論文の概要: Non-Registration Change Detection: A Novel Change Detection Task and Benchmark Dataset

• arxiv url: http://arxiv.org/abs/2505.09939v1
• Date: Thu, 15 May 2025 03:52:42 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-05-16 22:29:06.176473
• Title: Non-Registration Change Detection: A Novel Change Detection Task and Benchmark Dataset
• Title（参考訳）: 非登録変更検出:新しい変更検出タスクとベンチマークデータセット
• Authors: Zhe Shan, Lei Zhou, Liu Mao, Shaofan Chen, Chuanqiu Ren, Xia Xie,
• Abstract要約: 本稿では,緊急時の増加に対応するために,新たな遠隔センシング変更検出タスクである非登録変更検出タスクを提案する。 まず,実世界で発生しうる8つのシナリオを体系的に提案し,非登録問題の発生に寄与する可能性がある。 第2に、利用可能な登録変更検出データセットを非登録バージョンに変換するために、さまざまなシナリオに適した画像変換方式を開発する。
• 参考スコア（独自算出の注目度）: 5.351407937736042
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: In this study, we propose a novel remote sensing change detection task, non-registration change detection, to address the increasing number of emergencies such as natural disasters, anthropogenic accidents, and military strikes. First, in light of the limited discourse on the issue of non-registration change detection, we systematically propose eight scenarios that could arise in the real world and potentially contribute to the occurrence of non-registration problems. Second, we develop distinct image transformation schemes tailored to various scenarios to convert the available registration change detection dataset into a non-registration version. Finally, we demonstrate that non-registration change detection can cause catastrophic damage to the state-of-the-art methods. Our code and dataset are available at https://github.com/ShanZard/NRCD.
• Abstract（参考訳）: 本研究では, 自然災害, 人為的事故, 軍事ストライキなどの緊急事態の増加に対応するため, リモートセンシングによる変化検出タスク, 非登録型変化検出タスクを提案する。 まず,非登録変更検出の問題に関する限定的な議論を踏まえ,実世界で発生し,非登録問題の発生に寄与する可能性のある8つのシナリオを体系的に提案する。 第2に、利用可能な登録変更検出データセットを非登録バージョンに変換するために、さまざまなシナリオに適した画像変換方式を開発する。 最後に,非登録変更検出が最先端の手法に壊滅的なダメージを与えることを示した。 私たちのコードとデータセットはhttps://github.com/ShanZard/NRCDで公開されています。

