論文の概要: Lightweight Change Detection in Heterogeneous Remote Sensing Images with Online All-Integer Pruning Training
- arxiv url: http://arxiv.org/abs/2405.01920v1
- Date: Fri, 3 May 2024 08:23:39 GMT
- ステータス: 処理完了
- システム内更新日: 2024-05-06 13:35:25.925048
- Title: Lightweight Change Detection in Heterogeneous Remote Sensing Images with Online All-Integer Pruning Training
- Title（参考訳）: オンライン全整数プランニング訓練による異種リモートセンシング画像の軽量変化検出
- Authors: Chengyang Zhang, Weiming Li, Gang Li, Huina Song, Zhaohui Song, Xueqian Wang, Antonio Plaza,
- Abstract要約: 現在の均質な変化検出手法は、しばしば高い計算とメモリコストに悩まされる。
本稿では,CDネットワークを効率よく微調整するオンラインオール整数プルーニング(OAIP)トレーニング戦略を用いた,新しい軽量CD手法を提案する。
実験結果から,OAIP法は現状のCD法と比較して,同様の検出性能(ただし,複雑性とメモリ使用量を大幅に削減した)が得られることがわかった。
- 参考スコア（独自算出の注目度）: 17.387154380465294
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Detection of changes in heterogeneous remote sensing images is vital, especially in response to emergencies like earthquakes and floods. Current homogenous transformation-based change detection (CD) methods often suffer from high computation and memory costs, which are not friendly to edge-computation devices like onboard CD devices at satellites. To address this issue, this paper proposes a new lightweight CD method for heterogeneous remote sensing images that employs the online all-integer pruning (OAIP) training strategy to efficiently fine-tune the CD network using the current test data. The proposed CD network consists of two visual geometry group (VGG) subnetworks as the backbone architecture. In the OAIP-based training process, all the weights, gradients, and intermediate data are quantized to integers to speed up training and reduce memory usage, where the per-layer block exponentiation scaling scheme is utilized to reduce the computation errors of network parameters caused by quantization. Second, an adaptive filter-level pruning method based on the L1-norm criterion is employed to further lighten the fine-tuning process of the CD network. Experimental results show that the proposed OAIP-based method attains similar detection performance (but with significantly reduced computation complexity and memory usage) in comparison with state-of-the-art CD methods.
- Abstract（参考訳）: 不均一なリモートセンシング画像の変化の検出は、特に地震や洪水などの緊急事態に対応するために不可欠である。
現在の同種変換に基づく変化検出(CD)法は、しばしば高い計算とメモリコストに悩まされ、衛星搭載CD装置のようなエッジ計算装置と親和性がない。
そこで本研究では,オンライン全整数プルーニング(OAIP)トレーニング戦略を用いて,現在のテストデータを用いてCDネットワークを効率よく微調整する,異種リモートセンシング画像のための新しい軽量CD手法を提案する。
提案したCDネットワークは、バックボーンアーキテクチャとして2つの視覚幾何学グループ(VGG)サブネットワークで構成されている。
OAIPベースのトレーニングプロセスでは、全ての重み、勾配、中間データを整数に量子化し、トレーニングを高速化し、メモリ使用量を削減する。
第2に、L1ノルム基準に基づく適応型フィルタレベルのプルーニング法を用いて、CDネットワークの微調整プロセスをさらに軽量化する。
実験結果から,OAIP法は現状のCD法と比較して,同様の検出性能(計算複雑性とメモリ使用量を大幅に削減した)が得られた。
