論文の概要: GTPC-SSCD: Gate-guided Two-level Perturbation Consistency-based Semi-Supervised Change Detection

• arxiv url: http://arxiv.org/abs/2411.18880v2
• Date: Fri, 18 Apr 2025 03:01:58 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-04-21 15:46:21.276649
• 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レベル摂動整合正則化に基づくSSCD法を提案する。 画像レベルでの強弱一貫性と、機能レベルでの摂動一貫性を同時に維持する。 6つのベンチマークCDデータセットで行った大規模な実験は、7つの最先端手法よりもGTPC-SSCDの方が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: http://creativecommons.org/licenses/by-sa/4.0/
• Abstract: Semi-supervised change detection (SSCD) utilizes partially labeled data and abundant unlabeled data to detect differences between multi-temporal remote sensing images. The mainstream SSCD methods based on consistency regularization have limitations. They perform perturbations mainly at a single level, restricting the utilization of unlabeled data and failing to fully tap its potential. In this paper, we introduce a novel Gate-guided Two-level Perturbation Consistency regularization-based SSCD method (GTPC-SSCD). It simultaneously maintains strong-to-weak consistency at the image level and perturbation consistency at the feature level, enhancing the utilization efficiency of unlabeled data. Moreover, we develop a hardness analysis-based gating mechanism to assess the training complexity of different samples and determine the necessity of performing feature perturbations for each sample. Through this differential treatment, the network can explore the potential of unlabeled data more efficiently. Extensive experiments conducted on six benchmark CD datasets demonstrate the superiority of our GTPC-SSCD over seven state-of-the-art methods.
• Abstract（参考訳）: 半教師付き変化検出(SSCD)は、部分ラベル付きデータと豊富なラベルなしデータを用いて、マルチ時間リモートセンシング画像の違いを検出する。 整合正則化に基づく主流のSSCD法には制限がある。 彼らは主に単一レベルで摂動を行い、ラベルのないデータの利用を制限し、その潜在能力をフルに活用することができない。 本稿では,GTPC-SSCD(Gate-Guided Two-level Perturbation Consistency regularization-based SSCD method)を提案する。 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し、ラベルのないデータの利用効率を高める。 さらに,異なるサンプルのトレーニングの複雑さを評価し,各サンプルに対して特徴摂動を行う必要性を判定する,硬度解析に基づくゲーティング機構を開発した。 この差分処理により、ネットワークはラベルなしデータの可能性をより効率的に探索することができる。 6つのベンチマークCDデータセットで行った大規模な実験は、7つの最先端手法よりもGTPC-SSCDの方が優れていることを示した。

関連論文リスト

• Crane: Context-Guided Prompt Learning and Attention Refinement for Zero-Shot Anomaly Detections [50.343419243749054]
  異常検出(AD)は、通常のデータ分布から逸脱を識別する。 本稿では,視覚エンコーダから抽出した画像コンテキストに基づいて,テキストエンコーダのプロンプトを条件付ける手法を提案する。 提案手法は,14のデータセットにおいて,各メトリクスに対して2%から29%の性能向上を実現している。
  論文  参考訳（メタデータ） (2025-04-15T10:42:25Z)
• 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)
• Triadic-OCD: Asynchronous Online Change Detection with Provable Robustness, Optimality, and Convergence [2.1348070823841363]
  本稿では,証明可能な堅牢性,証明可能な最適性,保証された収束性を備えた3進OCDフレームワークを開発する。 提案アルゴリズムは、完全に非同期な分散方式で実現でき、単一のサーバにデータを送信する必要がなくなる。 Triadic-OCDの非漸近収束特性は理論的に解析され、$epsilon$-Optimal点を達成するための複雑さが導出される。
  論文  参考訳（メタデータ） (2024-05-03T10:10:11Z)
• 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)
• HCL-MTSAD: Hierarchical Contrastive Consistency Learning for Accurate Detection of Industrial Multivariate Time Series Anomalies [4.806959791183183]
  本稿では,産業用MSSにおける異常検出のための自己教師付き階層的コントラスト整合学習手法を提案する。 HCL-MTSADはマルチレイヤのコントラスト損失を発生させることで、データの一貫性とタイムスタンプと時間的関連を広範囲にマイニングすることができる。 HCL-MTSADの異常検出能力は、F1スコアの平均1.8%で最先端のベンチマークモデルを上回っている。
  論文  参考訳（メタデータ） (2024-04-12T03:39:33Z)
• 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)
• 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)
• Hetero-Modal Learning and Expansive Consistency Constraints for Semi-Supervised Detection from Multi-Sequence Data [17.61150090710327]
  MTHDは、オブジェクトセンターとサイズのソフトアウトプットに妥協することなく平均教師アプローチを定式化します。 MTHDは、幾何変換とランダムシーケンスの組み合わせを含む、拡張的な一貫性の制約を取り入れている。 最大MR病変データセットを用いた肝病変検出におけるMTHDのトレーニングと評価(5千以上の患者1099名)。
  論文  参考訳（メタデータ） (2021-03-24T03:52:06Z)
• ESAD: End-to-end Deep Semi-supervised Anomaly Detection [85.81138474858197]
  正規データと異常データの間のKL偏差を計測する新たな目的関数を提案する。 提案手法は,複数のベンチマークデータセットの最先端性能を著しく上回っている。
  論文  参考訳（メタデータ） (2020-12-09T08:16:35Z)
• 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)
• RCC-Dual-GAN: An Efficient Approach for Outlier Detection with Few Identified Anomalies [11.02452262854759]
  外乱検出はデータマイニングにおいて重要な課題であり、様々な用途で多くの技術が研究されている。 本稿では,特定異常の潜在的な情報を直接利用し,個別の異常を同時に検出できる新しい検出モデルDual-GANを提案する。 さらに、ナッシュ平衡の評価と最適モデルの選定に対処するため、2つのモデルに2つの評価指標を作成し、検出プロセスをよりインテリジェントにするために導入する。
  論文  参考訳（メタデータ） (2020-03-07T17:13:52Z)

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。