論文の概要: Lightweight Adapter Learning for More Generalized Remote Sensing Change Detection
- arxiv url: http://arxiv.org/abs/2504.19598v1
- Date: Mon, 28 Apr 2025 09:01:56 GMT
- ステータス: 翻訳完了
- システム内更新日: 2025-05-02 19:15:54.372696
- Title: Lightweight Adapter Learning for More Generalized Remote Sensing Change Detection
- Title（参考訳）: より一般化されたリモートセンシング変化検出のための軽量適応学習
- Authors: Dou Quan, Rufan Zhou, Shuang Wang, Ning Huyan, Dong Zhao, Yunan Li, Licheng Jiao,
- Abstract要約: 本稿では、より普遍的で一般化された画像変化検出(CD)ネットワークのための変更アダプタネットワーク(CANet)を提案する。
軽量アダプタは、計算コストを小さくして、新しいCDタスクのためのディープネットワークを迅速に一般化することができる。
いくつかの公開データセットの実験結果から,CD上でのCANetの有効性と利点が検証された。
- 参考スコア（独自算出の注目度）: 39.71564111011772
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Deep learning methods have shown promising performances in remote sensing image change detection (CD). However, existing methods usually train a dataset-specific deep network for each dataset. Due to the significant differences in the data distribution and labeling between various datasets, the trained dataset-specific deep network has poor generalization performances on other datasets. To solve this problem, this paper proposes a change adapter network (CANet) for a more universal and generalized CD. CANet contains dataset-shared and dataset-specific learning modules. The former explores the discriminative features of images, and the latter designs a lightweight adapter model, to deal with the characteristics of different datasets in data distribution and labeling. The lightweight adapter can quickly generalize the deep network for new CD tasks with a small computation cost. Specifically, this paper proposes an interesting change region mask (ICM) in the adapter, which can adaptively focus on interested change objects and decrease the influence of labeling differences in various datasets. Moreover, CANet adopts a unique batch normalization layer for each dataset to deal with data distribution differences. Compared with existing deep learning methods, CANet can achieve satisfactory CD performances on various datasets simultaneously. Experimental results on several public datasets have verified the effectiveness and advantages of the proposed CANet on CD. CANet has a stronger generalization ability, smaller training costs (merely updating 4.1%-7.7% parameters), and better performances under limited training datasets than other deep learning methods, which also can be flexibly inserted with existing deep models.
- Abstract（参考訳）: 深層学習法はリモートセンシング画像変化検出(CD)において有望な性能を示した。
しかしながら、既存のメソッドは通常、データセットごとにデータセット固有のディープネットワークをトレーニングします。
データセット間のデータ分散とラベル付けに大きな違いがあるため、トレーニングされたデータセット固有のディープネットワークは他のデータセット上での一般化性能が劣っている。
そこで本研究では,より普遍的で一般化されたCDのための変更アダプタネットワーク(CANet)を提案する。
CANetには、データセット共有およびデータセット固有の学習モジュールが含まれている。
前者は画像の識別的特徴を探求し、後者はデータ分散とラベル付けにおける異なるデータセットの特徴を扱う軽量アダプタモデルを設計する。
軽量アダプタは、計算コストを小さくして、新しいCDタスクのためのディープネットワークを迅速に一般化することができる。
具体的には、興味のある変更対象に適応的に焦点を合わせ、様々なデータセットにおけるラベルの違いの影響を低減できるアダプタにおける興味深い変更領域マスク(ICM)を提案する。
さらにCANetでは,データセット毎に独自のバッチ正規化レイヤを採用して,データ分散の違いに対処している。
既存のディープラーニング手法と比較して、CANetは様々なデータセット上で十分なCDパフォーマンスを同時に達成できる。
いくつかの公開データセットの実験結果から,CD上でのCANetの有効性と利点が検証された。
