論文の概要: CD-Lamba: Boosting Remote Sensing Change Detection via a Cross-Temporal Locally Adaptive State Space Model

• arxiv url: http://arxiv.org/abs/2501.15455v1
• Date: Sun, 26 Jan 2025 08:51:10 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-01-28 13:56:29.933513
• Title: CD-Lamba: Boosting Remote Sensing Change Detection via a Cross-Temporal Locally Adaptive State Space Model
• Title（参考訳）: CD-Lamba: 時間的局所適応状態空間モデルによるリモートセンシング変化検出の高速化
• Authors: Zhenkai Wu, Xiaowen Ma, Rongrong Lian, Kai Zheng, Mengting Ma, Wei Zhang, Siyang Song,
• Abstract要約: マンバは、世界的知覚と線形複雑性の利点により、標的領域の変化を特定するために広く応用されている。 Mambaに基づく既存のリモートセンシング変化検出アプローチは、変化領域固有の局所性を効果的に知覚するためにしばしば苦労する。 我々は,グローバルな認識を維持しつつ,変化検出の局所性を効果的に向上させる,新しい局所適応型SSMベースのアプローチCD-Lambaを提案する。
• 参考スコア（独自算出の注目度）: 10.063825912217286
• License:
• Abstract: Mamba, with its advantages of global perception and linear complexity, has been widely applied to identify changes of the target regions within the remote sensing (RS) images captured under complex scenarios and varied conditions. However, existing remote sensing change detection (RSCD) approaches based on Mamba frequently struggle to effectively perceive the inherent locality of change regions as they direct flatten and scan RS images (i.e., the features of the same region of changes are not distributed continuously within the sequence but are mixed with features from other regions throughout the sequence). In this paper, we propose a novel locally adaptive SSM-based approach, termed CD-Lamba, which effectively enhances the locality of change detection while maintaining global perception. Specifically, our CD-Lamba includes a Locally Adaptive State-Space Scan (LASS) strategy for locality enhancement, a Cross-Temporal State-Space Scan (CTSS) strategy for bi-temporal feature fusion, and a Window Shifting and Perception (WSP) mechanism to enhance interactions across segmented windows. These strategies are integrated into a multi-scale Cross-Temporal Locally Adaptive State-Space Scan (CT-LASS) module to effectively highlight changes and refine changes' representations feature generation. CD-Lamba significantly enhances local-global spatio-temporal interactions in bi-temporal images, offering improved performance in RSCD tasks. Extensive experimental results show that CD-Lamba achieves state-of-the-art performance on four benchmark datasets with a satisfactory efficiency-accuracy trade-off. Our code is publicly available at https://github.com/xwmaxwma/rschange.
• Abstract（参考訳）: マンバは、世界的知覚と線形複雑性の利点により、複雑なシナリオや様々な条件下で撮影されたリモートセンシング(RS)画像内のターゲット領域の変化を識別するために広く応用されている。 しかし、Mambaをベースとした既存のリモートセンシング変化検出(RSCD)アプローチは、RS画像の直接平ら化やスキャンを行う際に、変化領域固有の局所性を効果的に知覚するのに苦労することが多い(つまり、変化領域の特徴はシーケンス内で連続的に分散されるのではなく、シーケンスを通して他の領域の特徴と混在している)。 本稿では,グローバルな認識を維持しつつ,変化検出の局所性を効果的に向上させる,局所適応型SSMベースのアプローチCD-Lambaを提案する。 具体的には、局所性向上のためのローカル適応状態空間スキャン(LASS)戦略、両時間的特徴融合のためのクロステンポラル状態空間スキャン(CTSS)戦略、セグメント化されたウィンドウ間の相互作用を強化するウィンドウシフト・パーセプション(WSP)機構を含む。 これらの戦略は、マルチスケールのクロステンポラル局所適応状態空間スキャン(CT-LASS)モジュールに統合され、変更を効果的に強調し、変更の表現を洗練する。 CD-Lambaは、両時間画像の局所的空間的空間的相互作用を著しく向上させ、RSCDタスクのパフォーマンスを向上させる。 大規模な実験結果から,CD-Lambaは,良好な効率・精度のトレードオフを有する4つのベンチマークデータセットに対して,最先端のパフォーマンスを達成することが示された。 私たちのコードはhttps://github.com/xwmaxwma/rschange.comで公開されています。

