Fugu-MT 論文翻訳(概要): DAM-Net: Domain Adaptation Network with Micro-Labeled Fine-Tuning for Change Detection

論文の概要: DAM-Net: Domain Adaptation Network with Micro-Labeled Fine-Tuning for Change Detection

arxiv url: http://arxiv.org/abs/2504.13748v1
Date: Fri, 18 Apr 2025 15:29:57 GMT
ステータス: 翻訳完了
システム内更新日: 2025-04-28 15:17:26.023285
Title: DAM-Net: Domain Adaptation Network with Micro-Labeled Fine-Tuning for Change Detection
Title（参考訳）: DAM-Net:変更検出のためのマイクロラベルファインチューニングによるドメイン適応ネットワーク
Authors: Hongjia Chen, Xin Xu, Fangling Pu,
Abstract要約: 本稿では,CD用マイクロラベルファインチューニングを用いたドメイン適応ネットワークDAM-Netを提案する。本ネットワークでは,特殊設計のセグメンテーション識別器と交互学習戦略を利用して,CDに対する対向領域適応を導入している。本手法は, リモートセンシングにおける領域適応のための新しいパラダイムを提供する。
参考スコア（独自算出の注目度）: 9.682463974799893
License: http://creativecommons.org/licenses/by-nc-nd/4.0/
Abstract: Change detection (CD) in remote sensing imagery plays a crucial role in various applications such as urban planning, damage assessment, and resource management. While deep learning approaches have significantly advanced CD performance, current methods suffer from poor domain adaptability, requiring extensive labeled data for retraining when applied to new scenarios. This limitation severely restricts their practical applications across different datasets. In this work, we propose DAM-Net: a Domain Adaptation Network with Micro-Labeled Fine-Tuning for CD. Our network introduces adversarial domain adaptation to CD for, utilizing a specially designed segmentation-discriminator and alternating training strategy to enable effective transfer between domains. Additionally, we propose a novel Micro-Labeled Fine-Tuning approach that strategically selects and labels a minimal amount of samples (less than 1%) to enhance domain adaptation. The network incorporates a Multi-Temporal Transformer for feature fusion and optimized backbone structure based on previous research. Experiments conducted on the LEVIR-CD and WHU-CD datasets demonstrate that DAM-Net significantly outperforms existing domain adaptation methods, achieving comparable performance to semi-supervised approaches that require 10% labeled data while using only 0.3% labeled samples. Our approach significantly advances cross-dataset CD applications and provides a new paradigm for efficient domain adaptation in remote sensing. The source code of DAM-Net will be made publicly available upon publication.
Abstract（参考訳）: リモートセンシング画像における変化検出(CD)は,都市計画や被害評価,資源管理など,様々な用途において重要な役割を担っている。ディープラーニングのアプローチはCDのパフォーマンスを著しく向上させたが、現在の手法はドメイン適応性の低下に悩まされており、新しいシナリオに適用した場合に、ラベル付きデータを広範囲に再トレーニングする必要がある。この制限は、異なるデータセットにわたる実践的応用を厳しく制限する。本研究ではDAM-Net: Micro-Labeled Fine-Tuning for CDを用いたドメイン適応ネットワークを提案する。本ネットワークでは,CDに対して,特殊に設計されたセグメンテーション識別器と,ドメイン間の効果的な転送を可能にするためのトレーニング戦略を交互に導入する。さらに,最小限のサンプル(1%未満)を戦略的に選択・ラベル付けし,ドメイン適応を向上するマイクロラベルファインチューニング手法を提案する。このネットワークは、機能融合のためのMulti-Temporal Transformerと、以前の研究に基づいて最適化されたバックボーン構造を組み込んでいる。 LEVIR-CDとWHU-CDデータセットで実施された実験は、DAM-Netが既存のドメイン適応法を著しく上回り、わずか0.3%のラベル付きサンプルを使用しながら10%のラベル付きデータを必要とする半教師付きアプローチに匹敵する性能を達成することを示した。本手法は, リモートセンシングにおける領域適応のための新しいパラダイムを提供する。 DAM-Netのソースコードは公開時に公開される。

