論文の概要: Cross Branch Feature Fusion Decoder for Consistency Regularization-based Semi-Supervised Change Detection
- arxiv url: http://arxiv.org/abs/2409.15021v1
- Date: Mon, 23 Sep 2024 13:47:59 GMT
- ステータス: 処理完了
- システム内更新日: 2024-09-26 14:53:59.785796
- Title: Cross Branch Feature Fusion Decoder for Consistency Regularization-based Semi-Supervised Change Detection
- Title（参考訳）: 整合正則化に基づく半監督的変化検出のためのクロスブランチ機能融合デコーダ
- Authors: Yan Xing, Qi'ao Xu, Jingcheng Zeng, Rui Huang, Sihua Gao, Weifeng Xu, Yuxiang Zhang, Wei Fan,
- Abstract要約: 我々はCross Branch Feature Fusion CBFFと呼ばれる新しいデコーダを導入する。
局所的畳み込み分岐と大域的変圧器分岐の長所を組み合わせたものである。
CBFFを用いて、強弱一貫性戦略に基づいて、SSCDモデルを構築します。
- 参考スコア（独自算出の注目度）: 9.147851499947228
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Semi-supervised change detection (SSCD) utilizes partially labeled data and a large amount of unlabeled data to detect changes. However, the transformer-based SSCD network does not perform as well as the convolution-based SSCD network due to the lack of labeled data. To overcome this limitation, we introduce a new decoder called Cross Branch Feature Fusion CBFF, which combines the strengths of both local convolutional branch and global transformer branch. The convolutional branch is easy to learn and can produce high-quality features with a small amount of labeled data. The transformer branch, on the other hand, can extract global context features but is hard to learn without a lot of labeled data. Using CBFF, we build our SSCD model based on a strong-to-weak consistency strategy. Through comprehensive experiments on WHU-CD and LEVIR-CD datasets, we have demonstrated the superiority of our method over seven state-of-the-art SSCD methods.
- Abstract（参考訳）: 半教師付き変更検出(SSCD)は、部分的にラベル付けされたデータと大量のラベルなしデータを用いて変化を検出する。
しかし、トランスフォーマーベースのSSCDネットワークは、ラベル付きデータがないため、畳み込みベースのSSCDネットワークのようには機能しない。
この制限を克服するために、ローカルな畳み込み分岐とグローバルなトランスフォーマー分岐の長所を組み合わせたクロスブランチ・フィーチャー・フュージョンCBFFという新しいデコーダを導入する。
畳み込み分岐は学習が容易で、少量のラベル付きデータで高品質の機能を生成することができる。
一方、Transformerブランチはグローバルなコンテキストの特徴を抽出できるが、ラベル付きデータが多くなければ学習できない。
CBFFを用いて、強弱一貫性戦略に基づいて、SSCDモデルを構築します。
WHU-CDおよびLEVIR-CDデータセットに関する総合的な実験を通じて,本手法が7つの最先端SSCD法よりも優れていることを実証した。
関連論文リスト
- 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) - 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) - Exchanging Dual Encoder-Decoder: A New Strategy for Change Detection
with Semantic Guidance and Spatial Localization [10.059696915598392]
セマンティックガイダンスと空間的ローカライゼーションを用いたバイナリ変更検出のための2つのエンコーダ・デコーダ構造を交換した新しい戦略を提案する。
この戦略に基づいてバイナリ変更検出モデルを構築し、それを6つのデータセット上で18の最先端の変更検出手法と比較する。
論文 参考訳（メタデータ） (2023-11-19T11:30:43Z) - 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) - Remote Sensing Change Detection With Transformers Trained from Scratch [62.96911491252686]
トランスフォーマーベースの変更検出(CD)アプローチでは、大規模なイメージ分類でトレーニングされた事前トレーニングモデルを使用するか、別のCDデータセットで最初の事前トレーニングを頼りにしてから、ターゲットのベンチマークを微調整する。
我々は、4つの公開ベンチマークにおいて、スクラッチからトレーニングされながら最先端のパフォーマンスを実現するトランスフォーマーを用いたエンドツーエンドCDアプローチを開発した。
論文 参考訳（メタデータ） (2023-04-13T17:57:54Z) - 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) - SoftMatch Distance: A Novel Distance for Weakly-Supervised Trend Change
Detection in Bi-Temporal Images [45.138953422578574]
一般的な変化検出(GCD)と意味変化検出(SCD)は、変化を識別し、それらの変化に関与する対象カテゴリを識別する一般的な方法である。
本稿では,3つの傾向(「外観」,「消滅」,「変化」)に変化を直感的に分割する手法を提案する。
GCDよりも詳細な変更情報を提供し、SCDよりも手作業によるアノテーションのコストが低い。
論文 参考訳（メタデータ） (2023-03-08T17:23:18Z) - MD-CSDNetwork: Multi-Domain Cross Stitched Network for Deepfake
Detection [80.83725644958633]
現在のディープフェイク生成法では、偽画像やビデオの周波数スペクトルに識別的アーティファクトが残されている。
MD-CSDNetwork(MD-CSDNetwork)と呼ばれる新しい手法を提案する。
論文 参考訳（メタデータ） (2021-09-15T14:11:53Z) - DSDANet: Deep Siamese Domain Adaptation Convolutional Neural Network for
Cross-domain Change Detection [44.05317423742678]
クロスドメイン変化検出のための新しいディープ・サイムズ・ドメイン適応畳み込みニューラルネットワークアーキテクチャを提案する。
我々の知る限りでは、このようなドメイン適応に基づくディープネットワークが変更検出のために提案されたのは初めてである。
論文 参考訳（メタデータ） (2020-06-16T15:00:54Z) - Searching Central Difference Convolutional Networks for Face
Anti-Spoofing [68.77468465774267]
顔認識システムにおいて、顔の反偽造(FAS)が重要な役割を担っている。
最先端のFASメソッドの多くは、スタック化された畳み込みと専門家が設計したネットワークに依存している。
ここでは、中央差分畳み込み(CDC)に基づくフレームレベルの新しいFAS手法を提案する。
論文 参考訳（メタデータ） (2020-03-09T12:48:37Z)
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。