Fugu-MT 論文翻訳(概要): Wavelet-based Bi-dimensional Aggregation Network for SAR Image Change Detection

論文の概要: Wavelet-based Bi-dimensional Aggregation Network for SAR Image Change Detection

arxiv url: http://arxiv.org/abs/2407.13151v1
Date: Thu, 18 Jul 2024 04:36:10 GMT
ステータス: 処理完了
システム内更新日: 2024-07-19 16:51:58.153058
Title: Wavelet-based Bi-dimensional Aggregation Network for SAR Image Change Detection
Title（参考訳）: SAR画像変化検出のためのウェーブレットに基づく二次元アグリゲーションネットワーク
Authors: Jiangwei Xie, Feng Gao, Xiaowei Zhou, Junyu Dong,
Abstract要約: 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。
参考スコア（独自算出の注目度）: 53.842568573251214
License: http://creativecommons.org/licenses/by/4.0/
Abstract: Synthetic aperture radar (SAR) image change detection is critical in remote sensing image analysis. Recently, the attention mechanism has been widely used in change detection tasks. However, existing attention mechanisms often employ down-sampling operations such as average pooling on the Key and Value components to enhance computational efficiency. These irreversible operations result in the loss of high-frequency components and other important information. To address this limitation, we develop Wavelet-based Bi-dimensional Aggregation Network (WBANet) for SAR image change detection. We design a wavelet-based self-attention block that includes discrete wavelet transform and inverse discrete wavelet transform operations on Key and Value components. Hence, the feature undergoes downsampling without any loss of information, while simultaneously enhancing local contextual awareness through an expanded receptive field. Additionally, we have incorporated a bi-dimensional aggregation module that boosts the non-linear representation capability by merging spatial and channel information via broadcast mechanism. Experimental results on three SAR datasets demonstrate that our WBANet significantly outperforms contemporary state-of-the-art methods. Specifically, our WBANet achieves 98.33\%, 96.65\%, and 96.62\% of percentage of correct classification (PCC) on the respective datasets, highlighting its superior performance. Source codes are available at \url{https://github.com/summitgao/WBANet}.
Abstract（参考訳）: 合成開口レーダ(SAR)画像変化検出はリモートセンシング画像解析において重要である。近年,アテンション機構は変化検出タスクに広く利用されている。しかし、既存の注意機構では、計算効率を高めるためにキーとバリューコンポーネントの平均プーリングのようなダウンサンプリング処理を用いることが多い。これらの不可逆演算は、高周波成分の喪失やその他の重要な情報をもたらす。この制限に対処するため、SAR画像変化検出のためのWavelet-based Bi-dimensional Aggregation Network (WBANet) を開発した。本稿では,ウェーブレット変換とキーおよびバリューコンポーネント上の逆離散ウェーブレット変換を含むウェーブレットベースの自己アテンションブロックを設計する。したがって、この機能は情報を失うことなくダウンサンプリングを行い、同時に、拡張された受容領域を通して局所的な文脈認識を強化する。さらに,放送機構を介して空間情報とチャネル情報を融合することにより,非線形表現能力を高める2次元アグリゲーションモジュールを組み込んだ。 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。具体的には、WBANetは、それぞれのデータセット上で98.33\%、96.65\%、96.62\%の正確な分類(PCC)を達成した。ソースコードは \url{https://github.com/summitgao/WBANet} で入手できる。

