論文の概要: A Survey of Sample-Efficient Deep Learning for Change Detection in Remote Sensing: Tasks, Strategies, and Challenges

• arxiv url: http://arxiv.org/abs/2502.02835v1
• Date: Wed, 05 Feb 2025 02:36:09 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-02-06 14:27:27.659115
• Title: A Survey of Sample-Efficient Deep Learning for Change Detection in Remote Sensing: Tasks, Strategies, and Challenges
• Title（参考訳）: リモートセンシングにおける変化検出のためのサンプル効率の深い学習:課題,戦略,課題
• Authors: Lei Ding, Danfeng Hong, Maofan Zhao, Hongruixuan Chen, Chenyu Li, Jie Deng, Naoto Yokoya, Lorenzo Bruzzone, Jocelyn Chanussot,
• Abstract要約: 深層学習(DL)の急速な発展により,大量のリモートセンシング画像(RSI)上で,自動的かつ高精度かつ堅牢な変化検出(CD)が可能になった。 CD手法の進歩にもかかわらず、実際の文脈における実践的応用は、多様な入力データと応用コンテキストのために制限されている。 本稿では,様々なCDタスクに関する文献的手法と,サンプル限定シナリオでDLベースのCDメソッドをトレーニングおよびデプロイするための戦略とテクニックを要約する。
• 参考スコア（独自算出の注目度）: 46.63685907999458
• License:
• Abstract: In the last decade, the rapid development of deep learning (DL) has made it possible to perform automatic, accurate, and robust Change Detection (CD) on large volumes of Remote Sensing Images (RSIs). However, despite advances in CD methods, their practical application in real-world contexts remains limited due to the diverse input data and the applicational context. For example, the collected RSIs can be time-series observations, and more informative results are required to indicate the time of change or the specific change category. Moreover, training a Deep Neural Network (DNN) requires a massive amount of training samples, whereas in many cases these samples are difficult to collect. To address these challenges, various specific CD methods have been developed considering different application scenarios and training resources. Additionally, recent advancements in image generation, self-supervision, and visual foundation models (VFMs) have opened up new approaches to address the 'data-hungry' issue of DL-based CD. The development of these methods in broader application scenarios requires further investigation and discussion. Therefore, this article summarizes the literature methods for different CD tasks and the available strategies and techniques to train and deploy DL-based CD methods in sample-limited scenarios. We expect that this survey can provide new insights and inspiration for researchers in this field to develop more effective CD methods that can be applied in a wider range of contexts.
• Abstract（参考訳）: 過去10年間で、ディープラーニング(DL)の急速な発展により、大量のリモートセンシング画像(RSI)上で、自動的、正確で、堅牢な変化検出(CD)を実行できるようになった。 しかし、CD手法の進歩にもかかわらず、様々な入力データと応用コンテキストのために、実世界の文脈における実践的応用は限定的のままである。 例えば、収集されたRSIは時系列観測であり、変化の時期や特定の変化カテゴリを示すために、より情報的な結果が必要である。 さらに、ディープニューラルネットワーク(DNN)のトレーニングには大量のトレーニングサンプルが必要であるが、多くの場合、これらのサンプルの収集は困難である。 これらの課題に対処するため、様々なアプリケーションシナリオとトレーニングリソースを考慮した様々なCD手法が開発されている。 さらに、最近の画像生成、自己スーパービジョン、視覚基盤モデル(VFM)の進歩により、DLベースのCDの「データハングリー」問題に対処する新たなアプローチが開かれた。 より広範なアプリケーションシナリオにおけるこれらの手法の開発には、さらなる調査と議論が必要である。 そこで,本論文では,異なるCDタスクのための文献手法と,DLベースのCDメソッドをサンプル限定シナリオで訓練,展開するための戦略とテクニックについて要約する。 この調査は、より広い範囲の文脈で適用可能な、より効果的なCD手法を開発するために、この分野の研究者に新たな洞察とインスピレーションを与えることができると期待している。