関連論文リスト

Diffusion Cross-domain Recommendation [0.0]
コールドスタートユーザに高品質な結果を提供するために拡散クロスドメイン勧告(DiffCDR)を提案する。まず、DPMの理論を採用し、ターゲットドメインにユーザの埋め込みを生成する拡散モジュール(DIM)を設計する。さらに、ターゲットドメインのラベルデータを検討し、タスク指向の損失関数を作成し、DiffCDRが特定のタスクに適応できるようにする。
論文参考訳（メタデータ） (2024-02-03T15:14:51Z)
Informative Data Mining for One-Shot Cross-Domain Semantic Segmentation [84.82153655786183]
Informative Data Mining (IDM) と呼ばれる新しいフレームワークを提案し、セマンティックセグメンテーションのための効率的なワンショットドメイン適応を実現する。 IDMは、最も情報性の高いサンプルを特定するために不確実性に基づく選択基準を提供し、迅速に適応し、冗長なトレーニングを減らす。提案手法は,GTA5/SYNTHIAからCityscapesへの適応タスクにおいて,既存の手法より優れ,56.7%/55.4%の最先端のワンショット性能を実現している。
論文参考訳（メタデータ） (2023-09-25T15:56:01Z)
Divide and Adapt: Active Domain Adaptation via Customized Learning [56.79144758380419]
対象インスタンスを成層化可能な4つのカテゴリに分割する新しいADAフレームワークであるDiaNA(Divide-and-Adapt)を提案する。不確実性とドメイン性に基づく新しいデータ分割プロトコルにより、DiaNAは最も有利なサンプルを正確に認識することができる。の精神のおかげで、DiaNAはドメインギャップの大きなバリエーションでデータを処理できる。
論文参考訳（メタデータ） (2023-07-21T14:37:17Z)
Exploring Few-Shot Adaptation for Activity Recognition on Diverse Domains [46.26074225989355]
ドメイン適応は、さまざまな環境における正確で堅牢なパフォーマンスを保証するために、アクティビティ認識に不可欠である。本研究では,FewShot Domain Adaptation for Activity Recognition (FSDA-AR) に焦点をあてる。より多様で困難な領域への適応を考慮した5つの確立されたデータセットを用いた新しいFSDA-ARを提案する。
論文参考訳（メタデータ） (2023-05-15T08:01:05Z)
Multi-Prompt Alignment for Multi-Source Unsupervised Domain Adaptation [86.02485817444216]
マルチプロンプトアライメント(MPA: Multi-Prompt Alignment)は,マルチソースUDAのためのシンプルかつ効率的なフレームワークである。 MPAは、学習したプロンプトを自動エンコードプロセスで認知し、再構築されたプロンプトの合意を最大化することでそれらを調整する。実験によると、MPAは3つの一般的なデータセットで最先端の結果を達成し、DomainNetの平均精度は54.1%である。
論文参考訳（メタデータ） (2022-09-30T03:40:10Z)
Exploiting Instance-based Mixed Sampling via Auxiliary Source Domain Supervision for Domain-adaptive Action Detection [75.38704117155909]
本稿では,新しいドメイン適応型行動検出手法と新しい適応プロトコルを提案する。クロスドメイン混合サンプリングと組み合わせた自己学習は、UDAコンテキストにおいて顕著なパフォーマンス向上を示した。我々は提案したフレームワークをドメイン適応アクション・インスタンス・ミックス(DA-AIM)と呼ぶ。
論文参考訳（メタデータ） (2022-09-28T22:03:25Z)
Unsupervised Domain Adaptation for LiDAR Panoptic Segmentation [5.745037250837124]
このドメインギャップを埋めるためには、教師なしのドメイン適応(UDA)技術が不可欠です。 We propose AdaptLPS, a novel UDA approach for LiDAR panoptic segmentation。以上の結果から,AdaptLPSはPQスコアにおいて,既存のUDAアプローチよりも最大6.41pp高い性能を示した。
論文参考訳（メタデータ） (2021-09-30T17:30:43Z)
Unsupervised Domain Adaptation in LiDAR Semantic Segmentation with Self-Supervision and Gated Adapters [13.744866002650076]
本稿では、ラベルのない対象ドメインデータを自己監督のために活用する、教師なしドメイン適応フレームワークを提案する。実-実-実-実-実-実-合成-実-実-実-実-実のLiDARセマンティックセグメンテーションベンチマークから適用した実験は、先行技術よりも大幅に改善されたことを示している。
論文参考訳（メタデータ） (2021-07-20T21:57:18Z)
A Review of Single-Source Deep Unsupervised Visual Domain Adaptation [81.07994783143533]
大規模ラベル付きトレーニングデータセットにより、ディープニューラルネットワークは、幅広いベンチマークビジョンタスクを拡張できるようになった。多くのアプリケーションにおいて、大量のラベル付きデータを取得するのは非常に高価で時間を要する。限られたラベル付きトレーニングデータに対処するため、大規模ラベル付きソースドメインでトレーニングされたモデルを、疎ラベルまたは未ラベルのターゲットドメインに直接適用しようと試みている人も多い。
論文参考訳（メタデータ） (2020-09-01T00:06:50Z)
DSDANet: Deep Siamese Domain Adaptation Convolutional Neural Network for Cross-domain Change Detection [44.05317423742678]
クロスドメイン変化検出のための新しいディープ・サイムズ・ドメイン適応畳み込みニューラルネットワークアーキテクチャを提案する。我々の知る限りでは、このようなドメイン適応に基づくディープネットワークが変更検出のために提案されたのは初めてである。
論文参考訳（メタデータ） (2020-06-16T15:00:54Z)
Supervised Domain Adaptation using Graph Embedding [86.3361797111839]
領域適応法は、2つの領域間の分布がシフトし、それを認識しようとすると仮定する。グラフ埋め込みに基づく汎用フレームワークを提案する。提案手法が強力なドメイン適応フレームワークにつながることを示す。
論文参考訳（メタデータ） (2020-03-09T12:25:13Z)

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。