論文の概要: A Remote Sensing Image Change Detection Method Integrating Layer Exchange and Channel-Spatial Differences
- arxiv url: http://arxiv.org/abs/2501.10905v1
- Date: Sun, 19 Jan 2025 00:14:20 GMT
- ステータス: 翻訳完了
- システム内更新日: 2025-01-22 14:22:44.843532
- Title: A Remote Sensing Image Change Detection Method Integrating Layer Exchange and Channel-Spatial Differences
- Title（参考訳）: 層交換とチャネル空間差を統合したリモートセンシング画像変化検出法
- Authors: Sijun Dong, Fangcheng Zuo, Geng Chen, Siming Fu, Xiaoliang Meng,
- Abstract要約: リモートセンシング画像における変化検出は、地球観測にとって重要な技術である。
深層学習において、特徴写像の空間次元とチャネル次元は、元の画像と異なる情報を表す。
本研究では,両時間的特徴の空間次元だけでなく,チャネル次元からも差分情報を計算できることを見出した。
- 参考スコア（独自算出の注目度）: 4.370130821531168
- License:
- Abstract: Change detection in remote sensing imagery is a critical technique for Earth observation, primarily focusing on pixel-level segmentation of change regions between bi-temporal images. The essence of pixel-level change detection lies in determining whether corresponding pixels in bi-temporal images have changed. In deep learning, the spatial and channel dimensions of feature maps represent different information from the original images. In this study, we found that in change detection tasks, difference information can be computed not only from the spatial dimension of bi-temporal features but also from the channel dimension. Therefore, we designed the Channel-Spatial Difference Weighting (CSDW) module as an aggregation-distribution mechanism for bi-temporal features in change detection. This module enhances the sensitivity of the change detection model to difference features. Additionally, bi-temporal images share the same geographic location and exhibit strong inter-image correlations. To construct the correlation between bi-temporal images, we designed a decoding structure based on the Layer-Exchange (LE) method to enhance the interaction of bi-temporal features. Comprehensive experiments on the CLCD, PX-CLCD, LEVIR-CD, and S2Looking datasets demonstrate that the proposed LENet model significantly improves change detection performance. The code and pre-trained models will be available at: https://github.com/dyzy41/lenet.
- Abstract（参考訳）: リモートセンシング画像における変化検出は、主に両時間画像間の変化領域の画素レベルセグメンテーションに焦点を当てた地球観測の重要な手法である。
画素レベルの変化検出の本質は、両時間画像における対応する画素が変化したかどうかを決定することである。
深層学習において、特徴写像の空間次元とチャネル次元は、元の画像と異なる情報を表す。
本研究では, 変化検出タスクにおいて, 時間的特徴の空間次元だけでなく, チャネル次元からも差分情報を計算できることを見出した。
そこで我々は,Channel-Spatial Difference Weighting (CSDW) モジュールを,バイテンポラル特徴のアグリゲーション・ディストリビューション機構として設計した。
このモジュールは、変化検出モデルの感度を高めて特徴を異にする。
さらに、両時間画像は同じ地理的位置を共有し、画像間の強い相関を示す。
両時間画像間の相関関係を構築するため,両時間特徴の相互作用を高めるために,レイヤ交換(LE)法に基づく復号構造を設計した。
CLCD, PX-CLCD, LEVIR-CD, S2データセットの総合的な実験から, 提案したLENetモデルが変更検出性能を大幅に向上することを示す。
コードと事前トレーニングされたモデルは以下の通りである。
関連論文リスト
- Enhancing Perception of Key Changes in Remote Sensing Image Change Captioning [49.24306593078429]
KCFI(Key Change Features and Instruction-tuned)によるリモートセンシング画像変換キャプションのための新しいフレームワークを提案する。
KCFIは、バイテンポラルリモートセンシング画像特徴を抽出するViTsエンコーダと、重要な変化領域を識別するキー特徴知覚器と、画素レベルの変化検出デコーダとを含む。