関連論文リスト

• Deep-Learning-based Change Detection with Spaceborne Hyperspectral PRISMA data [0.0]
  変化検出(CD)法は、光データに何十年も適用されてきたが、スペクトル分解能の細かい超スペクトルデータの使用はめったに研究されていない。 PRecursore IperSpettrale della Missione operativA (PRISMA)により、宇宙からのハイパースペクトルCDが可能になった。 本研究は,自然から都市に至るまで,様々な目標に対して,標準およびディープラーニング(DL)CD手法を適用した。
  論文  参考訳（メタデータ） (2023-10-20T16:22:53Z)
• DeepCL: Deep Change Feature Learning on Remote Sensing Images in the Metric Space [40.32592332449066]
  我々は、堅牢で説明可能な変化検出(CD)のためのDeep Change Feature Learning(DeepCL)フレームワークを提案する。 DeepCLフレームワークは、その優れた特徴識別性、擬似的変化に対するレジリエンス、様々なCDアルゴリズムへの適応性を実証し、理論的および実験的に徹底的に評価されている。
  論文  参考訳（メタデータ） (2023-07-23T02:47:30Z)
• Deep Transfer Learning for Automatic Speech Recognition: Towards Better Generalization [3.6393183544320236]
  深層学習(DL)における音声認識の課題 大規模なトレーニングデータセットと高い計算とストレージリソースが必要です。 ディープトランスファーラーニング(DTL)はこれらの問題を克服するために導入された。
  論文  参考訳（メタデータ） (2023-04-27T21:08:05Z)
• Few-shot Class-incremental Learning for Cross-domain Disease Classification [20.194071205063153]
  ドメイン間数ショットの漸進的学習問題について検討する。 本稿では,クロスドメイン拡張制約とクロスドメインデータ拡張手法を提案する。 MedMNISTの実験により、この手法の分類性能は、他の同様の漸進的学習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） (2023-04-12T09:43:39Z)
• Dynamic Channel Access via Meta-Reinforcement Learning [0.8223798883838329]
  モデル非依存型メタラーニング(MAML)の手法を取り入れたメタDRLフレームワークを提案する。 同じ分布から引き出された異なるタスクに適応するためには、勾配降下がわずかに必要であることが示される。
  論文  参考訳（メタデータ） (2021-12-24T15:04:43Z)
• Few-shot Quality-Diversity Optimization [50.337225556491774]
  品質多様性(QD)の最適化は、強化学習における知覚的最小値とスパース報酬を扱う上で効果的なツールであることが示されている。 本稿では,タスク分布の例から,パラメータ空間の最適化によって得られる経路の情報を利用して,未知の環境でQD手法を初期化する場合,数発の適応が可能であることを示す。 ロボット操作とナビゲーションベンチマークを用いて、疎密な報酬設定と密集した報酬設定の両方で実施された実験は、これらの環境でのQD最適化に必要な世代数を著しく削減することを示している。
  論文  参考訳（メタデータ） (2021-09-14T17:12:20Z)
• Few-shot Weakly-Supervised Object Detection via Directional Statistics [55.97230224399744]
  少数ショットコモンオブジェクトローカライゼーション(COL)と少数ショット弱監視オブジェクト検出(WSOD)のための確率論的多重インスタンス学習手法を提案する。 本モデルでは,新しいオブジェクトの分布を同時に学習し,期待-最大化ステップにより局所化する。 提案手法は, 単純であるにもかかわらず, 少数のCOLとWSOD, 大規模WSODタスクにおいて, 高いベースラインを達成できることを示す。
  論文  参考訳（メタデータ） (2021-03-25T22:34:16Z)
• Learning to Continuously Optimize Wireless Resource In Episodically Dynamic Environment [55.91291559442884]
  この研究は、データ駆動型手法が動的環境で継続的に学習し、最適化できる方法論を開発する。 本稿では,無線システム学習のモデリングプロセスに連続学習の概念を構築することを提案する。 我々の設計は、異なるデータサンプル間で「一定の公正性を保証する」新しいmin-maxの定式化に基づいている。
  論文  参考訳（メタデータ） (2020-11-16T08:24:34Z)
• Curriculum Learning for Reinforcement Learning Domains: A Framework and Survey [53.73359052511171]
  強化学習(Reinforcement Learning, RL)は、エージェントが限られた環境フィードバックしか持たないシーケンシャルな意思決定タスクに対処するための一般的なパラダイムである。 本稿では、RLにおけるカリキュラム学習(CL)の枠組みを提案し、既存のCLメソッドを仮定、能力、目標の観点から調査・分類する。
  論文  参考訳（メタデータ） (2020-03-10T20:41:24Z)
• A System for Real-Time Interactive Analysis of Deep Learning Training [66.06880335222529]
  現在利用可能なシステムは、トレーニングプロセスが始まる前に指定しなければならないログデータのみを監視することに限定されている。 本稿では,リアルタイム情報を生成するライブプロセス上で対話型クエリを実行可能にするシステムを提案する。
  論文  参考訳（メタデータ） (2020-01-05T11:33:31Z)

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。