論文の概要: LRNet: Change detection of high-resolution remote sensing imagery via strategy of localization-then-refinement
- arxiv url: http://arxiv.org/abs/2404.04884v1
- Date: Sun, 7 Apr 2024 09:05:04 GMT
- ステータス: 処理完了
- システム内更新日: 2024-04-09 19:11:06.276093
- Title: LRNet: Change detection of high-resolution remote sensing imagery via strategy of localization-then-refinement
- Title（参考訳）: LRNet:ローカライゼーション・then-refinementによる高分解能リモートセンシング画像の変化検出
- Authors: Huan Zhong, Chen Wu, Ziqi Xiao,
- Abstract要約: 本論文では,ローカライゼーション・then-refinement戦略に基づく新しいネットワーク,すなわちLRNetを提案する。
LRNetは、ローカライゼーションとリファインメントの2つのステージで構成されている。
ローカライゼーション段階において、3分岐エンコーダは、各変更領域の位置のインタラクティブなローカライゼーションのための原画像特徴とその差分特徴を同時に抽出する。
精錬段階では、デコーダは、ローカライゼーションフェーズにおいてC2Aにより強化された差分特徴と組み合わせて、異なるサイズの変更領域を精錬し、最終的に変更領域の正確な境界識別を実現する。
- 参考スコア（独自算出の注目度）: 4.900691840735639
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Change detection, as a research hotspot in the field of remote sensing, has witnessed continuous development and progress. However, the discrimination of boundary details remains a significant bottleneck due to the complexity of surrounding elements between change areas and backgrounds. Discriminating the boundaries of large change areas results in misalignment, while connecting boundaries occurs for small change targets. To address the above issues, a novel network based on the localization-then-refinement strategy is proposed in this paper, namely LRNet. LRNet consists of two stages: localization and refinement. In the localization stage, a three-branch encoder simultaneously extracts original image features and their differential features for interactive localization of the position of each change area. To minimize information loss during feature extraction, learnable optimal pooling (LOP) is proposed to replace the widely used max-pooling. Additionally, this process is trainable and contributes to the overall optimization of the network. To effectively interact features from different branches and accurately locate change areas of various sizes, change alignment attention (C2A) and hierarchical change alignment module (HCA) are proposed. In the refinement stage, the localization results from the localization stage are corrected by constraining the change areas and change edges through the edge-area alignment module (E2A). Subsequently, the decoder, combined with the difference features strengthened by C2A in the localization phase, refines change areas of different sizes, ultimately achieving accurate boundary discrimination of change areas. The proposed LRNet outperforms 13 other state-of-the-art methods in terms of comprehensive evaluation metrics and provides the most precise boundary discrimination results on the LEVIR-CD and WHU-CD datasets.
- Abstract（参考訳）: リモートセンシングの分野での研究ホットスポットである変化検出は、継続的な開発と進歩を目撃している。
しかし、変化領域と背景の間の周辺要素の複雑さのため、境界詳細の識別は依然として重大なボトルネックとなっている。
大きな変更領域の境界を識別すると、ミスアライメントが発生し、小さな変更対象に対して接続境界が発生する。
以上の課題に対処するため,本論文では,ローカライゼーション・then-refinement戦略に基づく新しいネットワーク,すなわちLRNetを提案する。
LRNetは、ローカライゼーションとリファインメントの2つのステージで構成されている。
ローカライゼーション段階において、3分岐エンコーダは、各変更領域の位置のインタラクティブなローカライゼーションのための原画像特徴とその差分特徴を同時に抽出する。
特徴抽出時の情報損失を最小限に抑えるため,学習可能な最適プール (LOP) を提案し,広く使用されている最大プールを置き換えた。
