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
- Learning Domain-Invariant Temporal Dynamics for Few-Shot Action
Recognition [13.434821382278264]
少ないショットアクション認識は、トレーニング済みのモデルを新しいデータに迅速に適応することを目的としている。
主な課題は、事前訓練されたモデルから学んだ伝達可能な知識の特定と活用である。
論文 参考訳(メタデータ) (2024-02-20T04:09:58Z) - 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) - SERT: A Transfomer Based Model for Spatio-Temporal Sensor Data with
Missing Values for Environmental Monitoring [0.0]
センサーから収集されたデータは、故障した機器やメンテナンス上の問題によって、しばしば値が失われる。
計算を必要とせず、欠落したデータを処理しながら、多変量時間予測を行うことのできる2つのモデルを提案する。
論文 参考訳(メタデータ) (2023-06-05T17:06:23Z) - Learning Robust Dynamics through Variational Sparse Gating [18.476155786474358]
多くのオブジェクトを持つ環境では、少数のオブジェクトが同時に動いたり相互作用したりしているのが普通です。
本稿では,このスパース相互作用の帰納バイアスを,画素から学習した世界モデルの潜在ダイナミクスに統合する。
論文 参考訳(メタデータ) (2022-10-21T02:56:51Z) - 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) - A Change Dynamic Model for the Online Detection of Gradual Change [0.0]
ベイジアンフレームワークにおける段階的変化のオンライン検出のための変化力学モデルを提案する。
私たちのモデルは、従来の変更ポイントモデルが許容するよりも、より速く、より正確な変化の識別を可能にします。
論文 参考訳(メタデータ) (2022-05-02T17:38:24Z) - 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) - Learning to Simulate Complex Physics with Graph Networks [68.43901833812448]
本稿では,機械学習のフレームワークとモデルの実装について紹介する。
グラフネットワーク・ベース・シミュレータ(GNS)と呼ばれる我々のフレームワークは、グラフ内のノードとして表現された粒子で物理系の状態を表現し、学習されたメッセージパスによって動的を計算します。
我々のモデルは,訓練中に数千の粒子による1段階の予測から,異なる初期条件,数千の時間ステップ,少なくとも1桁以上の粒子をテスト時に一般化できることを示す。
論文 参考訳(メタデータ) (2020-02-21T16:44:28Z)
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。