提案手法の有効性を検証するため,LEVIR-CCデータセット上のいくつかの最新の変更キャプション手法との比較を行った。
論文 参考訳（メタデータ） (2024-09-19T09:33:33Z) - Wavelet-based Bi-dimensional Aggregation Network for SAR Image Change Detection [53.842568573251214]
3つのSARデータセットによる実験結果から、我々のWBANetは現代最先端の手法を著しく上回っていることが明らかとなった。
我々のWBANetは、それぞれのデータセットで98.33%、96.65%、96.62%の正確な分類(PCC)を達成している。
論文 参考訳（メタデータ） (2024-07-18T04:36:10Z) - Changen2: Multi-Temporal Remote Sensing Generative Change Foundation Model [62.337749660637755]
安価で自動的な生成モデルに基づく変更データ生成器を提案する。
Changen2は、自己監督を通じて大規模にトレーニング可能な、生成的な変更基盤モデルである。
得られたモデルには、固有のゼロショット変化検出機能と優れた転送性がある。
論文 参考訳（メタデータ） (2024-06-26T01:03:39Z) - BD-MSA: Body decouple VHR Remote Sensing Image Change Detection method
guided by multi-scale feature information aggregation [4.659935767219465]
リモートセンシング画像変化検出(RSCD)の目的は、同じ場所で撮影された両時間画像の違いを検出することである。
深層学習はRSCDタスクに広く使われており、結果認識の点で重要な結果をもたらしている。
論文 参考訳（メタデータ） (2024-01-09T02:53:06Z) - Changes-Aware Transformer: Learning Generalized Changes Representation [56.917000244470174]
差分特徴の精細化のための新しい変化認識変換器(CAT)を提案する。
様々な変化の一般化表現は、差分特徴空間において容易に学習される。
精細化後、差分特徴空間における変化画素同士が近接し、変化検出を容易にする。
論文 参考訳（メタデータ） (2023-09-24T12:21:57Z) - Remote Sensing Image Change Detection with Graph Interaction [1.8579693774597708]
本稿では,BGINet-CDを用いたリモートセンシングによる画像変化検出のためのバイテンポラル画像グラフインタラクションネットワークを提案する。
本モデルは,GZ CDデータセット上の他の最先端手法(SOTA)と比較して,優れた性能を示す。
論文 参考訳（メタデータ） (2023-07-05T03:32:49Z) - Learning Transformations To Reduce the Geometric Shift in Object
Detection [60.20931827772482]
画像キャプチャプロセスの変動から生じる幾何シフトに対処する。
我々は、これらのシフトを最小限に抑えるために幾何変換の集合を学習する自己学習アプローチを導入する。
我々は,カメラの視野変化(FoV)と視点変化(視点変化)の2つの異なるシフトについて,本手法の評価を行った。
論文 参考訳（メタデータ） (2023-01-13T11:55:30Z) - IDAN: Image Difference Attention Network for Change Detection [3.5366052026723547]
リモートセンシング画像変化検出のための新しい画像差分注意ネットワーク(IDAN)を提案する。
IDANは、画像の地域的特徴とエッジ的特徴の違いを考慮し、抽出した画像特徴を最適化する。
実験の結果、IDANのF1スコアは、WHUデータセットとLEVIR-CDデータセットのベースラインモデルと比較して1.62%と1.98%改善していることが示された。
論文 参考訳（メタデータ） (2022-08-17T13:46:13Z) - dual unet:a novel siamese network for change detection with cascade
differential fusion [4.651756476458979]
本稿では,変化検出タスク,すなわちDual-UNetのための新しいSiameseニューラルネットワークを提案する。
従来のバイテンポラル画像の符号化とは対照的に,画素の空間的差分関係に着目したエンコーダ差分アテンションモジュールを設計する。
実験により、提案手法は、一般的な季節変化検出データセットにおいて、常に最も高度な手法よりも優れていることが示された。
論文 参考訳（メタデータ） (2022-08-12T14:24:09Z) - Super-resolution-based Change Detection Network with Stacked Attention
Module for Images with Different Resolutions [20.88671966047938]
環境保護と都市計画において,変化検出は重要な役割を担っている。
従来のサブピクセルに基づく、解像度の異なる画像による変更検出は、重大なエラー蓄積につながる可能性がある。
注目モジュールを積み重ねた超解像型変化検出ネットワーク(SRCDNet)を提案する。
論文 参考訳（メタデータ） (2021-02-27T11:17:40Z) - Semantic Change Detection with Asymmetric Siamese Networks [71.28665116793138]
2つの空中画像が与えられた場合、セマンティックチェンジ検出は、土地被覆のバリエーションを特定し、それらの変化タイプをピクセルワイド境界で識別することを目的としている。
この問題は、正確な都市計画や天然資源管理など、多くの地球ビジョンに関連するタスクにおいて不可欠である。
本研究では, 広く異なる構造を持つモジュールから得られた特徴対を用いて意味変化を同定し, 同定するための非対称システマネットワーク(ASN)を提案する。
論文 参考訳（メタデータ） (2020-10-12T13:26:30Z)
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。