論文の概要: GTPC-SSCD: Gate-guided Two-level Perturbation Consistency-based Semi-Supervised Change Detection
- arxiv url: http://arxiv.org/abs/2411.18880v1
- Date: Thu, 28 Nov 2024 03:09:10 GMT
- ステータス: 翻訳完了
- システム内更新日: 2024-12-02 15:20:20.884195
- Title: GTPC-SSCD: Gate-guided Two-level Perturbation Consistency-based Semi-Supervised Change Detection
- Title(参考訳): GTPC-SSCD:ゲート誘導2レベル摂動一貫性に基づく半監督的変化検出
- Authors: Yan Xing, Qi'ao Xu, Zongyu Guo, Rui Huang, Yuxiang Zhang,
- Abstract要約: ゲート誘導型2レベル摂動整合型SSCD法(GTPC-SSCD)について紹介する。
GTPC-SSCDは画像レベルでの強弱一貫性と特徴レベルでの摂動一貫性を同時に維持する。
6つの公的なリモートセンシング変化検出データセットで実施した大規模な実験は、7つの最先端SSCD法よりも優れていることを示した。
- 参考スコア(独自算出の注目度): 12.626603588451571
- License:
- Abstract: Semi-supervised change detection (SSCD) employs partially labeled data and a substantial amount of unlabeled data to identify differences between images captured in the same geographic area but at different times. However, existing consistency regularization-based SSCD methods only implement perturbations at a single level and can not exploit the full potential of unlabeled data. In this paper, we introduce a novel Gate-guided Two-level Perturbation Consistency regularization-based SSCD method (GTPC-SSCD), which simultaneously maintains strong-to-weak consistency at the image level and perturbation consistency at the feature level, thus effectively utilizing the unlabeled data. Moreover, a gate module is designed to evaluate the training complexity of different samples and determine the necessity of performing feature perturbations on each sample. This differential treatment enables the network to more effectively explore the potential of unlabeled data. Extensive experiments conducted on six public remote sensing change detection datasets demonstrate the superiority of our method over seven state-of-the-art SSCD methods.
- Abstract(参考訳): 半教師付き変化検出(SSCD)では、地理的に異なる場所で撮影された画像の違いを特定するために、部分的にラベル付きデータとかなりの量のラベルなしデータを用いる。
しかし、既存の整合性正規化に基づくSSCD法は、単一のレベルで摂動しか実装せず、ラベルのないデータの潜在能力を活用できない。
本稿では,GTPC-SSCD法を新たに導入し,画像レベルでの強弱一貫性と特徴レベルでの摂動一貫性を同時に維持する。
さらに、ゲートモジュールは、異なるサンプルのトレーニングの複雑さを評価し、各サンプルに特徴摂動を行う必要性を決定するように設計されている。
この差分処理により、ネットワークはラベルのないデータの可能性をより効果的に探索することができる。
6つの公的なリモートセンシング変化検出データセットで実施した大規模な実験は、7つの最先端SSCD法よりも優れていることを示した。
関連論文リスト
- Cross Branch Feature Fusion Decoder for Consistency Regularization-based Semi-Supervised Change Detection [9.147851499947228]
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。
論文 参考訳(メタデータ) (2024-09-23T13:47:59Z) - Adaptive Bidirectional Displacement for Semi-Supervised Medical Image Segmentation [11.195959019678314]
整合性学習は、半教師付き医療画像セグメンテーションにおいて、ラベルのないデータに取り組むための中心的な戦略である。
本稿では,上記の課題を解決するための適応的双方向変位法を提案する。
論文 参考訳(メタデータ) (2024-05-01T08:17:43Z) - Semi-weakly-supervised neural network training for medical image
registration [18.520388065729552]
本稿では,モデル性能を向上させる半弱制御型登録パイプラインについて述べる。
本稿では,ネットワーク重みの摂動と画像再サンプリングによる2種類の拡張手法について検討する。
589人の男性骨盤MRI画像に8つの解剖学的ROIをラベル付けした実験は、登録性能の向上を示す。
論文 参考訳(メタデータ) (2024-02-16T14:44:40Z) - 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) - Detecting Change Intervals with Isolation Distributional Kernel [20.629723195973412]
我々はまず,CID(Change-Interval Detection)問題の特別な場合として,CDD問題を一般化する。
近年の分離分布カーネル(IDK)に基づくCID手法iCIDを提案する。
iCIDの有効性と効率は、合成データセットと実世界のデータセットの両方で体系的に検証されている。
論文 参考訳(メタデータ) (2022-12-30T10:56:56Z) - 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) - SIOD: Single Instance Annotated Per Category Per Image for Object
Detection [67.64774488115299]
画像内の既存のカテゴリ毎に1つのインスタンスアノテーションのみを必要とする単一インスタンスアノテーションオブジェクト検出(SIOD)を提案する。
WSOD(Inter-task)やSSOD(Inter-image)の相違点からイメージ内の相違点に分解されたSIODは、ラベルなしインスタンスの残りをマイニングする上で、より信頼性が高く豊富な事前知識を提供する。
SIOD設定下では、類似性に基づく擬似ラベル生成モジュール(SPLG)と、Pixelレベルのグループコントラスト学習モジュール(PGCL)からなる、シンプルで効果的なフレームワークであるDual-Mining(DMiner)を提案する。
論文 参考訳(メタデータ) (2022-03-29T08:49:51Z) - Mitigating the Mutual Error Amplification for Semi-Supervised Object
Detection [92.52505195585925]
擬似ラベルの修正機構を導入し,相互誤りの増幅を緩和するクロス・インストラクション(CT)手法を提案する。
他の検出器からの予測を直接擬似ラベルとして扱う既存の相互指導法とは対照的に,我々はラベル修正モジュール(LRM)を提案する。
論文 参考訳(メタデータ) (2022-01-26T03:34:57Z) - Enhancing Unsupervised Anomaly Detection with Score-Guided Network [13.127091975959358]
異常検出は、医療や金融システムなど、さまざまな現実世界のアプリケーションにおいて重要な役割を担っている。
正規データと異常データの間の異常スコアの差を学習・拡大するために,スコア誘導正規化を用いた新しいスコアネットワークを提案する。
次に,スコア誘導型オートエンコーダ(SG-AE)を提案する。
論文 参考訳(メタデータ) (2021-09-10T06:14:53Z) - Data-Uncertainty Guided Multi-Phase Learning for Semi-Supervised Object
Detection [66.10057490293981]
半監視対象検出のためのデータ不確実性誘導多相学習法を提案する。
本手法は,ベースライン手法と比較して異常に動作し,大きなマージンで性能を向上する。
論文 参考訳(メタデータ) (2021-03-29T09:27:23Z) - Semantics-Guided Clustering with Deep Progressive Learning for
Semi-Supervised Person Re-identification [58.01834972099855]
人物の再識別(re-ID)は、同一人物の画像とカメラビューを一致させる必要がある。
本稿では,SGC-DPL(Deep Progressive Learning)を用いたセマンティックスガイドクラスタリング(Semantics-Guided Clustering)の新たなフレームワークを提案する。
我々のアプローチは、半教師付き環境でラベル付きトレーニングデータを増強することができる。
論文 参考訳(メタデータ) (2020-10-02T18:02:35Z)
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。