論文の概要: ZeroSCD: Zero-Shot Street Scene Change Detection

• arxiv url: http://arxiv.org/abs/2409.15255v1
• Date: Mon, 23 Sep 2024 17:53:44 GMT
• ステータス: 処理完了
• システム内更新日: 2024-09-26 13:52:58.691702
• Title: ZeroSCD: Zero-Shot Street Scene Change Detection
• Title（参考訳）: ZeroSCD:ゼロショットストリートシーン変更検出
• Authors: Shyam Sundar Kannan, Byung-Cheol Min,
• Abstract要約: 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。
• 参考スコア（独自算出の注目度）: 2.3020018305241337
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Scene Change Detection is a challenging task in computer vision and robotics that aims to identify differences between two images of the same scene captured at different times. Traditional change detection methods rely on training models that take these image pairs as input and estimate the changes, which requires large amounts of annotated data, a costly and time-consuming process. To overcome this, we propose ZeroSCD, a zero-shot scene change detection framework that eliminates the need for training. ZeroSCD leverages pre-existing models for place recognition and semantic segmentation, utilizing their features and outputs to perform change detection. In this framework, features extracted from the place recognition model are used to estimate correspondences and detect changes between the two images. These are then combined with segmentation results from the semantic segmentation model to precisely delineate the boundaries of the detected changes. Extensive experiments on benchmark datasets demonstrate that ZeroSCD outperforms several state-of-the-art methods in change detection accuracy, despite not being trained on any of the benchmark datasets, proving its effectiveness and adaptability across different scenarios.
• Abstract（参考訳）: シーン変化検出(Scene Change Detection)は、コンピュータビジョンとロボット工学において、異なる時間に撮影された同じシーンの2つの画像の違いを特定することを目的とした課題である。 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、大量の注釈付きデータ、コストと時間のかかるプロセスを必要とする変更を見積もるトレーニングモデルに依存しています。 これを解決するために,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。 ZeroSCDは、場所認識とセマンティックセグメンテーションのために既存のモデルを活用し、それらの特徴と出力を利用して変更検出を行う。 このフレームワークでは、位置認識モデルから抽出した特徴を用いて、対応を推定し、2つの画像間の変化を検出する。 これらはセマンティックセグメンテーションモデルによるセグメンテーション結果と組み合わせて、検出された変更の境界を正確に記述する。 ベンチマークデータセットに関する大規模な実験によると、ZeroSCDは、ベンチマークデータセットのトレーニングを受けていないにもかかわらず、変更検出の正確性において、いくつかの最先端メソッドよりも優れており、その有効性と異なるシナリオへの適応性が証明されている。

関連論文リスト

• Novel Change Detection Framework in Remote Sensing Imagery Using Diffusion Models and Structural Similarity Index (SSIM) [0.0]
  変化検出はリモートセンシングにおいて重要な課題であり、環境変化、都市の成長、災害影響のモニタリングを可能にする。 近年の機械学習、特に拡散モデルのような生成モデルの発展は、変化検出精度を高める新たな機会を提供する。 本稿では,安定拡散モデルの強度と構造類似度指数(SSIM)を組み合わせ,頑健で解釈可能な変化マップを作成する新しい変化検出フレームワークを提案する。
  論文  参考訳（メタデータ） (2024-08-20T07:54:08Z)
• Zero-Shot Scene Change Detection [14.095215136905553]
  本手法は,連続するフレームの代わりに参照画像とクエリ画像を入力することで,追跡モデルの変化検出効果を利用する。 我々は、映像へのアプローチを拡張して、リッチな時間情報を活用し、シーン変化検出性能を向上させる。
  論文  参考訳（メタデータ） (2024-06-17T05:03:44Z)
• 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)
• 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)
• The Change You Want to See [91.3755431537592]
  同じシーンの2つのイメージが与えられた場合、その変更を自動的に検出できることは、様々な領域で実用的応用をもたらす。 画像対の「オブジェクトレベル」変化を、視点や照明の違いにかかわらず検出することを目的として、変化検出問題に取り組む。
  論文  参考訳（メタデータ） (2022-09-28T18:10:09Z)
• Differencing based Self-supervised pretraining for Scene Change Detection [12.525959293825318]
  シーン変化検出(SCD)は、異なる時間に撮影されたシーンを比較して変化を特定する。 ディープニューラルネットワークベースのソリューションは、大量の注釈付きデータを必要とします。 本稿では,特徴差分を用いた識別表現学習のための自己教師付き事前学習(DSP)手法を提案する。
  論文  参考訳（メタデータ） (2022-08-11T14:06:32Z)
• Revisiting Consistency Regularization for Semi-supervised Change Detection in Remote Sensing Images [60.89777029184023]
  教師付きクロスエントロピー(CE)損失に加えて、教師なしCD損失を定式化する半教師付きCDモデルを提案する。 2つの公開CDデータセットを用いて実験を行った結果,提案手法は教師付きCDの性能に近づきやすいことがわかった。
  論文  参考訳（メタデータ） (2022-04-18T17:59:01Z)
• A Hierarchical Transformation-Discriminating Generative Model for Few Shot Anomaly Detection [93.38607559281601]
  各トレーニングイメージのマルチスケールパッチ分布をキャプチャする階層的生成モデルを開発した。 この異常スコアは、スケール及び画像領域にわたる正しい変換のパッチベースの投票を集約して得られる。
  論文  参考訳（メタデータ） (2021-04-29T17:49:48Z)
• City-scale Scene Change Detection using Point Clouds [71.73273007900717]
  2つの異なる時間にカメラを設置して撮影した画像を用いて都市の構造変化を検出する手法を提案する。 変化検出のための2点雲の直接比較は、不正確な位置情報のため理想的ではない。 この問題を回避するために,ポイントクラウド上での深層学習に基づく非厳密な登録を提案する。 提案手法は,視点や照明の違いがあっても,シーン変化を効果的に検出できることを示す。
  論文  参考訳（メタデータ） (2021-03-26T08:04:13Z)
• Joint Noise-Tolerant Learning and Meta Camera Shift Adaptation for Unsupervised Person Re-Identification [60.36551512902312]
  unsupervised person re-identification (re-ID) は、ラベルのないデータで識別モデルを学ぶことを目的としている。 一般的な方法としては、クラスタ化によって擬似ラベルを取得し、モデルを最適化するために使用する方法がある。 本稿では,両問題を解決するための統一フレームワークを提案する。
  論文  参考訳（メタデータ） (2021-03-08T09:13:06Z)

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。