論文の概要: MapChange: Enhancing Semantic Change Detection with Temporal-Invariant
Historical Maps Based on Deep Triplet Network
- arxiv url: http://arxiv.org/abs/2401.11489v1
- Date: Sun, 21 Jan 2024 13:30:02 GMT
- ステータス: 処理完了
- システム内更新日: 2024-01-23 16:07:07.388907
- Title: MapChange: Enhancing Semantic Change Detection with Temporal-Invariant
Historical Maps Based on Deep Triplet Network
- Title（参考訳）: MapChange: 深部トリプルトネットワークに基づく時間不変履歴マップによる意味的変化検出の強化
- Authors: Yinhe Liu, Sunan Shi, Zhuo Zheng, Jue Wang, Shiqi Tian, Yanfei Zhong
- Abstract要約: MapChangeは、時間不変の歴史的地図データを現代の高解像度画像と同期させるパラダイムである。
このフレームワークは、2つの公開データセットの包括的なテストを通じて実証的に検証されている。
- 参考スコア（独自算出の注目度）: 12.529504437622286
- License: http://creativecommons.org/licenses/by-nc-sa/4.0/
- Abstract: Semantic Change Detection (SCD) is recognized as both a crucial and
challenging task in the field of image analysis. Traditional methods for SCD
have predominantly relied on the comparison of image pairs. However, this
approach is significantly hindered by substantial imaging differences, which
arise due to variations in shooting times, atmospheric conditions, and angles.
Such discrepancies lead to two primary issues: the under-detection of minor yet
significant changes, and the generation of false alarms due to temporal
variances. These factors often result in unchanged objects appearing markedly
different in multi-temporal images. In response to these challenges, the
MapChange framework has been developed. This framework introduces a novel
paradigm that synergizes temporal-invariant historical map data with
contemporary high-resolution images. By employing this combination, the
temporal variance inherent in conventional image pair comparisons is
effectively mitigated. The efficacy of the MapChange framework has been
empirically validated through comprehensive testing on two public datasets.
These tests have demonstrated the framework's marked superiority over existing
state-of-the-art SCD methods.
- Abstract（参考訳）: 画像解析の分野では,意味変化検出(scd)が重要かつ困難な課題として認識されている。
従来のSCDの手法は画像対の比較に大きく依存している。
しかし、このアプローチは撮影時間、大気条件、角度の変動によって生じる画像の違いによって著しく妨げられている。
このような不一致は、小さなが重要な変化の少ない検出と、時間的変動による誤報の発生という2つの主要な問題に繋がる。
これらの要因は、しばしば多時期画像で顕著に異なる変化した物体を生じさせる。
これらの課題に応えて、MapChangeフレームワークが開発された。
この枠組みは、時間不変の歴史的地図データを現代高解像度画像と相乗化する新しいパラダイムを導入している。
この組み合わせを用いることで、従来の画像対比較に固有の時間差を効果的に緩和する。
MapChangeフレームワークの有効性は、2つの公開データセットの包括的なテストを通じて実証的に検証されている。
これらのテストは、既存の最先端scdメソッドよりもフレームワークの顕著な優位性を示している。
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) - Distractors-Immune Representation Learning with Cross-modal Contrastive Regularization for Change Captioning [71.14084801851381]
変更キャプションは、類似した画像間のセマンティックな変化を簡潔に記述することを目的としている。
既存のほとんどの手法は、それらの違いを直接キャプチャし、エラーを起こしやすい特徴を得るリスクを負う。
本稿では,2つの画像表現の対応するチャネルを関連づけるイントラクタ免疫表現学習ネットワークを提案する。
論文 参考訳（メタデータ） (2024-07-16T13:00:33Z) - Counterfactual Image Editing [54.21104691749547]
対物画像編集は、生成AIにおいて重要なタスクであり、ある機能が異なる場合、画像がどのように見えるかを尋ねる。
本稿では,形式言語を用いた対物画像編集タスクを形式化し,潜在生成因子と画像の因果関係をモデル化する。
ニューラル因果モデルを利用して、対物画像を生成する効率的なアルゴリズムを開発した。
論文 参考訳（メタデータ） (2024-02-07T20:55:39Z) - Cross-Modality Perturbation Synergy Attack for Person Re-identification [66.48494594909123]
相互モダリティReIDの主な課題は、異なるモダリティ間の視覚的差異を効果的に扱うことである。
既存の攻撃方法は、目に見える画像のモダリティの特徴に主に焦点を当てている。
本研究では,クロスモーダルReIDに特化して設計されたユニバーサル摂動攻撃を提案する。
論文 参考訳（メタデータ） (2024-01-18T15:56:23Z) - BD-MSA: Body decouple VHR Remote Sensing Image Change Detection method
guided by multi-scale feature information aggregation [4.659935767219465]
リモートセンシング画像変化検出(RSCD)の目的は、同じ場所で撮影された両時間画像の違いを検出することである。
深層学習はRSCDタスクに広く使われており、結果認識の点で重要な結果をもたらしている。
論文 参考訳（メタデータ） (2024-01-09T02:53:06Z) - Transformer-based Multimodal Change Detection with Multitask Consistency Constraints [10.906283981247796]
現在の変化検出方法は、意味変化検出タスクと高さ変化検出タスクのマルチタスク競合に対処する。
そこで我々は,クロスアテンションにより,多次元入力間の共有表現を学習する効率的なトランスフォーマーネットワークを提案する。
提案手法は,5つの現状変化検出手法と比較して,意味的および高さ変化検出の観点から,一貫したマルチタスク優位性を示す。
論文 参考訳（メタデータ） (2023-10-13T17:38:45Z) - Unsupervised CD in satellite image time series by contrastive learning
and feature tracking [15.148034487267635]
特徴追跡を用いたコントラスト学習を用いた衛星画像時系列における教師なし変化検出のための2段階のアプローチを提案する。
事前学習したモデルから擬似ラベルを抽出し,特徴追跡を用いて画像時系列間で伝達することにより,擬似ラベルの一貫性を改善し,長期リモートセンシング画像時系列における季節変化の課題に対処する。
論文 参考訳（メタデータ） (2023-04-22T11:19:19Z) - Masked Images Are Counterfactual Samples for Robust Fine-tuning [77.82348472169335]
微調整の深層学習モデルは、分布内(ID)性能と分布外(OOD)堅牢性の間のトレードオフにつながる可能性がある。
そこで本研究では,マスク付き画像を対物サンプルとして用いて,ファインチューニングモデルのロバスト性を向上させる新しいファインチューニング手法を提案する。
論文 参考訳（メタデータ） (2023-03-06T11:51:28Z) - 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 Hierarchical Transformation-Discriminating Generative Model for Few
Shot Anomaly Detection [93.38607559281601]
各トレーニングイメージのマルチスケールパッチ分布をキャプチャする階層的生成モデルを開発した。
この異常スコアは、スケール及び画像領域にわたる正しい変換のパッチベースの投票を集約して得られる。
論文 参考訳（メタデータ） (2021-04-29T17:49:48Z) - Hyperspectral Anomaly Change Detection Based on Auto-encoder [40.32592332449066]
ハイパースペクトル異常変化検出(HACD)は、ハイパースペクトル画像(HSI)間の小さいが重要な異常変化を見つけるのに役立つ
本稿では,自動エンコーダ(ACDA)に基づく独自のHACDアルゴリズムを提案し,非線形解を提案する。
実験の結果は、"Viareggio 2013"データセットで、従来の手法よりも効率と優越性を実証している。
論文 参考訳（メタデータ） (2020-10-27T08:07:08Z)
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。