論文の概要: DeepCL: Deep Change Feature Learning on Remote Sensing Images in the Metric Space

• arxiv url: http://arxiv.org/abs/2307.12208v1
• Date: Sun, 23 Jul 2023 02:47:30 GMT
• ステータス: 処理完了
• システム内更新日: 2023-07-25 17:20:22.921414
• Title: DeepCL: Deep Change Feature Learning on Remote Sensing Images in the Metric Space
• Title（参考訳）: DeepCL: 距離空間におけるリモートセンシング画像によるディープラーニング機能学習
• Authors: Haonan Guo, Bo Du, Chen Wu, Chengxi Han, Liangpei Zhang
• Abstract要約: 我々は、堅牢で説明可能な変化検出(CD)のためのDeep Change Feature Learning(DeepCL)フレームワークを提案する。 DeepCLフレームワークは、その優れた特徴識別性、擬似的変化に対するレジリエンス、様々なCDアルゴリズムへの適応性を実証し、理論的および実験的に徹底的に評価されている。
• 参考スコア（独自算出の注目度）: 40.32592332449066
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Change detection (CD) is an important yet challenging task in the Earth observation field for monitoring Earth surface dynamics. The advent of deep learning techniques has recently propelled automatic CD into a technological revolution. Nevertheless, deep learning-based CD methods are still plagued by two primary issues: 1) insufficient temporal relationship modeling and 2) pseudo-change misclassification. To address these issues, we complement the strong temporal modeling ability of metric learning with the prominent fitting ability of segmentation and propose a deep change feature learning (DeepCL) framework for robust and explainable CD. Firstly, we designed a hard sample-aware contrastive loss, which reweights the importance of hard and simple samples. This loss allows for explicit modeling of the temporal correlation between bi-temporal remote sensing images. Furthermore, the modeled temporal relations are utilized as knowledge prior to guide the segmentation process for detecting change regions. The DeepCL framework is thoroughly evaluated both theoretically and experimentally, demonstrating its superior feature discriminability, resilience against pseudo changes, and adaptability to a variety of CD algorithms. Extensive comparative experiments substantiate the quantitative and qualitative superiority of DeepCL over state-of-the-art CD approaches.
• Abstract（参考訳）: 変化検出(CD)は、地球表面のダイナミクスを監視するための地球観測分野において重要な課題である。 ディープラーニング技術の出現は、最近、自動CDを技術革新へと駆り立てている。 それでも、ディープラーニングベースのCDメソッドは、2つの主要な問題に悩まされている。 1)時間的関係モデリングの不十分 2)擬似変更誤分類 これらの課題に対処するために、計量学習の強い時間的モデリング能力とセグメンテーションの顕著な適合性を補完し、堅牢で説明可能なCDのためのDeep Change Feature Learning(DeepCL)フレームワークを提案する。 まず,ハードサンプルとシンプルなサンプルの重要性を強調する,ハードサンプル認識型コントラスト損失の設計を行った。 この損失により、双方向リモートセンシング画像間の時間的相関を明示的にモデル化することができる。 さらに、モデル化された時間関係を、変化領域を検出するセグメンテーションプロセスを導く前に知識として活用する。 deepclフレームワークは理論的にも実験的にも徹底的に評価され、優れた特徴判別性、擬似変更に対する弾力性、様々なcdアルゴリズムへの適応性を示している。 広範な比較実験は、最先端cdアプローチにおけるdeepclの量的・質的優位性を実証するものである。

