論文の概要: Scalable Multi-Temporal Remote Sensing Change Data Generation via Simulating Stochastic Change Process

• arxiv url: http://arxiv.org/abs/2309.17031v1
• Date: Fri, 29 Sep 2023 07:37:26 GMT
• ステータス: 処理完了
• システム内更新日: 2023-10-02 15:05:02.230873
• Title: Scalable Multi-Temporal Remote Sensing Change Data Generation via Simulating Stochastic Change Process
• Title（参考訳）: 確率的変化過程のシミュレーションによるスケーラブルなマルチテンポラルリモートセンシング変化データ生成
• Authors: Zhuo Zheng, Shiqi Tian, Ailong Ma, Liangpei Zhang, Yanfei Zhong
• Abstract要約: 生成モデルを用いたスケーラブルなマルチ時間リモートセンシングデータ生成手法を提案する。 私たちの一番のアイデアは、時間とともに変化するプロセスをシミュレートすることです。 これら2つの問題を解決するため、GANベースのGPCMである変更生成器(Changen)を提案し、制御可能なオブジェクト変更データ生成を可能にする。
• 参考スコア（独自算出の注目度）: 21.622442722863028
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Understanding the temporal dynamics of Earth's surface is a mission of multi-temporal remote sensing image analysis, significantly promoted by deep vision models with its fuel -- labeled multi-temporal images. However, collecting, preprocessing, and annotating multi-temporal remote sensing images at scale is non-trivial since it is expensive and knowledge-intensive. In this paper, we present a scalable multi-temporal remote sensing change data generator via generative modeling, which is cheap and automatic, alleviating these problems. Our main idea is to simulate a stochastic change process over time. We consider the stochastic change process as a probabilistic semantic state transition, namely generative probabilistic change model (GPCM), which decouples the complex simulation problem into two more trackable sub-problems, \ie, change event simulation and semantic change synthesis. To solve these two problems, we present the change generator (Changen), a GAN-based GPCM, enabling controllable object change data generation, including customizable object property, and change event. The extensive experiments suggest that our Changen has superior generation capability, and the change detectors with Changen pre-training exhibit excellent transferability to real-world change datasets.
• Abstract（参考訳）: 地球表面の時間的ダイナミクスを理解することは、多時間リモートセンシング画像解析のミッションであり、燃料を含む深部視覚モデルによって著しく促進されている。 しかし、多時間リモートセンシング画像を大規模に収集、前処理、注釈することは、高価で知識に富むため自明ではない。 本稿では、低コストで自動的な生成モデルを用いて、スケーラブルなマルチ時間リモートセンシングデータ生成装置を提案する。 私たちの主なアイデアは、時間とともに確率的変化のプロセスをシミュレートすることです。 確率的変化過程を確率的意味的状態遷移、すなわち生成的確率的変化モデル(gpcm)と捉え、複雑なシミュレーション問題をより追跡可能な2つの部分問題、 \ie, change event simulation と semantic change synthesis に分解する。 これら2つの問題を解決するため、GANベースのGPCMである変更生成器(Changen)を提案し、カスタマイズ可能なオブジェクトプロパティや変更イベントを含む、制御可能なオブジェクト変更データ生成を可能にする。 広範な実験により,changenは優れた生成能力を有し,changen事前学習を伴う変更検出装置は実世界の変更データセットへの転送性に優れることが示唆された。

