パッチの外観とイメージレベルのラベルの矛盾のため、パッチの分類はサブ最適となる。
  論文  参考訳（メタデータ） (2021-09-13T09:10:43Z)
• A Weakly Supervised Convolutional Network for Change Segmentation and Classification [91.3755431537592]
  W-CDNetは、画像レベルのセマンティックラベルでトレーニングできる、弱い教師付き変更検出ネットワークである。 W-CDNetは、2つの異なるタイプのデータセットでトレーニングすることができる。
  論文  参考訳（メタデータ） (2020-11-06T20:20:45Z)

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。