論文の概要: RFL-CDNet: Towards Accurate Change Detection via Richer Feature Learning

• arxiv url: http://arxiv.org/abs/2404.17765v1
• Date: Sat, 27 Apr 2024 03:07:07 GMT
• ステータス: 処理完了
• システム内更新日: 2024-04-30 19:20:56.760424
• Title: RFL-CDNet: Towards Accurate Change Detection via Richer Feature Learning
• Title（参考訳）: RFL-CDNet:よりリッチな特徴学習による正確な変化検出を目指して
• Authors: Yuhang Gan, Wenjie Xuan, Hang Chen, Juhua Liu, Bo Du,
• Abstract要約: RFL-CDNetは、よりリッチな特徴学習を利用して変更検出性能を向上させる新しいフレームワークである。 C2FGモジュールは、以前の粗いスケールからのサイド予測を現在の微細スケールの予測にシームレスに統合することを目的としている。 LFモジュールは各ステージと各空間位置の寄与が独立であると仮定し、複数の予測を融合させる学習可能なモジュールを設計する。
• 参考スコア（独自算出の注目度）: 39.3740222598949
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Change Detection is a crucial but extremely challenging task of remote sensing image analysis, and much progress has been made with the rapid development of deep learning. However, most existing deep learning-based change detection methods mainly focus on intricate feature extraction and multi-scale feature fusion, while ignoring the insufficient utilization of features in the intermediate stages, thus resulting in sub-optimal results. To this end, we propose a novel framework, named RFL-CDNet, that utilizes richer feature learning to boost change detection performance. Specifically, we first introduce deep multiple supervision to enhance intermediate representations, thus unleashing the potential of backbone feature extractor at each stage. Furthermore, we design the Coarse-To-Fine Guiding (C2FG) module and the Learnable Fusion (LF) module to further improve feature learning and obtain more discriminative feature representations. The C2FG module aims to seamlessly integrate the side prediction from the previous coarse-scale into the current fine-scale prediction in a coarse-to-fine manner, while LF module assumes that the contribution of each stage and each spatial location is independent, thus designing a learnable module to fuse multiple predictions. Experiments on several benchmark datasets show that our proposed RFL-CDNet achieves state-of-the-art performance on WHU cultivated land dataset and CDD dataset, and the second-best performance on WHU building dataset. The source code and models are publicly available at https://github.com/Hhaizee/RFL-CDNet.
• Abstract（参考訳）: 変化検出はリモートセンシング画像解析において極めて困難な課題であり、ディープラーニングの急速な発展とともに多くの進歩を遂げている。 しかし,既存の深層学習に基づく変化検出手法は主に複雑な特徴抽出とマルチスケール特徴融合に重点を置いており,中間段階における特徴の不十分な利用を無視した結果,準最適結果が得られた。 この目的のために,よりリッチな特徴学習を利用して変化検出性能を向上させる新しいフレームワーク RFL-CDNet を提案する。 具体的には、まず、中間表現を強化するために深層多重監視を導入し、各段階におけるバックボーン特徴抽出器のポテンシャルを解放する。 さらに,C2FGモジュールとLFモジュールを設計し,特徴学習を改善し,より識別的な特徴表現を得る。 LFモジュールは各ステージと空間位置の寄与が独立していると仮定し、複数の予測を融合する学習可能なモジュールを設計する。 いくつかのベンチマークデータセットに対する実験により,提案したRFL-CDNetは,WHUの耕作土地データセットとCDDデータセットの最先端性能と,WHU構築データセットの2番目に高い性能を達成できた。 ソースコードとモデルはhttps://github.com/Hhaizee/RFL-CDNetで公開されている。

関連論文リスト

• GMFL-Net: A Global Multi-geometric Feature Learning Network for Repetitive Action Counting [4.117416395116726]
  GMFL-Net(Global Multi-geometric Feature Learning Network)を提案する。 具体的には,多幾何学的特徴を融合させて情報表現を改善するMIAモジュールを設計する。 また、ポイントワイド素子とチャネルワイド素子の相互依存性を高めるGBFLモジュールを設計する。
  論文  参考訳（メタデータ） (2024-08-31T02:18:26Z)
• Relating CNN-Transformer Fusion Network for Change Detection [23.025190360146635]
  RCTNetは、空間的特徴と時間的特徴の両方を利用する早期融合バックボーンを導入した。 実験では、従来のRS画像CD法よりもRCTNetの方が明らかに優れていることを示した。
  論文  参考訳（メタデータ） (2024-07-03T14:58:40Z)
• C2F-SemiCD: A Coarse-to-Fine Semi-Supervised Change Detection Method Based on Consistency Regularization in High-Resolution Remote Sensing Images [6.191219008656562]
  高精度特徴抽出モデルは変化検出(CD)に不可欠である 整合正則化(C2F-SemiCD)に基づく粗大な半教師付きCD法を提案する。 C2F-SemiCD法の有効性と有効性を検討した。
  論文  参考訳（メタデータ） (2024-04-22T02:34:50Z)
• 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)
• Distributed Gradient Descent for Functional Learning [9.81463654618448]
  我々は,カーネルヒルベルト空間を再現するフレームワークにおいて,多数のローカルマシン(プロセッサ)にまたがる関数データに取り組むために,分散勾配勾配関数学習(DGDFL)アルゴリズムを提案する。 軽度条件下では、DGDFLの信頼に基づく最適学習速度は、機能回帰における以前の研究で被った正則性指数の飽和境界を伴わずに得られる。
  論文  参考訳（メタデータ） (2023-05-12T12:15:42Z)
• 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)
• Dual Swin-Transformer based Mutual Interactive Network for RGB-D Salient Object Detection [67.33924278729903]
  本研究では,Dual Swin-Transformerを用いたMutual Interactive Networkを提案する。 視覚入力における長距離依存をモデル化するために,RGBと奥行きモードの両方の機能抽出器としてSwin-Transformerを採用している。 5つの標準RGB-D SODベンチマークデータセットに関する総合的な実験は、提案手法の優位性を実証している。
  論文  参考訳（メタデータ） (2022-06-07T08:35:41Z)
• FCCDN: Feature Constraint Network for VHR Image Change Detection [12.670734830806591]
  本稿では,変更検出のための特徴制約変更検出ネットワーク(FCCDN)を提案する。 両時間的特徴抽出と特徴融合を両立させる。 2つのビルディング変更検出データセットの最先端性能を実現する。
  論文  参考訳（メタデータ） (2021-05-23T06:13:47Z)
• Self-Supervised Representation Learning for RGB-D Salient Object Detection [93.17479956795862]
  我々は、自己教師付き表現学習を用いて、クロスモーダルオートエンコーダと深さ-輪郭推定という2つのプレテキストタスクを設計する。 我々のプレテキストタスクは、ネットワークがリッチなセマンティックコンテキストをキャプチャする事前トレーニングを実行するのに、少数のRGB-Dデータセットしか必要としない。 RGB-D SODにおけるクロスモーダル核融合の固有の問題として,マルチパス核融合モジュールを提案する。
  論文  参考訳（メタデータ） (2021-01-29T09:16:06Z)
• Bifurcated backbone strategy for RGB-D salient object detection [168.19708737906618]
  我々は、RGB-Dの高次物体検出に固有のマルチモーダル・マルチレベルの性質を活用して、新しいカスケードリファインメントネットワークを考案する。 アーキテクチャは Bifurcated Backbone Strategy Network (BBS-Net) と呼ばれ、シンプルで効率的でバックボーンに依存しない。
  論文  参考訳（メタデータ） (2020-07-06T13:01:30Z)

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。