Fugu-MT 論文翻訳(概要): SSLChange: A Self-supervised Change Detection Framework Based on Domain Adaptation

論文の概要: SSLChange: A Self-supervised Change Detection Framework Based on Domain Adaptation

arxiv url: http://arxiv.org/abs/2405.18224v1
Date: Tue, 28 May 2024 14:34:51 GMT
ステータス: 処理完了
システム内更新日: 2024-05-29 18:09:42.691437
Title: SSLChange: A Self-supervised Change Detection Framework Based on Domain Adaptation
Title（参考訳）: SSLChange:ドメイン適応に基づく自己管理型変更検出フレームワーク
Authors: Yitao Zhao, Turgay Celik, Nanqing Liu, Feng Gao, Heng-Chao Li,
Abstract要約: SSLChangeは、変更検出のための自己監督型コントラストフレームワークである。単時間サンプルを取るだけで、自己学習ができる。フレキシブルにメインストリームのCDベースラインに転送できる。
参考スコア（独自算出の注目度）: 13.186214312979912
License: http://creativecommons.org/licenses/by/4.0/
Abstract: In conventional remote sensing change detection (RS CD) procedures, extensive manual labeling for bi-temporal images is first required to maintain the performance of subsequent fully supervised training. However, pixel-level labeling for CD tasks is very complex and time-consuming. In this paper, we explore a novel self-supervised contrastive framework applicable to the RS CD task, which promotes the model to accurately capture spatial, structural, and semantic information through domain adapter and hierarchical contrastive head. The proposed SSLChange framework accomplishes self-learning only by taking a single-temporal sample and can be flexibly transferred to main-stream CD baselines. With self-supervised contrastive learning, feature representation pre-training can be performed directly based on the original data even without labeling. After a certain amount of labels are subsequently obtained, the pre-trained features will be aligned with the labels for fully supervised fine-tuning. Without introducing any additional data or labels, the performance of downstream baselines will experience a significant enhancement. Experimental results on 2 entire datasets and 6 diluted datasets show that our proposed SSLChange improves the performance and stability of CD baseline in data-limited situations. The code of SSLChange will be released at \url{https://github.com/MarsZhaoYT/SSLChange}
Abstract（参考訳）: 従来のリモートセンシング変化検出 (RS CD) では, バイテンポラル画像に対する広範囲な手動ラベリングが, 後続の完全教師付きトレーニングのパフォーマンスを維持するために要求される。しかし、CDタスクのピクセルレベルのラベリングは非常に複雑で時間を要する。本稿では, 空間的, 構造的, 意味的な情報を, ドメインアダプタと階層的コントラストヘッドを通して正確に捉えることを促進させる, RSCDタスクに適用可能な, 自己監督型コントラスト型フレームワークについて検討する。提案するSSLChangeフレームワークは,単一時間サンプルの取得によってのみ自己学習を実現し,メインストリームのCDベースラインに柔軟に転送することができる。自己教師付きコントラスト学習では、ラベリングなしでも、元のデータに基づいて特徴表現事前学習を行うことができる。その後、一定の量のラベルが得られた後、事前訓練された特徴は、完全に教師された微調整のためにラベルと整列する。追加のデータやラベルを導入することなく、下流のベースラインのパフォーマンスは大幅に向上する。 2つのデータセットと6つの希釈データセットによる実験結果から,提案したSSLChangeは,データ制限時のCDベースラインの性能と安定性を向上させることが示された。 SSLChangeのコードは \url{https://github.com/MarsZhaoYT/SSLChange} でリリースされる。