関連論文リスト
- 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) - MB-RACS: Measurement-Bounds-based Rate-Adaptive Image Compressed Sensing Network [65.1004435124796]
本稿では,MB-RACS(Message-Bounds-based Rate-Adaptive Image Compressed Sensing Network)フレームワークを提案する。
実験により,提案手法が現在の先行手法を超越していることが実証された。
論文 参考訳（メタデータ） (2024-01-19T04:40:20Z) - The Road to On-board Change Detection: A Lightweight Patch-Level Change
Detection Network via Exploring the Potential of Pruning and Pooling [16.070481011363153]
大規模な両時間画像ペアにおいて,多数の変更のないパッチペアを迅速に除去する,軽量なパッチレベルCDネットワーク(LPCDNet)を提案する。
2つのCDデータセットの実験により、我々のLPCDNetはエッジ計算プラットフォームで毎秒1000フレーム以上を達成した。
本手法は, その後のピクセルレベルのCD処理ステージのメモリコストを60%以上削減する。
論文 参考訳（メタデータ） (2023-10-16T08:11:41Z) - PRISTA-Net: Deep Iterative Shrinkage Thresholding Network for Coded
Diffraction Patterns Phase Retrieval [6.982256124089]
位相検索は、計算画像および画像処理における非線型逆問題である。
我々は,1次反復しきい値しきい値アルゴリズム(ISTA)に基づく深層展開ネットワークであるPRISTA-Netを開発した。
非線形変換,しきい値,ステップサイズなど,提案するPRISTA-Netフレームワークのパラメータはすべて,設定されるのではなく,エンドツーエンドで学習される。
論文 参考訳（メタデータ） (2023-09-08T07:37:15Z) - Iterative Soft Shrinkage Learning for Efficient Image Super-Resolution [91.3781512926942]
画像超解像(SR)は、CNNからトランスフォーマーアーキテクチャへの広範なニューラルネットワーク設計を目撃している。
本研究は,市販のネットワーク設計を生かし,基礎となる計算オーバーヘッドを低減するため,超高解像度イテレーションにおけるネットワークプルーニングの可能性について検討する。
本研究では, ランダムネットワークのスパース構造を最適化し, 重要でない重みを小さめに微調整することにより, 反復型軟収縮率(ISS-P)法を提案する。
論文 参考訳（メタデータ） (2023-03-16T21:06:13Z) - 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) - ATASI-Net: An Efficient Sparse Reconstruction Network for Tomographic
SAR Imaging with Adaptive Threshold [13.379416816598873]
本稿では,解析的反復収縮しきい値決定アルゴリズム(ALISTA)に基づく,効率的なスパース展開ネットワークを提案する。
ATASI-Netの各層における重み行列は、オフライン最適化問題の解法として事前計算される。
さらに、各方位領域画素に対して適応しきい値を導入し、しきい値収縮を層蒸着だけでなく素子的にも可能とする。
論文 参考訳（メタデータ） (2022-11-30T09:55:45Z) - 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) - Manifold Regularized Dynamic Network Pruning [102.24146031250034]
本稿では,全インスタンスの多様体情報をプルーンドネットワークの空間に埋め込むことにより,冗長フィルタを動的に除去する新しいパラダイムを提案する。
提案手法の有効性をいくつかのベンチマークで検証し,精度と計算コストの両面で優れた性能を示す。
論文 参考訳（メタデータ） (2021-03-10T03:59:03Z) - Urban Change Detection by Fully Convolutional Siamese Concatenate
Network with Attention [0.6999740786886537]
変更検出(CD)はリモートセンシング、特に都市管理における災害時において重要な問題である。
オブジェクトベースのモデルは、非常に高解像度のリモートセンシング(VHR RS)画像を扱うピクセルベースの手法に好まれる。
本稿では,VHR RS画像の完全自動変化検出アルゴリズムを提案する。
論文 参考訳（メタデータ） (2021-01-31T17:47:16Z) - Robust Unsupervised Small Area Change Detection from SAR Imagery Using
Deep Learning [23.203687716051697]
合成開口レーダ(SAR)画像から小さな領域変化検出のための頑健な教師なし手法を提案する。
差分画像(DI)を生成するマルチスケールスーパーピクセル再構成法を開発した。
二段階中心拘束型ファジィc平均クラスタリングアルゴリズムを提案し、DIの画素を変化・変化・中間クラスに分割する。
論文 参考訳（メタデータ） (2020-11-22T12:50:08Z)
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。