関連論文リスト

• Seamless Detection: Unifying Salient Object Detection and Camouflaged Object Detection [73.85890512959861]
  本稿では,SOD(Salient Object Detection)とCOD(Camouflaged Object Detection)を統合化するためのタスク非依存フレームワークを提案する。 我々は、間隔層と大域的コンテキストを含む単純で効果的なコンテキストデコーダを設計し、67fpsの推論速度を実現する。 公開SODデータセットとCODデータセットの実験は、教師なし設定と教師なし設定の両方において、提案したフレームワークの優位性を実証している。
  論文  参考訳（メタデータ） (2024-12-22T03:25:43Z)
• Segment Any Change [64.23961453159454]
  本稿では、ゼロショット予測と、見えない変更タイプやデータ分布の一般化をサポートする新しいタイプの変更検出モデルを提案する。 AnyChangeは、トレーニング不要適応法、バイテンポラルラテントマッチングを通じてSAM(Se segment Any Model)上に構築されます。 また、AnyChangeのゼロショットオブジェクト中心の変更検出機能を有効にするためのポイントクエリ機構を提案する。
  論文  参考訳（メタデータ） (2024-02-02T07:17:39Z)
• Exchanging Dual Encoder-Decoder: A New Strategy for Change Detection with Semantic Guidance and Spatial Localization [10.059696915598392]
  セマンティックガイダンスと空間的ローカライゼーションを用いたバイナリ変更検出のための2つのエンコーダ・デコーダ構造を交換した新しい戦略を提案する。 この戦略に基づいてバイナリ変更検出モデルを構築し、それを6つのデータセット上で18の最先端の変更検出手法と比較する。
  論文  参考訳（メタデータ） (2023-11-19T11:30:43Z)
• Prototype-oriented Unsupervised Change Detection for Disaster Management [8.613634386661357]
  本稿では, 原型指向型災害管理用unsupervised Change Detection for Disaster Management (PUCD) を新たに提案する。 PUCDは、基本モデルによる事前設定、後処理、プロトタイプ指向の変更合成画像の特徴を比較することで変化を捉え、Segment Anything Model (SAM) を用いて結果を洗練する。 我々は, LEVIR-Extensionデータセットと災害データセットのPUCDフレームワークを評価し, LEVIR-Extensionデータセットの他の手法と比較して最先端の性能を実現する。
  論文  参考訳（メタデータ） (2023-10-15T07:06:01Z)
• End-to-end Remote Sensing Change Detection of Unregistered Bi-temporal Images for Natural Disasters [32.76737834482494]
  本研究の目的は,自然災害に特有な変化検出を行うことである。 変更検出研究に使用される既存の公開データセットが登録されていることを考慮し、未登録のエンドツーエンドの変更検出合成データセットを提案する。 本稿では,未登録のバイテンポラル画像ペアを入力として利用するE2ECDNetというエンドツーエンドの変更検出ネットワークを提案する。
  論文  参考訳（メタデータ） (2023-07-27T18:04:45Z)
• Change Detection Methods for Remote Sensing in the Last Decade: A Comprehensive Review [45.78958623050146]
  変更検出はリモートセンシングにおいて必須かつ広く利用されるタスクである。 時間とともに同じ地理的領域で起きている変化を検出し、分析することを目的としている。 ディープラーニングは、これらの課題を抽出し対処するための強力なツールとして登場した。
  論文  参考訳（メタデータ） (2023-05-09T23:52:37Z)
• Bandit Quickest Changepoint Detection [55.855465482260165]
  すべてのセンサの継続的な監視は、リソースの制約のためにコストがかかる可能性がある。 有限パラメータ化確率分布の一般クラスに対する検出遅延に基づく情報理論の下界を導出する。 本稿では,異なる検知オプションの探索と質問行動の活用をシームレスに両立させる,計算効率のよいオンラインセンシング手法を提案する。
  論文  参考訳（メタデータ） (2021-07-22T07:25:35Z)
• Unsupervised Out-of-Domain Detection via Pre-trained Transformers [56.689635664358256]
  ドメイン外の入力は予測不能なアウトプットを引き起こし、時には破滅的な安全性の問題を引き起こす。 本研究は、教師なしのドメイン内データのみを用いて、ドメイン外サンプルを検出する問題に対処する。 検出精度を高めるために、ドメイン固有の2つの微調整手法が提案されている。
  論文  参考訳（メタデータ） (2021-06-02T05:21:25Z)
• Task-related self-supervised learning for remote sensing image change detection [8.831857715361624]
  リモートセンシング画像の変更検出は,都市変化の検出,災害評価,その他の分野に広く適用されている。 既存のCNNベースの変更検出手法の多くは、まだ不十分な擬似変化抑制と不十分な特徴表現の問題に悩まされている。 本研究では,タスク関連自己監視学習変化検出ネットワークに基づく,スムーズなメカニズムによる教師なし変化検出手法を提案する。
  論文  参考訳（メタデータ） (2021-05-11T11:44:04Z)
• Partially Observable Online Change Detection via Smooth-Sparse Decomposition [16.8028358824706]
  本研究は,センサ容量の制限により,各センシング時点におけるデータストリームのサブセットのみを観測できる,疎度な変化を伴う高次元データストリームのオンライン変化検出について考察する。 一方、検出方式は、部分的に観測可能なデータを扱うことができ、一方、スパース変化に対する効率的な検出能力を有するべきである。 本稿では,CDSSDと呼ばれる新しい検出手法を提案する。特にスムーズな分解によるスムーズな変化を伴う高次元データの構造について述べる。
  論文  参考訳（メタデータ） (2020-09-22T16:03:04Z)
• Change Point Detection in Time Series Data using Autoencoders with a Time-Invariant Representation [69.34035527763916]
  変化点検出(CPD)は、時系列データにおける急激な特性変化を見つけることを目的としている。 近年のCDD法は、深層学習技術を用いる可能性を示したが、信号の自己相関統計学におけるより微妙な変化を識別する能力に欠けることが多い。 我々は、新しい損失関数を持つオートエンコーダに基づく手法を用い、使用済みオートエンコーダは、CDDに適した部分的な時間不変表現を学習する。
  論文  参考訳（メタデータ） (2020-08-21T15:03:21Z)

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。