関連論文リスト

• Novel Change Detection Framework in Remote Sensing Imagery Using Diffusion Models and Structural Similarity Index (SSIM) [0.0]
  変化検出はリモートセンシングにおいて重要な課題であり、環境変化、都市の成長、災害影響のモニタリングを可能にする。 近年の機械学習、特に拡散モデルのような生成モデルの発展は、変化検出精度を高める新たな機会を提供する。 本稿では,安定拡散モデルの強度と構造類似度指数(SSIM)を組み合わせ,頑健で解釈可能な変化マップを作成する新しい変化検出フレームワークを提案する。
  論文  参考訳（メタデータ） (2024-08-20T07:54:08Z)
• Transformer for Multitemporal Hyperspectral Image Unmixing [17.365895881435563]
  エンドツーエンドの教師なしディープラーニングモデルであるMultitemporal Hyperspectral Image Unmixing Transformer (MUFormer)を提案する。 我々は,グローバル・アウェアネス・モジュール(GAM)とチェンジ・エンハンスメント・モジュール(CEM)の2つの重要なモジュールを紹介する。 これらのモジュール間のシナジーにより、エンドメンバーとアブリダンスの変更に関するセマンティックな情報をキャプチャすることができる。
  論文  参考訳（メタデータ） (2024-07-15T04:02:01Z)
• Changen2: Multi-Temporal Remote Sensing Generative Change Foundation Model [62.337749660637755]
  安価で自動的な生成モデルに基づく変更データ生成器を提案する。 Changen2は、自己監督を通じて大規模にトレーニング可能な、生成的な変更基盤モデルである。 得られたモデルには、固有のゼロショット変化検出機能と優れた転送性がある。
  論文  参考訳（メタデータ） (2024-06-26T01:03:39Z)
• ChangeBind: A Hybrid Change Encoder for Remote Sensing Change Detection [16.62779899494721]
  変化検出(CD)は、異なる時刻スタンプで同じ地理的領域間の意味的変化を検出することを目的とした、リモートセンシング(RS)の基本課題である。 本稿では,バイテンポラルRS画像における意味変化をエンコードする,効果的なSiameseベースのフレームワークを提案する。
  論文  参考訳（メタデータ） (2024-04-26T17:47:14Z)
• 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)
• iTransformer: Inverted Transformers Are Effective for Time Series Forecasting [62.40166958002558]
  iTransformerを提案する。これは、逆次元に注意とフィードフォワードのネットワークを単純に適用する。 iTransformerモデルは、挑戦的な現実世界のデータセットの最先端を実現する。
  論文  参考訳（メタデータ） (2023-10-10T13:44:09Z)
• Learning Modulated Transformation in GANs [69.95217723100413]
  生成逆数ネットワーク(GAN)のジェネレータに、変調変換モジュール(Modulated transformation module, MTM)と呼ばれるプラグアンドプレイモジュールを装備する。 MTMは、可変位置で畳み込み操作を適用可能な潜在符号の制御下で空間オフセットを予測する。 挑戦的なTaiChiデータセット上での人為的な生成に向けて、StyleGAN3のFIDを21.36から13.60に改善し、変調幾何変換の学習の有効性を実証した。
  論文  参考訳（メタデータ） (2023-08-29T17:51:22Z)
• Gait Recognition in the Wild with Multi-hop Temporal Switch [81.35245014397759]
  野生での歩行認識は、より実践的な問題であり、マルチメディアとコンピュータビジョンのコミュニティの注目を集めています。 本稿では,現実のシーンにおける歩行パターンの効果的な時間的モデリングを実現するために,新しいマルチホップ時間スイッチ方式を提案する。
  論文  参考訳（メタデータ） (2022-09-01T10:46:09Z)
• Transformer Inertial Poser: Attention-based Real-time Human Motion Reconstruction from Sparse IMUs [79.72586714047199]
  本研究では,6つのIMUセンサからリアルタイムに全体動作を再構築する,注意に基づく深層学習手法を提案する。 提案手法は, 実装が簡単で, 小型でありながら, 定量的かつ質的に新しい結果が得られる。
  論文  参考訳（メタデータ） (2022-03-29T16:24:52Z)
• Analogous to Evolutionary Algorithm: Designing a Unified Sequence Model [58.17021225930069]
  実演的進化アルゴリズム(EA)と類似した視覚変換器の合理性について説明する。 我々は、より効率的なEATモデルを提案し、様々なタスクに柔軟に対処するタスク関連ヘッドを設計する。 近年のビジョントランスに比べて,イメージネット分類作業における最先端の成果が得られている。
  論文  参考訳（メタデータ） (2021-05-31T16:20:03Z)

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。