関連論文リスト

WiNet: Wavelet-based Incremental Learning for Efficient Medical Image Registration [68.25711405944239]
深部画像登録は異常な精度と高速な推測を示した。近年の進歩は、粗大から粗大の方法で密度変形場を推定するために、複数のカスケードまたはピラミッドアーキテクチャを採用している。本稿では,様々なスケールにわたる変位/速度場に対して,スケールワイブレット係数を漸進的に推定するモデル駆動WiNetを提案する。
論文参考訳（メタデータ） (2024-07-18T11:51:01Z)
L-WaveBlock: A Novel Feature Extractor Leveraging Wavelets for Generative Adversarial Networks [0.0]
本稿では,離散ウェーブレット変換(DWT)と深層学習手法を併用した,新規で堅牢な特徴抽出器L-WaveBlockを紹介する。 L-WaveBlockは、GANジェネレータの収束を迅速にし、同時に性能を向上する。本稿では,道路衛星画像データセット,CelebAデータセット,GoProデータセットの3つのデータセットにまたがるL-WaveBlockの顕著な有用性を示す。
論文参考訳（メタデータ） (2023-11-09T17:47:32Z)
Convolution and Attention Mixer for Synthetic Aperture Radar Image Change Detection [41.38587746899477]
合成開口レーダ(SAR)画像変化検出は重要な課題であり,リモートセンシングコミュニティで注目されている。既存のSAR変化検出法は主に畳み込みニューラルネットワーク(CNN)に基づいているグローバルアテンションを取り入れたコンボリューション・アテンション・ミキサー(CAMixer)を提案する。
論文参考訳（メタデータ） (2023-09-21T12:28:23Z)
ESSAformer: Efficient Transformer for Hyperspectral Image Super-resolution [76.7408734079706]
単一ハイパースペクトル像超解像(単一HSI-SR)は、低分解能観測から高分解能ハイパースペクトル像を復元することを目的としている。本稿では,1つのHSI-SRの繰り返し精製構造を持つESSA注目組込みトランスフォーマネットワークであるESSAformerを提案する。
論文参考訳（メタデータ） (2023-07-26T07:45:14Z)
Multi-Scale Wavelet Transformer for Face Forgery Detection [43.33712402517951]
顔偽造検出のためのマルチスケールウェーブレットトランスフォーマフレームワークを提案する。周波数に基づく空間的注意は、空間的特徴抽出器をフォージェリトレースに集中させるよう誘導するように設計されている。空間的特徴と周波数特徴を融合させるため,モーダリティ間の注意が提案されている。
論文参考訳（メタデータ） (2022-10-08T03:39:36Z)
Change Detection from Synthetic Aperture Radar Images via Dual Path Denoising Network [38.78699830610313]
SAR画像変化検出のためのDual Path Denoising Network (DPDNet)を提案する。我々は,事前分類に関わるラベルノイズをクリーンにするために,ランダムなラベル伝搬を導入する。また,特徴表現学習のための特徴的パッチ畳み込みを提案する。
論文参考訳（メタデータ） (2022-03-13T01:51:51Z)
Context-Preserving Instance-Level Augmentation and Deformable Convolution Networks for SAR Ship Detection [50.53262868498824]
ランダムな方向と部分的な情報損失によるSAR画像のターゲット形状の変形は、SAR船の検出において必須の課題である。ターゲット内の部分的な情報損失に頑健なディープネットワークをトレーニングするためのデータ拡張手法を提案する。
論文参考訳（メタデータ） (2022-02-14T07:01:01Z)
Spatial-Phase Shallow Learning: Rethinking Face Forgery Detection in Frequency Domain [88.7339322596758]
本論文では,空間画像と位相スペクトルを組み合わせ,顔の偽造のアップサンプリング成果をキャプチャするSPSL(Spatial-Phase Shallow Learning)法を提案する。 SPSLは、クロスデータセット評価における最先端性能とマルチクラス分類を実現し、単一データセット評価において同等の結果を得ることができる。
論文参考訳（メタデータ） (2021-03-02T16:45:08Z)
Spatial-Spectral Residual Network for Hyperspectral Image Super-Resolution [82.1739023587565]
ハイパースペクトル画像超解像のための新しいスペクトル空間残差ネットワーク(SSRNet)を提案する。提案手法は,2次元畳み込みではなく3次元畳み込みを用いて空間スペクトル情報の探索を効果的に行うことができる。各ユニットでは空間的・時間的分離可能な3次元畳み込みを用いて空間的・スペクトル的な情報を抽出する。
論文参考訳（メタデータ） (2020-01-14T03:34:55Z)

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。