関連論文リスト

• Cross-Scan Mamba with Masked Training for Robust Spectral Imaging [51.557804095896174]
  本研究では,空間スペクトルSSMを用いたクロススキャンマンバ(CS-Mamba)を提案する。 実験の結果, CS-Mambaは最先端の性能を達成し, マスク付きトレーニング手法によりスムーズな特徴を再構築し, 視覚的品質を向上させることができた。
  論文  参考訳（メタデータ） (2024-08-01T15:14:10Z)
• DDLNet: Boosting Remote Sensing Change Detection with Dual-Domain Learning [5.932234366793244]
  変化センシング(RSCD)は、多時間リモートセンシング画像を分析して、ある領域における関心の変化を特定することを目的としている。 既存のRSCD法は、関心の変化を高めるために空間領域におけるコンテキストモデリングに費やされている。 二重領域学習(周波数領域と空間領域)に基づくRSCDネットワークDNetを提案する。
  論文  参考訳（メタデータ） (2024-06-19T14:54:09Z)
• CDMamba: Remote Sensing Image Change Detection with Mamba [30.387208446303944]
  我々はCDMambaと呼ばれるモデルを提案し、CDタスクを扱うためのグローバル機能とローカル機能とを効果的に組み合わせている。 具体的には,Mambaのグローバルな特徴抽出と畳み込みによる局所的詳細化を実現するために,Scaled Residual ConvMambaブロックを提案する。
  論文  参考訳（メタデータ） (2024-06-06T16:04:30Z)
• ChangeBind: A Hybrid Change Encoder for Remote Sensing Change Detection [16.62779899494721]
  変化検出(CD)は、異なる時刻スタンプで同じ地理的領域間の意味的変化を検出することを目的とした、リモートセンシング(RS)の基本課題である。 本稿では,バイテンポラルRS画像における意味変化をエンコードする,効果的なSiameseベースのフレームワークを提案する。
  論文  参考訳（メタデータ） (2024-04-26T17:47:14Z)
• DGMamba: Domain Generalization via Generalized State Space Model [80.82253601531164]
  ドメイン一般化(DG)は、様々な場面における分散シフト問題を解決することを目的としている。 Mambaは、新興状態空間モデル(SSM)として、より優れた線形複雑性と大域的受容場を持つ。 本稿では,DGMamba という新たな DG フレームワークを提案する。
  論文  参考訳（メタデータ） (2024-04-11T14:35:59Z)
• 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)
• Long-Term Invariant Local Features via Implicit Cross-Domain Correspondences [79.21515035128832]
  我々は、様々なドメイン変更の下で、現在の最先端特徴抽出ネットワークの性能を徹底的に分析する。 我々は、新しいデータ中心方式、Implicit Cross-Domain Correspondences (iCDC)を提案する。 iCDCは複数のニューラル・ラジアンス・フィールドで同じ環境を表し、それぞれが個々の視覚領域の下にシーンを適合させる。
  論文  参考訳（メタデータ） (2023-11-06T18:53:01Z)
• 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)
• STNet: Spatial and Temporal feature fusion network for change detection in remote sensing images [5.258365841490956]
  空間的・時間的特徴融合に基づくリモートセンシング変化検出ネットワークSTNetを提案する。 RSCDのための3つのベンチマークデータセットの実験結果から,提案手法が最先端の性能を実現することを示す。
  論文  参考訳（メタデータ） (2023-04-22T14:40:41Z)
• An Entropy-guided Reinforced Partial Convolutional Network for Zero-Shot Learning [77.72330187258498]
  エントロピー誘導強化部分畳み込みネットワーク(ERPCNet)を提案する。 ERPCNetは、人間のアノテーションのない意味的関連性と視覚的相関に基づいて、局所性を抽出し、集約する。 グローバルな協力的局所性を動的に発見するだけでなく、ポリシー勾配最適化のためにより高速に収束する。
  論文  参考訳（メタデータ） (2021-11-03T11:13:13Z)
• Hierarchical Paired Channel Fusion Network for Street Scene Change Detection [41.934290847053695]
  ストリートシーン変化検出(Street Scene Change Detection, SSCD)は、特定のストリートビューイメージペア間で異なる時間にキャプチャされた変化領域を特定することを目的としている。 本稿では,HPCFNet (Hierarchical Paired Channel Fusion Network) を提案する。 本フレームワークは,シーン変化領域のスケールと位置の多様性に適応する新しいアプローチを実現する。
  論文  参考訳（メタデータ） (2020-10-19T23:51:28Z)

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。