Fugu-MT 論文翻訳(概要): Single-Temporal Supervised Learning for Universal Remote Sensing Change Detection

論文の概要: Single-Temporal Supervised Learning for Universal Remote Sensing Change Detection

arxiv url: http://arxiv.org/abs/2406.15694v1
Date: Sat, 22 Jun 2024 00:03:21 GMT
ステータス: 処理完了
システム内更新日: 2024-06-25 21:04:37.153031
Title: Single-Temporal Supervised Learning for Universal Remote Sensing Change Detection
Title（参考訳）: ユニバーサルリモートセンシング変更検出のための単一時間教師付き学習
Authors: Zhuo Zheng, Yanfei Zhong, Ailong Ma, Liangpei Zhang,
Abstract要約: 広帯域リモートセンシングによる変化検出のための単一時間教師あり学習(STAR)を提案する。 Starは、未ペアラベル画像のみを使用して、高精度な変化検知器を訓練することを可能にする。 ChangeStar2は、8つのパブリックリモートセンシング変更検出データセットで最先端のパフォーマンスを達成する。
参考スコア（独自算出の注目度）: 21.622442722863028
License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
Abstract: Bitemporal supervised learning paradigm always dominates remote sensing change detection using numerous labeled bitemporal image pairs, especially for high spatial resolution (HSR) remote sensing imagery. However, it is very expensive and labor-intensive to label change regions in large-scale bitemporal HSR remote sensing image pairs. In this paper, we propose single-temporal supervised learning (STAR) for universal remote sensing change detection from a new perspective of exploiting changes between unpaired images as supervisory signals. STAR enables us to train a high-accuracy change detector only using unpaired labeled images and can generalize to real-world bitemporal image pairs. To demonstrate the flexibility and scalability of STAR, we design a simple yet unified change detector, termed ChangeStar2, capable of addressing binary change detection, object change detection, and semantic change detection in one architecture. ChangeStar2 achieves state-of-the-art performances on eight public remote sensing change detection datasets, covering above two supervised settings, multiple change types, multiple scenarios. The code is available at https://github.com/Z-Zheng/pytorch-change-models.
Abstract（参考訳）: 特に高空間分解能(HSR)リモートセンシング画像において、バイテンポラル教師付き学習パラダイムは、多くのラベル付きバイテンポラルイメージペアを用いたリモートセンシング変化検出を常に支配している。しかし、大規模なバイテンポラルHSRリモートセンシング画像対における変化領域のラベル付けは非常に高価で労力がかかる。本稿では,非ペア画像間の変化を監視信号として活用する新しい視点から,リモートセンシングの普遍的変化検出のための単一時間教師付き学習(STAR)を提案する。 STARにより、未ペアラベル付き画像のみを用いて高精度な変化検出装置を訓練し、実世界のバイテンポラル画像ペアに一般化することができる。そこで本研究では,STARの柔軟性とスケーラビリティを実証するため,バイナリ変更検出,オブジェクト変更検出,セマンティック変更検出をひとつのアーキテクチャで処理可能な,シンプルで統一的な変更検出器であるChangeStar2を設計した。 ChangeStar2は、8つのパブリックリモートセンシング変更検出データセットの最先端のパフォーマンスを実現し、2つの教師付き設定、複数の変更タイプ、複数のシナリオをカバーする。コードはhttps://github.com/Z-Zheng/pytorch-change-modelsで入手できる。

