Fugu-MT 論文翻訳(概要): Specialized Change Detection using Segment Anything

論文の概要: Specialized Change Detection using Segment Anything

arxiv url: http://arxiv.org/abs/2408.06644v1
Date: Tue, 13 Aug 2024 05:27:23 GMT
ステータス: 処理完了
システム内更新日: 2024-08-14 18:26:42.319864
Title: Specialized Change Detection using Segment Anything
Title（参考訳）: セグメント情報を用いた特化変化検出
Authors: Tahir Ahmad, Sudipan Saha,
Abstract要約: 変化検出(CD)は地球観測の基本的な課題である。他の変更を破棄しながら、特定のアプリケーションに関連する特定の変更をターゲットとする特殊なメソッドの必要性が高まっている。本稿では,多目的視覚基盤モデルであるSegment Anything Model (SAM) を用いた集中型CD手法を提案する。
参考スコア（独自算出の注目度）: 5.586191108738564
License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
Abstract: Change detection (CD) is a fundamental task in Earth observation. While most change detection methods detect all changes, there is a growing need for specialized methods targeting specific changes relevant to particular applications while discarding the other changes. For instance, urban management might prioritize detecting the disappearance of buildings due to natural disasters or other reasons. Furthermore, while most supervised change detection methods require large-scale training datasets, in many applications only one or two training examples might be available instead of large datasets. Addressing such needs, we propose a focused CD approach using the Segment Anything Model (SAM), a versatile vision foundation model. Our method leverages a binary mask of the object of interest in pre-change images to detect their disappearance in post-change images. By using SAM's robust segmentation capabilities, we create prompts from the pre-change mask, use those prompts to segment the post-change image, and identify missing objects. This unsupervised approach demonstrated for building disappearance detection, is adaptable to various domains requiring specialized CD. Our contributions include defining a novel CD problem, proposing a method using SAM, and demonstrating its effectiveness. The proposed method also has benefits related to privacy preservation.
Abstract（参考訳）: 変化検出(CD)は地球観測の基本的な課題である。ほとんどの変更検出方法は、すべての変更を検知するが、特定のアプリケーションに関連する特定の変更をターゲットとして、他の変更を破棄する特殊な方法の必要性が高まっている。例えば、都市経営は自然災害などの理由で建物の消失を検出することを優先する可能性がある。さらに、ほとんどの教師付き変更検出方法は大規模なトレーニングデータセットを必要とするが、多くのアプリケーションでは、大規模なデータセットの代わりに1つまたは2つのトレーニング例しか利用できない。このようなニーズに対処するため、多目的視覚基盤モデルであるSAM(Segment Anything Model)を用いて焦点を絞ったCDアプローチを提案する。本手法は,事前変更画像に注目する対象の2値マスクを利用して,後変更画像の消失を検出する。 SAMの堅牢なセグメンテーション機能を使用することで、プリチェンジマスクからのプロンプトを生成し、これらのプロンプトを使用してポストチェンジイメージのセグメンテーションを行い、行方不明なオブジェクトを特定する。この非教師なしのアプローチは、特殊なCDを必要とする様々な領域に適応できる。コントリビューションには、新しいCD問題の定義、SAMを用いた手法の提案、その有効性を示すことが含まれる。提案手法は,プライバシ保護に関するメリットももたらしている。

