論文の概要: ChangeAnywhere: Sample Generation for Remote Sensing Change Detection via Semantic Latent Diffusion Model
- arxiv url: http://arxiv.org/abs/2404.08892v1
- Date: Sat, 13 Apr 2024 03:46:35 GMT
- ステータス: 処理完了
- システム内更新日: 2024-04-16 18:13:13.347885
- Title: ChangeAnywhere: Sample Generation for Remote Sensing Change Detection via Semantic Latent Diffusion Model
- Title（参考訳）: ChangeAnywhere:Semantic Latent Diffusion Modelによるリモートセンシング変更検出のためのサンプル生成
- Authors: Kai Tang, Jin Chen,
- Abstract要約: ChangeAnywhereはセマンティック潜伏拡散モデルと単一時間画像を用いた新しいCDサンプル生成手法である。
ChangeAnywhereは2つのCDサンプルをキャプチャする。つまり、変更は意味的に異なることを意味し、非変更は同じ意味的制約の下で合理的な変更を意味する。
ChangeAnywhere-100Kは、さまざまなディープラーニングベースのCDモデルのための2つのCDベンチマークデータセットにおいて、ゼロショットと少数ショットの両方のパフォーマンスを著しく改善した。
- 参考スコア（独自算出の注目度）: 4.677012401985776
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Remote sensing change detection (CD) is a pivotal technique that pinpoints changes on a global scale based on multi-temporal images. With the recent expansion of deep learning, supervised deep learning-based CD models have shown satisfactory performance. However, CD sample labeling is very time-consuming as it is densely labeled and requires expert knowledge. To alleviate this problem, we introduce ChangeAnywhere, a novel CD sample generation method using the semantic latent diffusion model and single-temporal images. Specifically, ChangeAnywhere leverages the relative ease of acquiring large single-temporal semantic datasets to generate large-scale, diverse, and semantically annotated bi-temporal CD datasets. ChangeAnywhere captures the two essentials of CD samples, i.e., change implies semantically different, and non-change implies reasonable change under the same semantic constraints. We generated ChangeAnywhere-100K, the largest synthesis CD dataset with 100,000 pairs of CD samples based on the proposed method. The ChangeAnywhere-100K significantly improved both zero-shot and few-shot performance on two CD benchmark datasets for various deep learning-based CD models, as demonstrated by transfer experiments. This paper delineates the enormous potential of ChangeAnywhere for CD sample generation and demonstrates the subsequent enhancement of model performance. Therefore, ChangeAnywhere offers a potent tool for remote sensing CD. All codes and pre-trained models will be available at https://github.com/tangkai-RS/ChangeAnywhere.
- Abstract（参考訳）: リモートセンシング変化検出(Remote Sensor Change Detection, CD)は、多時間画像に基づいて、グローバルスケールで変化をピンポイントするピボット技術である。
近年の深層学習の拡大に伴い,教師付き深層学習型CDモデルは良好な性能を示した。
しかし、CDサンプルラベリングは非常に時間がかかり、高度にラベル付けされており、専門家の知識を必要とする。
この問題を軽減するために,セマンティック潜伏拡散モデルと単一時間画像を用いた新しいCDサンプル生成手法であるChangeAnywhereを導入する。
具体的には、ChangeAnywhereは、巨大な単一時間セマンティックデータセットを取得することの比較的容易さを活用して、大規模で多種多様でセマンティックに注釈付けされた2時間CDデータセットを生成する。
ChangeAnywhereは2つのCDサンプルをキャプチャする。つまり、変更は意味的に異なることを意味し、非変更は同じ意味的制約の下で合理的な変更を意味する。
