論文の概要: HSONet:A Siamese foreground association-driven hard case sample optimization network for high-resolution remote sensing image change detection

• arxiv url: http://arxiv.org/abs/2402.16242v1
• Date: Mon, 26 Feb 2024 02:03:08 GMT
• ステータス: 処理完了
• システム内更新日: 2024-02-27 14:55:09.610922
• Title: HSONet:A Siamese foreground association-driven hard case sample optimization network for high-resolution remote sensing image change detection
• Title（参考訳）: hsonet:高分解能リモートセンシング画像変化検出のためのsiamese foreground association-driven hard case sample optimization network
• Authors: Chao Tao, Dongsheng Kuang, Zhenyang Huang, Chengli Peng, Haifeng Li
• Abstract要約: 我々は,前景アソシエーション駆動型ハードケースサンプル最適化ネットワーク(HSONet)を提案する。 4つの公開データセットの実験では、HSONetが現在の最先端のCDメソッドより優れていることが示されている。
• 参考スコア（独自算出の注目度）: 4.338563293455377
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: In the later training stages, further improvement of the models ability to determine changes relies on how well the change detection (CD) model learns hard cases; however, there are two additional challenges to learning hard case samples: (1) change labels are limited and tend to pointer only to foreground targets, yet hard case samples are prevalent in the background, which leads to optimizing the loss function focusing on the foreground targets and ignoring the background hard cases, which we call imbalance. (2) Complex situations, such as light shadows, target occlusion, and seasonal changes, induce hard case samples, and in the absence of both supervisory and scene information, it is difficult for the model to learn hard case samples directly to accurately obtain the feature representations of the change information, which we call missingness. We propose a Siamese foreground association-driven hard case sample optimization network (HSONet). To deal with this imbalance, we propose an equilibrium optimization loss function to regulate the optimization focus of the foreground and background, determine the hard case samples through the distribution of the loss values, and introduce dynamic weights in the loss term to gradually shift the optimization focus of the loss from the foreground to the background hard cases as the training progresses. To address this missingness, we understand hard case samples with the help of the scene context, propose the scene-foreground association module, use potential remote sensing spatial scene information to model the association between the target of interest in the foreground and the related context to obtain scene embedding, and apply this information to the feature reinforcement of hard cases. Experiments on four public datasets show that HSONet outperforms current state-of-the-art CD methods, particularly in detecting hard case samples.
• Abstract（参考訳）: In the later training stages, further improvement of the models ability to determine changes relies on how well the change detection (CD) model learns hard cases; however, there are two additional challenges to learning hard case samples: (1) change labels are limited and tend to pointer only to foreground targets, yet hard case samples are prevalent in the background, which leads to optimizing the loss function focusing on the foreground targets and ignoring the background hard cases, which we call imbalance. 2)光陰影,対象隠蔽,季節変化などの複雑な状況は,ハードケースサンプルを誘導し,監督情報とシーン情報の両方が欠如している場合には,ハードケースサンプルを直接学習して,変化情報の特徴表現を正確に取得することが困難であり,その欠如を「欠落」と呼ぶ。 本稿では,siamese foreground association-driven hard case sample optimization network (hsonet)を提案する。 この不均衡に対処するために,前景と背景の最適化焦点を規制し,損失値の分布を通じてハードケースサンプルを決定する平衡最適化損失関数を提案し,トレーニングが進むにつれて、損失の最適化焦点を前景から背景ハードケースに徐々にシフトさせるように損失項に動的重みを導入する。 この不足に対処するために,シーンコンテキストの助けを借りてハードケースサンプルを理解し,シーンフォアグラウンドアソシエーションモジュールを提案し,潜在的なリモートセンシング空間シーン情報を用いて,フォアグラウンドの関心対象と関連するコンテキストとの関連をモデル化し,シーン埋め込みを得るとともに,この情報をハードケースの特徴強化に適用する。 4つの公開データセットの実験では、HSONetは現在の最先端のCDメソッド、特にハードケースサンプルの検出において、より優れています。