関連論文リスト

AdaSemiCD: An Adaptive Semi-Supervised Change Detection Method Based on Pseudo-Label Evaluation [0.0]
擬似ラベルの使用を改善するための適応型動的半教師付き学習手法であるAdaCDを提案し,学習過程を最適化する。 LEVIR-CD, WHU-CD, CDDデータセットによる実験結果から, 適応学習フレームワークの有効性と普遍性を検証した。
論文参考訳（メタデータ） (2024-11-12T12:35:34Z)
A Closer Look at Benchmarking Self-Supervised Pre-training with Image Classification [51.35500308126506]
自己教師付き学習(SSL)は、データ自体が監視を提供する機械学習アプローチであり、外部ラベルの必要性を排除している。 SSLの分類に基づく評価プロトコルがどのように相関し、異なるデータセットのダウンストリーム性能を予測するかを検討する。
論文参考訳（メタデータ） (2024-07-16T23:17:36Z)
SwiMDiff: Scene-wide Matching Contrastive Learning with Diffusion Constraint for Remote Sensing Image [21.596874679058327]
SwiMDiffは、リモートセンシング画像のための新しい自己教師付き事前トレーニングフレームワークである。ラベルを再分類し、同じシーンからのデータを偽陰性として認識する。対照的学習(CL)と拡散モデルとをシームレスに統合する。
論文参考訳（メタデータ） (2024-01-10T11:55:58Z)
Pixel-Level Change Detection Pseudo-Label Learning for Remote Sensing Change Captioning [28.3763053922823]
リモートセンシング画像変化キャプション(RSICC)の手法は、単純なシーンではうまく機能するが、複雑なシーンでは性能が劣る。画素レベルのCDは言語による画像の違いを説明する上で重要であると我々は信じている。提案手法は最先端の性能を達成し,学習用画素レベルのCD擬似ラベルがキャプションの変更に大きく貢献することを示す。
論文参考訳（メタデータ） (2023-12-23T17:58:48Z)
Distilling Self-Supervised Vision Transformers for Weakly-Supervised Few-Shot Classification & Segmentation [58.03255076119459]
視覚変換器(ViT)を利用した弱教師付き小ショット画像分類とセグメンテーションの課題に対処する。提案手法は,自己監督型ViTからトークン表現を抽出し,その相関関係を利用して分類とセグメンテーションの予測を行う。 Pascal-5iとCOCO-20iの実験は、様々な監視設定において大きなパフォーマンス向上を示した。
論文参考訳（メタデータ） (2023-07-07T06:16:43Z)
In-Domain Self-Supervised Learning Improves Remote Sensing Image Scene Classification [5.323049242720532]
リモートセンシング画像分類のための有望なアプローチとして,自己教師付き学習が登場している。そこで本研究では,14の下流データセットにまたがる自己教師型事前学習戦略について検討し,その効果を評価する。
論文参考訳（メタデータ） (2023-07-04T10:57:52Z)
ProtoCon: Pseudo-label Refinement via Online Clustering and Prototypical Consistency for Efficient Semi-supervised Learning [60.57998388590556]
ProtoConは信頼性に基づく疑似ラベル作成の新しい手法である。 ProtoConのオンライン版では、データセット全体のラベル履歴を1回のトレーニングサイクルで活用することができる。最先端のデータセットよりも大幅に向上し、より高速に収束する。
論文参考訳（メタデータ） (2023-03-22T23:51:54Z)
Learning Self-Supervised Low-Rank Network for Single-Stage Weakly and Semi-Supervised Semantic Segmentation [119.009033745244]
本稿では,単一段階弱教師付きセマンティックセマンティックセマンティックセマンティクス(WSSS)と半教師付きセマンティクスセマンティクスセマンティクス(SSSS)のための自己教師付き低ランクネットワーク(SLRNet)を提案する。 SLRNetは、画像の異なるビューから複数の注意深いLR表現を同時に予測し、正確な擬似ラベルを学習する。 Pascal VOC 2012、COCO、L2IDデータセットの実験では、SLRNetは最先端のWSSSメソッドとSSSSメソッドの両方で、さまざまな設定で優れています。
論文参考訳（メタデータ） (2022-03-19T09:19:55Z)
CLS: Cross Labeling Supervision for Semi-Supervised Learning [9.929229055862491]
Cross Labeling Supervision (CLS) は、典型的な擬似ラベル処理を一般化するフレームワークである。 CLSは擬似ラベルと相補ラベルの両方を作成でき、正と負の両方の学習をサポートする。
論文参考訳（メタデータ） (2022-02-17T08:09:40Z)
Self-Tuning for Data-Efficient Deep Learning [75.34320911480008]
セルフチューニングは、データ効率のよいディープラーニングを可能にする新しいアプローチである。ラベル付きおよびラベルなしデータの探索と事前訓練されたモデルの転送を統一する。 SSLとTLの5つのタスクをシャープなマージンで上回ります。
論文参考訳（メタデータ） (2021-02-25T14:56:19Z)
Dual-Refinement: Joint Label and Feature Refinement for Unsupervised Domain Adaptive Person Re-Identification [51.98150752331922]
Unsupervised Domain Adaptive (UDA) Person Re-identification (再ID) は、ターゲットドメインデータのラベルが欠落しているため、難しい作業です。オフラインクラスタリングフェーズにおける擬似ラベルとオンライントレーニングフェーズにおける特徴を共同で改良する,デュアルリファインメントと呼ばれる新しいアプローチを提案する。本手法は最先端手法を大きなマージンで上回っている。
論文参考訳（メタデータ） (2020-12-26T07:35:35Z)

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。