関連論文リスト

• Towards Within-Class Variation in Alzheimer's Disease Detection from Spontaneous Speech [60.08015780474457]
  アルツハイマー病(AD)の検出は、機械学習の分類モデルを使用する有望な研究領域として浮上している。 我々は、AD検出において、クラス内変異が重要な課題であると考え、ADを持つ個人は認知障害のスペクトルを示す。 本稿では,ソフトターゲット蒸留 (SoTD) とインスタンスレベルの再分散 (InRe) の2つの新しい手法を提案する。
  論文  参考訳（メタデータ） (2024-09-22T02:06:05Z)
• Time Travelling Pixels: Bitemporal Features Integration with Foundation Model for Remote Sensing Image Change Detection [28.40070234949818]
  Time Travelling Pixels (TTP)は、潜在知識基盤モデルを変更検出に統合する新しいアプローチである。 LEVIR-CDで得られた最先端の成績は,TTPの有効性を裏付けるものであった。
  論文  参考訳（メタデータ） (2023-12-23T08:56:52Z)
• Deep-Learning-based Change Detection with Spaceborne Hyperspectral PRISMA data [0.0]
  変化検出(CD)法は、光データに何十年も適用されてきたが、スペクトル分解能の細かい超スペクトルデータの使用はめったに研究されていない。 PRecursore IperSpettrale della Missione operativA (PRISMA)により、宇宙からのハイパースペクトルCDが可能になった。 本研究は,自然から都市に至るまで,様々な目標に対して,標準およびディープラーニング(DL)CD手法を適用した。
  論文  参考訳（メタデータ） (2023-10-20T16:22:53Z)
• SAAN: Similarity-aware attention flow network for change detection with VHR remote sensing images [41.27207121222832]
  変化検出(CD)は、地球観測領域における陸面のダイナミクスを監視するための基本的かつ重要な課題である。 これらのCD法は通常、重み共有のシームズエンコーダネットワークを用いてバイテンポラル画像の特徴を抽出し、デコーダネットワークを用いて変化領域を同定する。 そこで我々は,効果的な変化検出を実現するために,新たな類似性認識型注意フローネットワーク(SAAN)を提案する。
  論文  参考訳（メタデータ） (2023-08-28T13:35:07Z)
• Bilevel Fast Scene Adaptation for Low-Light Image Enhancement [50.639332885989255]
  低照度シーンにおける画像の強調は、コンピュータビジョンにおいて難しいが、広く懸念されている課題である。 主な障害は、異なるシーンにまたがる分散の相違によるモデリングの混乱にある。 上述の潜在対応をモデル化するための双レベルパラダイムを導入する。 エンコーダのシーン非関連な一般化を多様なシーンにもたらすために、双方向学習フレームワークを構築した。
  論文  参考訳（メタデータ） (2023-06-02T08:16:21Z)
• Dsfer-Net: A Deep Supervision and Feature Retrieval Network for Bitemporal Change Detection Using Modern Hopfield Networks [35.415260892693745]
  本稿では,バイテンポラル変化検出のためのDeep Supervision and feature Retrieval Network (Dsfer-Net)を提案する。 具体的には、バイテンポラル画像の高度に代表的な深い特徴を、完全に畳み込みされたシームズネットワークを通じて、共同で抽出する。 エンド・ツー・エンドのネットワークは,異なるレイヤから抽出した特徴と特徴のペアを集約することで,新たなフレームワークを確立する。
  論文  参考訳（メタデータ） (2023-04-03T16:01:03Z)
• 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)
• 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)
• DeepRM: Deep Recurrent Matching for 6D Pose Refinement [77.34726150561087]
  DeepRMは、6Dポーズ改善のための新しいリカレントネットワークアーキテクチャである。 アーキテクチャにはLSTMユニットが組み込まれ、各改善ステップを通じて情報を伝達する。 DeepRMは、2つの広く受け入れられている課題データセットで最先端のパフォーマンスを達成する。
  論文  参考訳（メタデータ） (2022-05-28T16:18:08Z)
• One-Shot Object Detection without Fine-Tuning [62.39210447209698]
  本稿では,第1ステージのMatching-FCOSネットワークと第2ステージのStructure-Aware Relation Moduleからなる2段階モデルを提案する。 また,検出性能を効果的に向上する新たなトレーニング戦略を提案する。 提案手法は,複数のデータセット上で一貫した最先端のワンショット性能を上回る。
  論文  参考訳（メタデータ） (2020-05-08T01:59:23Z)

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。