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。そこで本研究では,質問応答とグラウンド化のタスクを統一する,シンプルで効果的なベースライン手法であるVisTAを提案する。
論文参考訳（メタデータ） (2024-10-31T11:20:13Z)
ZeroSCD: Zero-Shot Street Scene Change Detection [2.3020018305241337]
Scene Change Detectionは、コンピュータビジョンとロボティクスにおいて難しいタスクである。従来の変更検出方法は、これらのイメージペアを入力として、変更を見積もるトレーニングモデルに依存しています。我々は,ゼロショットシーン変化検出フレームワークであるZeroSCDを提案する。
論文参考訳（メタデータ） (2024-09-23T17:53:44Z)
Rethinking Remote Sensing Change Detection With A Mask View [6.3921187411592655]
リモートセンシング変化検出は、同じ領域で記録された2つ以上の画像を比較することを目的としているが、異なるスタンプで、地理的実体や環境要因の変化を評価する。この欠点に対処するために、マスクビューによる変更検出を再考し、さらに、1)メタアーキテクチャCDMaskと2)インスタンスネットワークCDMaskFormerを提案する。
論文参考訳（メタデータ） (2024-06-21T17:27:58Z)
MaskCD: A Remote Sensing Change Detection Network Based on Mask Classification [29.15203530375882]
深層学習を用いたリモートセンシング(RS)画像からの変化(CD)を文献的に広く研究している。入力画像対から分類マスクを適応的に生成し,変化領域を検出するMaskCDを提案する。ピクセルワイズ表現を学習可能なマスク提案に復号することで、望まれる変更対象を再構築する。
論文参考訳（メタデータ） (2024-04-18T11:05:15Z)
Change Detection Between Optical Remote Sensing Imagery and Map Data via Segment Anything Model (SAM) [20.985372561774415]
光高解像度画像とOpenStreetMap(OSM)データという2つの主要なリモートセンシングデータソース間の教師なしマルチモーダル変化検出について検討する。我々はSAMのセグメンテーションプロセスを導くための2つの戦略、すなわち'no-prompt'と'box/mask prompt'メソッドを紹介した。 3つのデータセットの実験結果から,提案手法がより競争力のある結果が得られることが示唆された。
論文参考訳（メタデータ） (2024-01-17T07:30:52Z)
MMNet: Multi-Collaboration and Multi-Supervision Network for Sequential Deepfake Detection [81.59191603867586]
シークエンシャルディープフェイク検出は、回復のための正しいシーケンスで偽の顔領域を特定することを目的としている。偽画像の復元には、逆変換を実装するための操作モデルの知識が必要である。顔画像の空間スケールや逐次順列化を扱うマルチコラボレーション・マルチスーパービジョンネットワーク(MMNet)を提案する。
論文参考訳（メタデータ） (2023-07-06T02:32:08Z)
CamoFormer: Masked Separable Attention for Camouflaged Object Detection [94.2870722866853]
カモフラージュされた物体検出のための単純なマスク付き分離型注意(MSA)を提案する。まず,マルチヘッド・セルフアテンションを3つの部分に分割し,異なるマスキング戦略を用いて,背景からカモフラージュした物体を識別する役割を担っている。提案手法では,MSAを用いた単純なトップダウンデコーダを用いて,高精度なセグメンテーション結果を得るために,高分解能なセグメンテーション表現を段階的にキャプチャする。
論文参考訳（メタデータ） (2022-12-10T10:03:27Z)
ObjectFormer for Image Manipulation Detection and Localization [118.89882740099137]
画像操作の検出とローカライズを行うObjectFormerを提案する。画像の高周波特徴を抽出し,マルチモーダルパッチの埋め込みとしてRGB特徴と組み合わせる。各種データセットについて広範な実験を行い,提案手法の有効性を検証した。
論文参考訳（メタデータ） (2022-03-28T12:27:34Z)
AF$_2$: Adaptive Focus Framework for Aerial Imagery Segmentation [86.44683367028914]
航空画像のセグメンテーションにはいくつかの独特な課題があり、中でも最も重要なものは前景と背景のアンバランスにある。本稿では,階層的なセグメンテーション手法を採用し,マルチスケール表現を適応的に活用するAdaptive Focus Framework (AF$)を提案する。 AF$は、広く使われている3つの航空ベンチマークの精度を大幅に改善した。
論文参考訳（メタデータ） (2022-02-18T10:14:45Z)
Unsupervised Domain Adaption of Object Detectors: A Survey [87.08473838767235]
近年のディープラーニングの進歩は、様々なコンピュータビジョンアプリケーションのための正確で効率的なモデルの開発につながっている。高度に正確なモデルを学ぶには、大量の注釈付きイメージを持つデータセットの可用性に依存する。このため、ラベルスカースデータセットに視覚的に異なる画像がある場合、モデルの性能は大幅に低下する。
論文参考訳（メタデータ） (2021-05-27T23:34:06Z)
Task-related self-supervised learning for remote sensing image change detection [8.831857715361624]
リモートセンシング画像の変更検出は,都市変化の検出,災害評価,その他の分野に広く適用されている。既存のCNNベースの変更検出手法の多くは、まだ不十分な擬似変化抑制と不十分な特徴表現の問題に悩まされている。本研究では,タスク関連自己監視学習変化検出ネットワークに基づく,スムーズなメカニズムによる教師なし変化検出手法を提案する。
論文参考訳（メタデータ） (2021-05-11T11:44:04Z)

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。