Fugu-MT 論文翻訳(概要): DDLNet: Boosting Remote Sensing Change Detection with Dual-Domain Learning

論文の概要: DDLNet: Boosting Remote Sensing Change Detection with Dual-Domain Learning

arxiv url: http://arxiv.org/abs/2406.13606v1
Date: Wed, 19 Jun 2024 14:54:09 GMT
ステータス: 処理完了
システム内更新日: 2024-06-21 19:24:08.002028
Title: DDLNet: Boosting Remote Sensing Change Detection with Dual-Domain Learning
Title（参考訳）: DDLNet:デュアルドメイン学習によるリモートセンシング変更検出の強化
Authors: Xiaowen Ma, Jiawei Yang, Rui Che, Huanting Zhang, Wei Zhang,
Abstract要約: 変化センシング(RSCD)は、多時間リモートセンシング画像を分析して、ある領域における関心の変化を特定することを目的としている。既存のRSCD法は、関心の変化を高めるために空間領域におけるコンテキストモデリングに費やされている。二重領域学習(周波数領域と空間領域)に基づくRSCDネットワークDNetを提案する。
参考スコア（独自算出の注目度）: 5.932234366793244
License: http://creativecommons.org/licenses/by/4.0/
Abstract: Remote sensing change detection (RSCD) aims to identify the changes of interest in a region by analyzing multi-temporal remote sensing images, and has an outstanding value for local development monitoring. Existing RSCD methods are devoted to contextual modeling in the spatial domain to enhance the changes of interest. Despite the satisfactory performance achieved, the lack of knowledge in the frequency domain limits the further improvement of model performance. In this paper, we propose DDLNet, a RSCD network based on dual-domain learning (i.e., frequency and spatial domains). In particular, we design a Frequency-domain Enhancement Module (FEM) to capture frequency components from the input bi-temporal images using Discrete Cosine Transform (DCT) and thus enhance the changes of interest. Besides, we devise a Spatial-domain Recovery Module (SRM) to fuse spatiotemporal features for reconstructing spatial details of change representations. Extensive experiments on three benchmark RSCD datasets demonstrate that the proposed method achieves state-of-the-art performance and reaches a more satisfactory accuracy-efficiency trade-off. Our code is publicly available at https://github.com/xwmaxwma/rschange.
Abstract（参考訳）: リモートセンシング変化検出(RSCD)は、マルチ時間リモートセンシング画像を分析して、地域における関心の変化を識別することを目的としており、ローカル開発監視には優れた価値がある。既存のRSCD法は、関心の変化を高めるために空間領域におけるコンテキストモデリングに費やされている。十分な性能が達成されたにもかかわらず、周波数領域における知識の欠如は、モデル性能のさらなる改善を制限する。本稿では、二重ドメイン学習(周波数領域と空間領域)に基づくRSCDネットワークであるDDLNetを提案する。特に、周波数領域拡張モジュール(FEM)を設計し、離散コサイン変換(DCT)を用いて入力されたバイテンポラル画像から周波数成分をキャプチャし、関心の変化を高める。また,空間領域復元モジュール (SRM) を設計し,空間的表現の空間的詳細を再構築するための時空間的特徴を融合する。 3つのベンチマークRSCDデータセットの大規模な実験により、提案手法は最先端の性能を達成し、より良好な精度と効率のトレードオフに達することを示した。私たちのコードはhttps://github.com/xwmaxwma/rschange.comで公開されています。

関連論文リスト

EfficientCD: A New Strategy For Change Detection Based With Bi-temporal Layers Exchanged [3.3885253104046993]
本稿では,リモートセンシング画像変化検出のためのEfficientCDという新しいディープラーニングフレームワークを提案する。このフレームワークは機能抽出のバックボーンネットワークとしてEfficientNetを使用している。 EfficientCDは4つのリモートセンシングデータセットで実験的に検証されている。
論文参考訳（メタデータ） (2024-07-22T19:11:50Z)
Wavelet-based Bi-dimensional Aggregation Network for SAR Image Change Detection [53.842568573251214]
3つのSARデータセットによる実験結果から、我々のWBANetは現代最先端の手法を著しく上回っていることが明らかとなった。我々のWBANetは、それぞれのデータセットで98.33%、96.65%、96.62%の正確な分類(PCC)を達成している。
論文参考訳（メタデータ） (2024-07-18T04:36:10Z)
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)
BD-MSA: Body decouple VHR Remote Sensing Image Change Detection method guided by multi-scale feature information aggregation [4.659935767219465]
リモートセンシング画像変化検出(RSCD)の目的は、同じ場所で撮影された両時間画像の違いを検出することである。深層学習はRSCDタスクに広く使われており、結果認識の点で重要な結果をもたらしている。
論文参考訳（メタデータ） (2024-01-09T02:53:06Z)
DI-V2X: Learning Domain-Invariant Representation for Vehicle-Infrastructure Collaborative 3D Object Detection [78.09431523221458]
DI-V2Xは、新しい蒸留フレームワークを通じてドメイン不変表現を学習することを目的としている。 DI-V2Xは、ドメイン混合インスタンス拡張(DMA)モジュール、プログレッシブドメイン不変蒸留(PDD)モジュール、ドメイン適応融合(DAF)モジュールの3つの必須成分から構成される。
論文参考訳（メタデータ） (2023-12-25T14:40:46Z)
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)
STNet: Spatial and Temporal feature fusion network for change detection in remote sensing images [5.258365841490956]
空間的・時間的特徴融合に基づくリモートセンシング変化検出ネットワークSTNetを提案する。 RSCDのための3つのベンチマークデータセットの実験結果から,提案手法が最先端の性能を実現することを示す。
論文参考訳（メタデータ） (2023-04-22T14:40:41Z)
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)
Adaptive Frequency Learning in Two-branch Face Forgery Detection [66.91715092251258]
本稿では、AFDと呼ばれる2分岐検出フレームワークにおいて、周波数情報を適応的に学習する手法を提案する。我々は、固定周波数変換からネットワークを解放し、データおよびタスク依存の変換層でより良いパフォーマンスを達成する。
論文参考訳（メタデータ） (2022-03-27T14:25:52Z)
Change Detection in Synthetic Aperture Radar Images Using a Dual-Domain Network [33.50775914682585]
合成開口レーダ(SAR)画像からの変化検出は、重要かつ困難な作業です。既存の手法は主に空間領域の特徴抽出に焦点を当てており、周波数領域にはほとんど注意が払われていない。上記の2つの課題に取り組むためのデュアルドメインネットワークを提案します。
論文参考訳（メタデータ） (2021-04-14T08:41:48Z)

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。