論文の概要: CoDEx: Combining Domain Expertise for Spatial Generalization in Satellite Image Analysis

• arxiv url: http://arxiv.org/abs/2504.19737v1
• Date: Mon, 28 Apr 2025 12:33:39 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-05-02 19:15:54.427191
• Title: CoDEx: Combining Domain Expertise for Spatial Generalization in Satellite Image Analysis
• Title（参考訳）: CoDEx:衛星画像解析における空間一般化のためのドメインエキスパートの組み合わせ
• Authors: Abhishek Kuriyal, Elliot Vincent, Mathieu Aubry, Loic Landrieu,
• Abstract要約: 衛星画像のための新しい領域一般化フレームワークを提案する。 トレーニングドメイン毎に1つのエキスパートモデルをトレーニングし、専門家の類似性を学習し、同様の専門家の一貫性を奨励します。 モデル選択モジュールは、与えられたテストサンプルに対して最も適した専門家を特定し、それらの予測を集約する。
• 参考スコア（独自算出の注目度）: 20.904517823908783
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Global variations in terrain appearance raise a major challenge for satellite image analysis, leading to poor model performance when training on locations that differ from those encountered at test time. This remains true even with recent large global datasets. To address this challenge, we propose a novel domain-generalization framework for satellite images. Instead of trying to learn a single generalizable model, we train one expert model per training domain, while learning experts' similarity and encouraging similar experts to be consistent. A model selection module then identifies the most suitable experts for a given test sample and aggregates their predictions. Experiments on four datasets (DynamicEarthNet, MUDS, OSCD, and FMoW) demonstrate consistent gains over existing domain generalization and adaptation methods. Our code is publicly available at https://github.com/Abhishek19009/CoDEx.
• Abstract（参考訳）: 地形のグローバルな変化は、衛星画像解析の大きな課題を生じさせ、テスト時に遭遇したものと異なる場所でのトレーニングでは、モデル性能が低下する。 最近の大規模なグローバルデータセットでさえ、これは真実である。 この課題に対処するために,衛星画像のための新しい領域一般化フレームワークを提案する。 単一の一般化可能なモデルを学ぶ代わりに、トレーニングドメイン毎に1つのエキスパートモデルをトレーニングします。 モデル選択モジュールは、与えられたテストサンプルに対して最も適した専門家を特定し、それらの予測を集約する。 4つのデータセット(DynamicEarthNet、MUDS、OSCD、FMoW)の実験は、既存のドメインの一般化と適応手法よりも一貫した利得を示している。 私たちのコードはhttps://github.com/Abhishek19009/CoDExで公開されています。

関連論文リスト

• Contrasting Deepfakes Diffusion via Contrastive Learning and Global-Local Similarities [88.398085358514]
  Contrastive Deepfake Embeddings (CoDE)は、ディープフェイク検出に特化した新しい埋め込み空間である。 CoDEは、グローバルローカルな類似性をさらに強化することで、対照的な学習を通じて訓練される。
  論文  参考訳（メタデータ） (2024-07-29T18:00:10Z)
• GM-DF: Generalized Multi-Scenario Deepfake Detection [49.072106087564144]
  既存の偽造検出は、通常、単一のドメインでのトレーニングモデルのパラダイムに従う。 本稿では,複数の顔偽造検出データセットを共同で訓練した場合のディープフェイク検出モデルの一般化能力について詳しく検討する。
  論文  参考訳（メタデータ） (2024-06-28T17:42:08Z)
• Adaptive Test-Time Personalization for Federated Learning [51.25437606915392]
  テスト時パーソナライズド・フェデレーション・ラーニング(TTPFL)と呼ばれる新しい設定を導入する。 TTPFLでは、クライアントはテスト期間中にラベル付きデータに頼ることなく、教師なしの方法でグローバルモデルをローカルに適応する。 本稿では,ソースドメイン間の分散シフトから,モデル内の各モジュールの適応率を適応的に学習する ATP という新しいアルゴリズムを提案する。
  論文  参考訳（メタデータ） (2023-10-28T20:42:47Z)
• Self-supervised Domain-agnostic Domain Adaptation for Satellite Images [18.151134198549574]
  このようなドメイン定義なしでドメイン適応を行うための自己教師付きドメイン非依存ドメイン適応(SS(DA)2)手法を提案する。 まず,2つの衛星画像パッチ間で画像と画像の変換を行うために,生成ネットワークのトレーニングを行う。 そして、異なる試験スペクトル特性でトレーニングデータを増強することにより、下流モデルの一般化性を向上させる。
  論文  参考訳（メタデータ） (2023-09-20T07:37:23Z)
• Test-Time Style Shifting: Handling Arbitrary Styles in Domain Generalization [22.099003320482392]
  ドメイン一般化(DG)では、モデルがトレーニングされている時点でターゲットドメインが不明である。 テストサンプルのスタイルを最も近いソースドメインにシフトするテスト時スタイルシフトを提案する。 また、テスト時のスタイルシフトの利点を最大化するための優れたプラットフォームを提供するスタイルバランシングも提案しています。
  論文  参考訳（メタデータ） (2023-06-08T03:26:16Z)
• When Neural Networks Fail to Generalize? A Model Sensitivity Perspective [82.36758565781153]
  ドメイン一般化 (Domain Generalization, DG) は、異なる分布の下で見えないドメインでうまく機能するようにモデルを訓練することを目的としている。 本稿では,より現実的で,より困難なシナリオである単一領域一般化(Single-DG)について考察する。 我々は「モデル感度」と命名する一般化と強く相関するモデルの性質を経験的に確認する。 本稿では、高感度の周波数をターゲットとした拡張画像を生成するために、スペクトル逆データ拡張(SADA)の新たな戦略を提案する。
  論文  参考訳（メタデータ） (2022-12-01T20:15:15Z)
• Diversified Dynamic Routing for Vision Tasks [36.199659460868496]
  本稿では,各レイヤが専門家の集合で構成された新しいアーキテクチャを提案する。 本手法では,データのパーティショニングに関する課題を解決するために,モデルを明示的に訓練する。 都市景観のセマンティックセグメンテーションとMS-COCOのオブジェクト検出とインスタンスセグメンテーションについていくつかの実験を行った。
  論文  参考訳（メタデータ） (2022-09-26T23:27:51Z)
• Adaptive Network Combination for Single-Image Reflection Removal: A Domain Generalization Perspective [68.37624784559728]
  本稿では,ドメインの観点からSIRRモデルを学習し,課題に対処する。 各ソースセットに対して、特定のSIRRモデルは、関連するリフレクションタイプのドメインエキスパートとして機能するように訓練される。 あるソースセットからのイメージに対して、RTAWは、一般化能力を改善するために、他のドメインエキスパートの専門的な重みだけを予測するように訓練する。 実験により、異なる最先端SIRRネットワーク上でのAdaNECの性能向上が示された。
  論文  参考訳（メタデータ） (2022-04-04T14:06:11Z)
• Learning to Generalize across Domains on Single Test Samples [126.9447368941314]
  単体テストサンプルでドメインをまたいで一般化することを学ぶ。 変分ベイズ推論問題として単検体への適応を定式化する。 我々のモデルは、ドメインの一般化のための複数のベンチマークにおいて、最先端のメソッドよりも少なくとも同等で、より優れたパフォーマンスを達成します。
  論文  参考訳（メタデータ） (2022-02-16T13:21:04Z)

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。