Fugu-MT 論文翻訳(概要): HSANET: A Hybrid Self-Cross Attention Network For Remote Sensing Change Detection

論文の概要: HSANET: A Hybrid Self-Cross Attention Network For Remote Sensing Change Detection

arxiv url: http://arxiv.org/abs/2504.15170v1
Date: Mon, 21 Apr 2025 15:23:59 GMT
ステータス: 翻訳完了
システム内更新日: 2025-04-29 16:07:45.16196
Title: HSANET: A Hybrid Self-Cross Attention Network For Remote Sensing Change Detection
Title（参考訳）: HSANET: リモートセンシングによる変化検出のためのハイブリッドセルフクロスアテンションネットワーク
Authors: Chengxi Han, Xiaoyu Su, Zhiqiang Wei, Meiqi Hu, Yichu Xu,
Abstract要約: HSANetは階層的畳み込みを用いてマルチスケールの特徴を抽出するネットワークである。グローバルな情報とクロススケールな情報を学習し、融合するためのハイブリッドな自己注意機構とクロスアテンション機構が組み込まれている。
参考スコア（独自算出の注目度）: 7.0896499461343945
License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
Abstract: The remote sensing image change detection task is an essential method for large-scale monitoring. We propose HSANet, a network that uses hierarchical convolution to extract multi-scale features. It incorporates hybrid self-attention and cross-attention mechanisms to learn and fuse global and cross-scale information. This enables HSANet to capture global context at different scales and integrate cross-scale features, refining edge details and improving detection performance. We will also open-source our model code: https://github.com/ChengxiHAN/HSANet.
Abstract（参考訳）: リモートセンシング画像変化検出タスクは大規模監視に不可欠である。階層的畳み込みを用いたマルチスケール特徴抽出ネットワークであるHSANetを提案する。グローバルな情報とクロススケールな情報を学習し、融合するためのハイブリッドな自己注意機構とクロスアテンション機構が組み込まれている。これによりHSANetは、さまざまなスケールでグローバルコンテキストをキャプチャし、クロススケール機能を統合し、エッジの詳細を精査し、検出性能を向上させることができる。また、当社のモデルコードもオープンソース化します。