提案手法に基づいて10万組のCDサンプルを用いた最大合成CDデータセットであるChangeAnywhere-100Kを作成した。
ChangeAnywhere-100Kは、さまざまなディープラーニングベースのCDモデルのための2つのCDベンチマークデータセットにおけるゼロショットと少数ショットのパフォーマンスを、トランスファー実験によって明らかに改善した。
本稿では,CDサンプル生成におけるChangeAnywhereの膨大なポテンシャルを概説し,その後のモデル性能の向上を実証する。
そのためChangeAnywhereは、リモートセンシングCDのための強力なツールを提供する。
すべてのコードと事前訓練されたモデルはhttps://github.com/tangkai-RS/ChangeAnywhere.comで入手できる。
関連論文リスト
- SeFi-CD: A Semantic First Change Detection Paradigm That Can Detect Any Change You Want [3.8287068443608567]
本稿では,新しいCDパラダイム,セマンティックファーストCD(SeFi-CD)パラダイムを紹介する。
SeFi-CDの中核となる考え方は、まず関心の動的なセマンティクスを理解し、そのセマンティクスに関連する変化の特徴を視覚的に検索することである。
公開データセットの実験では、AUWCD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。
論文 参考訳（メタデータ） (2024-07-13T12:49:58Z) - 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) - A New Learning Paradigm for Foundation Model-based Remote Sensing Change
Detection [54.01158175996638]
変化検出(CD)は、土地被覆の動的過程を観察し解析するための重要な課題である。
本稿では,基盤モデルに基づくCD適応フレームワークであるBi-Temporal Adapter Network (BAN)を提案する。
論文 参考訳（メタデータ） (2023-12-02T15:57:17Z) - TransY-Net:Learning Fully Transformer Networks for Change Detection of
Remote Sensing Images [64.63004710817239]
リモートセンシング画像CDのためのトランスフォーマーベース学習フレームワークTransY-Netを提案する。
グローバルな視点からの特徴抽出を改善し、ピラミッド方式で多段階の視覚的特徴を組み合わせる。
提案手法は,4つの光学式および2つのSAR画像CDベンチマーク上での最先端性能を実現する。
論文 参考訳（メタデータ） (2023-10-22T07:42:19Z) - GCD-DDPM: A Generative Change Detection Model Based on
Difference-Feature Guided DDPM [7.922421805234563]
深層学習法は近年,バイテンポラルチェンジ検出(CD)において大きな可能性を秘めている
本研究は,CDマップを直接生成するGCD-DDPMと呼ばれる生成的変化検出モデルを提案する。
4つの高解像度CDデータセットの実験により、提案したGCD-DDPMの優れた性能が確認された。
論文 参考訳（メタデータ） (2023-06-06T05:51:50Z) - Deep Metric Learning for Unsupervised Remote Sensing Change Detection [60.89777029184023]
リモートセンシング変化検出(RS-CD)は、マルチテンポラルリモートセンシング画像(MT-RSI)から関連する変化を検出することを目的とする。
既存のRS-CD法の性能は、大規模な注釈付きデータセットのトレーニングによるものである。
本稿では,これらの問題に対処可能なディープメトリック学習に基づく教師なしCD手法を提案する。
論文 参考訳（メタデータ） (2023-03-16T17:52:45Z) - SoftMatch Distance: A Novel Distance for Weakly-Supervised Trend Change
Detection in Bi-Temporal Images [45.138953422578574]
一般的な変化検出(GCD)と意味変化検出(SCD)は、変化を識別し、それらの変化に関与する対象カテゴリを識別する一般的な方法である。
本稿では,3つの傾向(「外観」,「消滅」,「変化」)に変化を直感的に分割する手法を提案する。
GCDよりも詳細な変更情報を提供し、SCDよりも手作業によるアノテーションのコストが低い。
論文 参考訳（メタデータ） (2023-03-08T17:23:18Z) - Revisiting Consistency Regularization for Semi-supervised Change
Detection in Remote Sensing Images [60.89777029184023]
教師付きクロスエントロピー(CE)損失に加えて、教師なしCD損失を定式化する半教師付きCDモデルを提案する。
2つの公開CDデータセットを用いて実験を行った結果,提案手法は教師付きCDの性能に近づきやすいことがわかった。
論文 参考訳（メタデータ） (2022-04-18T17:59:01Z) - DSDANet: Deep Siamese Domain Adaptation Convolutional Neural Network for
Cross-domain Change Detection [44.05317423742678]
クロスドメイン変化検出のための新しいディープ・サイムズ・ドメイン適応畳み込みニューラルネットワークアーキテクチャを提案する。
我々の知る限りでは、このようなドメイン適応に基づくディープネットワークが変更検出のために提案されたのは初めてである。
論文 参考訳（メタデータ） (2020-06-16T15:00:54Z)
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。