関連論文リスト

• Leveraging Fine-Grained Information and Noise Decoupling for Remote Sensing Change Detection [40.63328380227243]
  変化検出は、バイテンポラルイメージペア間のデータを分析することによって、リモートセンシングオブジェクトの変化を識別することを目的としている。 これまでの努力は、デノベーションに過度に焦点を合わせてきたが、これは、きめ細かい情報を大量に失うことになる。 本稿では,微細な情報補償とノイズデカップリングのための一連の操作を提案する。
  論文  参考訳（メタデータ） (2024-04-17T12:32:10Z)
• Metric-aligned Sample Selection and Critical Feature Sampling for Oriented Object Detection [4.677438149607058]
  サンプルの品質を評価するためにアフィン変換を導入し、距離に基づくラベル割り当て戦略を提案する。 提案手法は,物体の形状と回転特性に応じて動的に試料を選択可能である。 その結果,提案した検出器の最先端の精度が示された。
  論文  参考訳（メタデータ） (2023-06-29T06:36:46Z)
• 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)
• Boosting Few-shot Fine-grained Recognition with Background Suppression and Foreground Alignment [53.401889855278704]
  FS-FGR (Few-shot Fine-fine Recognition) は、限られたサンプルの助けを借りて、新しいきめ細かなカテゴリを認識することを目的としている。 本研究では,背景アクティベーション抑制 (BAS) モジュール,フォアグラウンドオブジェクトアライメント (FOA) モジュール,および局所的局所的(L2L) 類似度測定器からなる2段階の背景アライメントとフォアグラウンドアライメントフレームワークを提案する。 複数のベンチマークで行った実験により,提案手法は既存の最先端技術よりも大きなマージンで優れていることが示された。
  論文  参考訳（メタデータ） (2022-10-04T07:54:40Z)
• DiscrimLoss: A Universal Loss for Hard Samples and Incorrect Samples Discrimination [28.599571524763785]
  ラベルノイズ(すなわち不正なデータ)が与えられた場合、ディープニューラルネットワークはラベルノイズとモデル性能を徐々に記憶する。 この問題を解消するために,カリキュラム学習を提案し,学習サンプルを有意義な順序で順序付けすることで,モデル性能と一般化を向上させる。
  論文  参考訳（メタデータ） (2022-08-21T13:38:55Z)
• A Comprehensive Study of Image Classification Model Sensitivity to Foregrounds, Backgrounds, and Visual Attributes [58.633364000258645]
  このデータセットをRIVAL10と呼びます。 本研究では,前景,背景,属性の騒音劣化に対する幅広いモデルの感度を評価する。 本稿では,多種多様な最先端アーキテクチャ (ResNets, Transformers) とトレーニング手順 (CLIP, SimCLR, DeiT, Adversarial Training) について考察する。
  論文  参考訳（メタデータ） (2022-01-26T06:31:28Z)
• Salvage Reusable Samples from Noisy Data for Robust Learning [70.48919625304]
  本稿では,Web画像を用いた深部FGモデルのトレーニングにおいて,ラベルノイズに対処するための再利用可能なサンプル選択と修正手法を提案する。 私たちのキーとなるアイデアは、再利用可能なサンプルの追加と修正を行い、それらをクリーンな例とともに活用してネットワークを更新することです。
  論文  参考訳（メタデータ） (2020-08-06T02:07:21Z)
• Learning a Unified Sample Weighting Network for Object Detection [113.98404690619982]
  地域サンプリングや重み付けは、現代の地域ベースの物体検出器の成功に極めて重要である。 サンプル重み付けはデータ依存でタスク依存であるべきだと我々は主張する。 サンプルのタスク重みを予測するための統一的なサンプル重み付けネットワークを提案する。
  論文  参考訳（メタデータ） (2020-06-11T16:19:16Z)
• Solving Missing-Annotation Object Detection with Background Recalibration Loss [49.42997894751021]
  本稿では,新しい,かつ困難な検出シナリオに焦点を当てる。 真のオブジェクト/インスタンスの大部分は,データセットにラベル付けされていない。 従来, ソフトサンプリングを用いて, 正の例と重なり合うRoIsの勾配を再重み付けする手法が提案されてきた。 本稿では、予め定義されたIoU閾値と入力画像に基づいて損失信号を自動的に校正できる、バックグラウンド校正損失(BRL)と呼ばれる優れた解を提案する。
  論文  参考訳（メタデータ） (2020-02-12T23:11:46Z)

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。