関連論文リスト

ROS-SAM: High-Quality Interactive Segmentation for Remote Sensing Moving Object [14.931975623642169]
小さなオブジェクトサイズ、あいまいな特徴、限定的な一般化は、現在のメソッドがこの目標を達成するのを難しくする。本稿では,多様なリモートセンシングデータにまたがる一般化を維持しつつ,高品質な対話的セグメンテーションを実現する手法であるROS-SAMを提案する。 ROS-SAM は,1) SAM の一般化能力を維持しながらドメイン適応の効率化を実現する LoRA-based fine-tuning,2) 抽出した特徴の識別性向上のためのディープネットワーク層の拡張,3) マスクデコーダの局所境界詳細とグローバルコンテキストの統合による高品質セグメンテーションマスクの生成という,3つの重要なイノベーションに基づいて構築されている。
論文参考訳（メタデータ） (2025-03-15T06:10:09Z)
Multi-Scale Cross-Fusion and Edge-Supervision Network for Image Splicing Localization [13.776343759641343]
ISLのためのマルチスケールクロスフュージョンおよびエッジスーパービジョンネットワークを提案する。本フレームワークは, クロスフュージョン, エッジマスク予測, エッジスーパービジョンローカライゼーションの3つの重要なステップで構成されている。提案手法は最先端の手法よりも優れている。
論文参考訳（メタデータ） (2024-12-17T03:10:04Z)
PVAFN: Point-Voxel Attention Fusion Network with Multi-Pooling Enhancing for 3D Object Detection [59.355022416218624]
点とボクセルの表現の統合は、LiDARベースの3Dオブジェクト検出においてより一般的になりつつある。 PVAFN(Point-Voxel Attention Fusion Network)と呼ばれる新しい2段3次元物体検出器を提案する。 PVAFNはマルチプール戦略を使用して、マルチスケールとリージョン固有の情報を効果的に統合する。
論文参考訳（メタデータ） (2024-08-26T19:43:01Z)
PGNeXt: High-Resolution Salient Object Detection via Pyramid Grafting Network [24.54269823691119]
本稿では、データセットとネットワークフレームワークの両方の観点から、より難解な高分解能サルエントオブジェクト検出(HRSOD)について述べる。 HRSODデータセットの欠如を補うため、UHRSDと呼ばれる大規模高解像度の高分解能物体検出データセットを慎重に収集した。すべての画像はピクセルレベルで微妙にアノテートされ、以前の低解像度のSODデータセットをはるかに上回っている。
論文参考訳（メタデータ） (2024-08-02T09:31:21Z)
RS-Mamba for Large Remote Sensing Image Dense Prediction [58.12667617617306]
本稿では,大規模なVHRリモートセンシング画像における高密度予測タスクに対するリモートセンシング・マンバ(RSM)を提案する。 RSMは、線形複雑度でリモートセンシング画像のグローバルなコンテキストを捉えるように設計されている。我々のモデルは、大規模なリモートセンシング画像の変換器ベースモデルよりも効率と精度がよい。
論文参考訳（メタデータ） (2024-04-03T12:06:01Z)
Hybrid Convolutional and Attention Network for Hyperspectral Image Denoising [54.110544509099526]
ハイパースペクトル画像(HSI)は、ハイパースペクトルデータの効果的な解析と解釈に重要である。ハイブリット・コンボリューション・アテンション・ネットワーク(HCANet)を提案する。主流HSIデータセットに対する実験結果は,提案したHCANetの合理性と有効性を示している。
論文参考訳（メタデータ） (2024-03-15T07:18:43Z)
Convolution and Attention Mixer for Synthetic Aperture Radar Image Change Detection [41.38587746899477]
合成開口レーダ(SAR)画像変化検出は重要な課題であり,リモートセンシングコミュニティで注目されている。既存のSAR変化検出法は主に畳み込みニューラルネットワーク(CNN)に基づいているグローバルアテンションを取り入れたコンボリューション・アテンション・ミキサー(CAMixer)を提案する。
論文参考訳（メタデータ） (2023-09-21T12:28:23Z)
Cross-Spatial Pixel Integration and Cross-Stage Feature Fusion Based Transformer Network for Remote Sensing Image Super-Resolution [13.894645293832044]
変換器を用いたモデルでは、リモートセンシング画像超解像(RSISR)の競合性能が示されている。本稿では,RSISRのための新しいトランスアーキテクチャであるCross-Spatial Pixel IntegrationとCross-Stage Feature Fusion Based Transformer Network (SPIFFNet)を提案する。提案手法は,画像全体のグローバル認知と理解を効果的に促進し,機能統合の効率化を図っている。
論文参考訳（メタデータ） (2023-07-06T13:19:06Z)
Infrared Small-Dim Target Detection with Transformer under Complex Backgrounds [155.388487263872]
変換器を用いた赤外線小径目標検出手法を提案する。画像特徴の相互作用情報をより広い範囲で学習するために,変換器の自己認識機構を採用する。最小限のターゲットの機能を学習するための機能拡張モジュールも設計しています。
論文参考訳（メタデータ） (2021-09-29T12:23:41Z)
AdaZoom: Adaptive Zoom Network for Multi-Scale Object Detection in Large Scenes [57.969186815591186]
大規模なシーンの検出は、小さなオブジェクトと極端なスケールの変動のために難しい問題である。本稿では,物体検出のための焦点領域を適応的に拡大するために,フレキシブルな形状と焦点長を有する選択的拡大器として,新しい適応型Zoom(AdaZoom)ネットワークを提案する。
論文参考訳（メタデータ） (2021-06-19T03:30:22Z)
Cross-Attention in Coupled Unmixing Nets for Unsupervised Hyperspectral Super-Resolution [79.97180849505294]
本稿では,HSIの空間分解能を高めるために,CUCaNetというクロスアテンション機構を備えた新しい結合型アンミックスネットワークを提案する。 3つの広く使われているHS-MSデータセットに対して、最先端のHSI-SRモデルと比較実験を行った。
論文参考訳（メタデータ） (2020-07-10T08:08:20Z)
X-ModalNet: A Semi-Supervised Deep Cross-Modal Network for Classification of Remote Sensing Data [69.37597254841052]
我々はX-ModalNetと呼ばれる新しいクロスモーダルディープラーニングフレームワークを提案する。 X-ModalNetは、ネットワークの上部にある高レベルな特徴によって構築されたアップダスタブルグラフ上にラベルを伝搬するため、うまく一般化する。我々は2つのマルチモーダルリモートセンシングデータセット(HSI-MSIとHSI-SAR)上でX-ModalNetを評価し、いくつかの最先端手法と比較して大幅に改善した。
論文参考訳（メタデータ） (2020-06-24T15:29:41Z)

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。