CANetはより強力な一般化能力を持ち、トレーニングコスト(わずか4.1%-7.7%のパラメータを更新する)が小さく、既存のディープモデルで柔軟に挿入できる他のディープラーニング手法よりも、限られたトレーニングデータセット下でのパフォーマンスが向上している。
関連論文リスト
- SkeletonX: Data-Efficient Skeleton-based Action Recognition via Cross-sample Feature Aggregation [34.65359766672547]
本稿では,最小限のデータによる効率的な適応を実現するために,ワンショットおよび限定的な学習環境について検討する。
我々は、既存のGCNベースのスケルトンアクション認識器とシームレスに統合される軽量なトレーニングパイプラインであるSkeletonXを紹介する。
従来の最先端の手法を1ショット設定で上回り、パラメータの1/10しかなく、FLOPもはるかに少ない。
論文 参考訳（メタデータ） (2025-04-16T04:01:42Z) - A CLIP-Powered Framework for Robust and Generalizable Data Selection [51.46695086779598]
実世界のデータセットは、しばしば冗長でノイズの多いデータを含み、トレーニング効率とモデルパフォーマンスに悪影響を及ぼす。
データ選択は、データセット全体から最も代表的なサンプルを特定することを約束している。
より堅牢で一般化可能なサンプル選択にマルチモーダル情報を活用するCLIPを利用した新しいデータ選択フレームワークを提案する。
論文 参考訳（メタデータ） (2024-10-15T03:00:58Z) - DRUPI: Dataset Reduction Using Privileged Information [20.59889438709671]
データセットリダクション(DR)は、ターゲットタスクのパフォーマンスを維持しながら、大規模なデータセットからより小さなサブセットにサンプルを選択または蒸留する。
本稿では,DRUPI(Privleged Information)を用いたデータセットリダクションについて紹介する。
我々の研究結果によると、効果的な特徴ラベルは過度に差別的かつ過度に多様性があり、中程度のレベルがデータセットの有効性を改善するのに最適であることが判明した。
論文 参考訳（メタデータ） (2024-10-02T14:49:05Z) - Uni$^2$Det: Unified and Universal Framework for Prompt-Guided Multi-dataset 3D Detection [64.08296187555095]
Uni$2$Detは3D検出のための統一的で普遍的なマルチデータセットトレーニングのためのフレームワークである。
マルチデータセット3D検出のためのマルチステージプロンプトモジュールを提案する。
ゼロショットクロスデータセット転送の結果は,提案手法の一般化能力を検証する。
論文 参考訳（メタデータ） (2024-09-30T17:57:50Z) - Multi-Site Class-Incremental Learning with Weighted Experts in Echocardiography [1.305420351791698]
実生活におけるパフォーマンスを維持するための心エコー図を作成するには、多様な多地点データが必要である。
本稿では,各データセットのエキスパートネットワークを学習するクラスインクリメンタル学習手法を提案する。
複数のサイトから得られた6つのデータセットの検証を行い、ビュー分類性能を改善しながら、トレーニング時間の大幅な短縮を実証した。
論文 参考訳（メタデータ） (2024-07-31T13:05:32Z) - GCD-DDPM: A Generative Change Detection Model Based on
Difference-Feature Guided DDPM [7.922421805234563]
深層学習法は近年,バイテンポラルチェンジ検出(CD)において大きな可能性を秘めている
本研究は,CDマップを直接生成するGCD-DDPMと呼ばれる生成的変化検出モデルを提案する。
4つの高解像度CDデータセットの実験により、提案したGCD-DDPMの優れた性能が確認された。
論文 参考訳（メタデータ） (2023-06-06T05:51:50Z) - Unsupervised Domain Adaptation with Histogram-gated Image Translation
for Delayered IC Image Analysis [2.720699926154399]
Histogram-gated Image Translation (HGIT)は、特定のソースデータセットからターゲットデータセットのドメインに変換する、教師なしのドメイン適応フレームワークである。
提案手法は,報告したドメイン適応手法と比較して最高の性能を達成し,完全教師付きベンチマークに適当に近い。
論文 参考訳（メタデータ） (2022-09-27T15:53:22Z) - Detection Hub: Unifying Object Detection Datasets via Query Adaptation
on Language Embedding [137.3719377780593]
新しいデザイン(De Detection Hubという名前)は、データセット認識とカテゴリ整列である。
データセットの不整合を緩和し、検出器が複数のデータセットをまたいで学習するための一貫性のあるガイダンスを提供する。
データセット間のカテゴリは、ワンホットなカテゴリ表現を単語埋め込みに置き換えることで、意味的に統一された空間に整列される。
論文 参考訳（メタデータ） (2022-06-07T17:59:44Z) - CHALLENGER: Training with Attribution Maps [63.736435657236505]
ニューラルネットワークのトレーニングに属性マップを利用すると、モデルの正規化が向上し、性能が向上することを示す。
特に、我々の汎用的なドメインに依存しないアプローチは、ビジョン、自然言語処理、時系列タスクにおける最先端の結果をもたらすことを示す。
論文 参考訳（メタデータ） (2022-05-30T13:34:46Z) - DAIL: Dataset-Aware and Invariant Learning for Face Recognition [67.4903809903022]
顔認識の性能向上のためには、通常大規模なトレーニングデータセットが必要である。
2つの大きな問題のために異なるデータセットを自然に組み合わせるのは問題で面倒です。
トレーニング中に異なるデータセットの異なるクラスと同じ人を扱うことは、バックプロパゲーションに影響します。
手動でラベルをクリーニングするには 人的努力が要る 特に何百万もの画像と何千ものIDがある時は
論文 参考訳（メタデータ） (2021-01-14T01:59:52Z)
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。