関連論文リスト

Show Me What and Where has Changed? Question Answering and Grounding for Remote Sensing Change Detection [82.65760006883248]
我々は,CDQAG (Change Detection Question Answering and Grounding) という新しいタスクを導入する。 CDQAGは、解釈可能なテキスト回答と直感的な視覚的証拠を提供することで、従来の変更検出タスクを拡張している。 QAG-360Kと呼ばれる最初のCDQAGベンチマークデータセットを構築し、360K以上の質問、テキスト回答、およびそれに対応する高品質な視覚マスクを含む。
論文参考訳（メタデータ） (2024-10-31T11:20:13Z)
Enhancing Perception of Key Changes in Remote Sensing Image Change Captioning [49.24306593078429]
KCFI(Key Change Features and Instruction-tuned)によるリモートセンシング画像変換キャプションのための新しいフレームワークを提案する。 KCFIは、バイテンポラルリモートセンシング画像特徴を抽出するViTsエンコーダと、重要な変化領域を識別するキー特徴知覚器と、画素レベルの変化検出デコーダとを含む。提案手法の有効性を検証するため,LEVIR-CCデータセット上のいくつかの最新の変更キャプション手法との比較を行った。
論文参考訳（メタデータ） (2024-09-19T09:33:33Z)
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)
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)
Segment Any Change [64.23961453159454]
本稿では、ゼロショット予測と、見えない変更タイプやデータ分布の一般化をサポートする新しいタイプの変更検出モデルを提案する。 AnyChangeは、トレーニング不要適応法、バイテンポラルラテントマッチングを通じてSAM(Se segment Any Model)上に構築されます。また、AnyChangeのゼロショットオブジェクト中心の変更検出機能を有効にするためのポイントクエリ機構を提案する。
論文参考訳（メタデータ） (2024-02-02T07:17:39Z)
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)
Self-Pair: Synthesizing Changes from Single Source for Object Change Detection in Remote Sensing Imagery [6.586756080460231]
本研究では,2つの空間的無関係な画像を用いて変化検出器をトレーニングする。本稿では,画像の残像としての操作が,変化検出の性能に不可欠であることを示す。本手法は, 単一時間監視に基づく既存手法よりも優れる。
論文参考訳（メタデータ） (2022-12-20T13:26:42Z)
dual unet:a novel siamese network for change detection with cascade differential fusion [4.651756476458979]
本稿では,変化検出タスク,すなわちDual-UNetのための新しいSiameseニューラルネットワークを提案する。従来のバイテンポラル画像の符号化とは対照的に,画素の空間的差分関係に着目したエンコーダ差分アテンションモジュールを設計する。実験により、提案手法は、一般的な季節変化検出データセットにおいて、常に最も高度な手法よりも優れていることが示された。
論文参考訳（メタデータ） (2022-08-12T14:24:09Z)
Change is Everywhere: Single-Temporal Supervised Object Change Detection in Remote Sensing Imagery [23.620965329033716]
新しい視点から変化検出のための単一時間教師付き学習(STAR)を提案する。我々は,テキストファインペア付きラベル付き画像のみを用いて高精度な変化検出装置を訓練し,実世界のバイテンポラル画像に一般化する。 ChangeStarは、単一の時間的監督の下で、ベースラインを大きなマージンでパフォーマンスし、バイ時間的監督下で優れたパフォーマンスを達成する。
論文参考訳（メタデータ） (2021-08-16T10:25:15Z)
Self-supervised Multisensor Change Detection [14.191073951237772]
両時間衛星画像における自己教師付き変化検出の文脈におけるマルチセンサ分析を再考する。近年の自己教師あり学習手法の進歩は、その一部が少数の画像で機能することさえ示している。そこで本研究では,非ラベル対象の二時間画像のみを用いたマルチセンサ変化検出手法を提案する。
論文参考訳（メタデータ） (2021-02-12T12:31:10Z)
D-Unet: A Dual-encoder U-Net for Image Splicing Forgery Detection and Localization [108.8592577019391]
画像スプライシング偽造検出は、画像指紋によって改ざんされた領域と非改ざんされた領域を区別するグローバルバイナリ分類タスクである。画像スプライシングフォージェリ検出のためのデュアルエンコーダU-Net(D-Unet)という,固定されていないエンコーダと固定エンコーダを用いた新しいネットワークを提案する。 D-Unetと最先端技術の比較実験において、D-Unetは画像レベルおよび画素レベルの検出において他の手法よりも優れていた。
論文参考訳（メタデータ） (2020-12-03T10:54:02Z)

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。