さらに、このプロセスはトレーニング可能であり、ネットワーク全体の最適化に寄与する。
異なる枝からの特徴を効果的に相互作用し、様々なサイズの変化領域を正確に特定するために、変更アライメントアライメントアライメント(C2A)と階層的変更アライメントアライメントモジュール(HCA)を提案する。
精製段階では、エッジエリアアライメントモジュール(E2A)を介して、変更領域と変更エッジを制約することにより、ローカライズステージからのローカライズ結果を補正する。
その後、デコーダは、ローカライゼーションフェーズにおいてC2Aにより強化された差分特徴と組み合わせて、異なるサイズの変更領域を洗練し、最終的に変更領域の正確な境界識別を実現する。
提案したLRNetは、総合的な評価指標で13の最先端手法を上回り、LIVIR-CDとWHU-CDデータセット上で最も正確な境界識別結果を提供する。
関連論文リスト
- 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) - ELGC-Net: Efficient Local-Global Context Aggregation for Remote Sensing Change Detection [65.59969454655996]
本稿では,変化領域を正確に推定するために,リッチな文脈情報を利用する効率的な変化検出フレームワークELGC-Netを提案する。
提案するELGC-Netは、リモートセンシング変更検出ベンチマークにおいて、最先端の性能を新たに設定する。
また,ELGC-Net-LWも導入した。
論文 参考訳（メタデータ） (2024-03-26T17:46:25Z) - Discriminative Radial Domain Adaptation [62.22362756424971]
本稿では、ソースとターゲットドメインを共有ラジアル構造を介してブリッジする差別的ラジアルドメイン適応(DRDR)を提案する。
このような固有識別構造を移行することで,特徴伝達性と識別可能性の同時向上が期待できることを示す。
提案手法は,様々なタスクに対する最先端のアプローチを一貫して上回ることを示す。
論文 参考訳（メタデータ） (2023-01-01T10:56:31Z) - Robust Domain Adaptive Object Detection with Unified Multi-Granularity Alignment [59.831917206058435]
ドメイン適応検出は、ターゲットドメイン上の検出器の一般化を改善することを目的としている。
近年のアプローチは、異なる粒度の特徴アライメントを通じて、逆学習を通じてドメイン適応を実現する。
ドメイン不変な特徴学習のための統合多重粒度アライメント(MGA)に基づく検出フレームワークを提案する。
論文 参考訳（メタデータ） (2023-01-01T08:38:07Z) - LCPFormer: Towards Effective 3D Point Cloud Analysis via Local Context
Propagation in Transformers [60.51925353387151]
本稿では,近隣地域間のメッセージパッシングを活用するために,LCP (Local Context Propagation) という新しいモジュールを提案する。
隣接するローカル領域の重複点を仲介として使用した後、異なるローカルリージョンからの共有ポイントの特徴を再重み付けし、その後、次のレイヤに渡す。
提案手法は, 異なるタスクに適用可能であり, 3次元形状分類や高密度予測タスクを含むベンチマークにおいて, 様々なトランスフォーマーベースの手法より優れる。
論文 参考訳（メタデータ） (2022-10-23T15:43:01Z) - Curriculum-style Local-to-global Adaptation for Cross-domain Remote
Sensing Image Segmentation [11.650285884518208]
超高解像度(VHR)リモートセンシング画像(RSI)のクロスドメインセグメンテーションは2つの重要な課題に直面している。
多くの多様な対象カテゴリを持つ広い面積の土地は、深刻な局所的なパッチレベルのデータ分布のずれをもたらしている。
異なるVHRセンサタイプや動的に変化するモードは、同じ地理的位置であっても、VHRイメージが集中的なデータ分散の差を通り抜ける原因となる。
本稿では,VHR RSIのセグメンテーションのためのカリキュラム型ローカル・グローバル・クロスドメイン適応フレームワークを提案する。
論文 参考訳（メタデータ） (2022-03-03T06:33:46Z) - Domain Adaptive Semantic Segmentation with Regional Contrastive
Consistency Regularization [19.279884432843822]
本稿では,領域適応型セマンティックセマンティックセグメンテーションのための局所コントラスト整合正規化(RCCR)と呼ばれる,新しいエンドツーエンドのトレーニング可能なアプローチを提案する。
私たちの中核となる考え方は、異なる画像の同じ位置から抽出された類似の地域的特徴を取り除き、その一方、2つの画像の異なる位置から特徴を分離することです。
論文 参考訳（メタデータ） (2021-10-11T11:45:00Z) - Deeply Aligned Adaptation for Cross-domain Object Detection [33.766468227676214]
クロスドメインオブジェクト検出は、最近、現実世界のアプリケーションにますます注目を集めている。
本稿では,高速なR-CNNに基づくエンドツーエンドのソリューションを提案する。
論文 参考訳（メタデータ） (2020-04-05T04:41:45Z) - Cross-domain Object Detection through Coarse-to-Fine Feature Adaptation [62.29076080124199]
本稿では,クロスドメインオブジェクト検出のための特徴適応手法を提案する。
粗粒度では、アテンション機構を採用して前景領域を抽出し、その辺縁分布に応じて整列する。
粒度の細かい段階では、同じカテゴリのグローバルプロトタイプと異なるドメインとの距離を最小化することにより、前景の条件分布アライメントを行う。
論文 参考訳（メタデータ） (2020-03-23T13:40:06Z) - LRC-Net: Learning Discriminative Features on Point Clouds by Encoding
Local Region Contexts [65.79931333193016]
本稿では,LRC-Net(Local-Region-Context Network)を提案する。
LRC-Netは、局所領域内および周辺領域間の微粒なコンテキストを同時に符号化する。
その結果, LRC-Netは形状分類や形状分割の応用において最先端の手法と競合することがわかった。
論文 参考訳（メタデータ） (2020-03-18T14:34:08Z)
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。