論文の概要: OPTIMUS: Observing Persistent Transformations in Multi-temporal Unlabeled Satellite-data
- arxiv url: http://arxiv.org/abs/2506.13902v1
- Date: Mon, 16 Jun 2025 18:25:34 GMT
- ステータス: 翻訳完了
- システム内更新日: 2025-06-18 17:34:59.204175
- Title: OPTIMUS: Observing Persistent Transformations in Multi-temporal Unlabeled Satellite-data
- Title（参考訳）: OPTIMUS:マルチ時間非ラベル衛星データにおける永続的変換の観測
- Authors: Raymond Yu, Paul Han, Josh Myers-Dean, Piper Wolters, Favyen Bastani,
- Abstract要約: 衛星画像のような大規模なリモートセンシングは、地球の表面の変化を監視する重要なツールである。
直感的原理に基づく自己教師型学習手法である OPTIMUS を紹介する。
我々は、OPTIMUSが衛星画像の興味深い変化を直接検出できることを示し、AUROCのスコアを56.3%から87.6%に改善した。
- 参考スコア（独自算出の注目度）: 5.542295969816922
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: In the face of pressing environmental issues in the 21st century, monitoring surface changes on Earth is more important than ever. Large-scale remote sensing, such as satellite imagery, is an important tool for this task. However, using supervised methods to detect changes is difficult because of the lack of satellite data annotated with change labels, especially for rare categories of change. Annotation proves challenging due to the sparse occurrence of changes in satellite images. Even within a vast collection of images, only a small fraction may exhibit persistent changes of interest. To address this challenge, we introduce OPTIMUS, a self-supervised learning method based on an intuitive principle: if a model can recover information about the relative order of images in the time series, then that implies that there are long-lasting changes in the images. OPTIMUS demonstrates this principle by using change point detection methods on model outputs in a time series. We demonstrate that OPTIMUS can directly detect interesting changes in satellite images, achieving an improvement in AUROC score from 56.3% to 87.6% at distinguishing changed time series from unchanged ones compared to baselines. Our code and dataset are available at https://huggingface.co/datasets/optimus-change/optimus-dataset/.
- Abstract（参考訳）: 21世紀の環境問題に直面する中では、地球表面の変化を監視することがこれまで以上に重要である。
衛星画像などの大規模リモートセンシングはこのタスクにとって重要なツールである。
しかし、特に稀な変化のカテゴリにおいて、変更ラベルにアノテートされた衛星データが欠如しているため、変更を検出するために教師付き手法を使用することは困難である。
注釈は衛星画像の変化が少なかったために難しい。
膨大な画像のコレクション内であっても、関心の持続的な変化を示すのはごくわずかである。
この課題に対処するために,直感的な原理に基づく自己教師型学習手法であるOPTIMUSを紹介した。
OPTIMUSはこの原理を時系列のモデル出力に対して変化点検出法を用いて実証する。
我々は、OPTIMUSが衛星画像の興味深い変化を直接検出できることを示し、AUROCのスコアを56.3%から87.6%に改善し、変化した時系列と変化のない時系列をベースラインと比較した。
私たちのコードとデータセットはhttps://huggingface.co/datasets/optimus-change/optimus-dataset/で公開されています。
関連論文リスト
- CEBSNet: Change-Excited and Background-Suppressed Network with Temporal Dependency Modeling for Bitemporal Change Detection [5.667475728935794]
変更検出はリモートセンシングとコンピュータビジョンにおいて重要なタスクである。
現在のメソッドは一時的な依存関係を見落とし、顕著な変更を過度に強調します。
textbfCEBSNetは、変更検出のための新しい変更励起およびバックグラウンド抑圧ネットワークである。
論文 参考訳（メタデータ） (2025-05-21T09:57:30Z) - Satellite Image Time Series Semantic Change Detection: Novel Architecture and Analysis of Domain Shift [38.96950437566293]
衛星画像時系列(SITS-SCD)を用いた意味変化検出の試み
本稿では,技術状況を改善し,パラメータの数に応じて拡張し,長期的時間的情報を活用する新しいアーキテクチャを提案する。
実用的なユースケースでは、モデルが空間的および時間的シフトに適応する必要があるが、これは依然として課題である。
論文 参考訳（メタデータ） (2024-07-10T12:54:51Z) - Changen2: Multi-Temporal Remote Sensing Generative Change Foundation Model [62.337749660637755]
安価で自動的な生成モデルに基づく変更データ生成器を提案する。
Changen2は、自己監督を通じて大規模にトレーニング可能な、生成的な変更基盤モデルである。
得られたモデルには、固有のゼロショット変化検出機能と優れた転送性がある。
論文 参考訳（メタデータ） (2024-06-26T01:03:39Z) - 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) - MS-Former: Memory-Supported Transformer for Weakly Supervised Change
Detection with Patch-Level Annotations [50.79913333804232]
弱い教師付き変化検出のためのメモリ支援トランス (MS-Former) を提案する。
MS-Former は双方向注意ブロック (BAB) とパッチレベルの監視スキーム (PSS) から構成される。
3つのベンチマークデータセットの実験結果から,提案手法の有効性が示された。
論文 参考訳（メタデータ） (2023-11-16T09:57:29Z) - VcT: Visual change Transformer for Remote Sensing Image Change Detection [16.778418602705287]
本稿では,視覚変化検出問題に対する新しい視覚変化変換器(VcT)モデルを提案する。
トップKの信頼できるトークンは、クラスタリングアルゴリズムを使用してマップからマイニングし、洗練することができる。
複数のベンチマークデータセットに対する大規模な実験により,提案したVcTモデルの有効性が検証された。
論文 参考訳（メタデータ） (2023-10-17T17:25:31Z) - Unsupervised CD in satellite image time series by contrastive learning
and feature tracking [15.148034487267635]
特徴追跡を用いたコントラスト学習を用いた衛星画像時系列における教師なし変化検出のための2段階のアプローチを提案する。
事前学習したモデルから擬似ラベルを抽出し,特徴追跡を用いて画像時系列間で伝達することにより,擬似ラベルの一貫性を改善し,長期リモートセンシング画像時系列における季節変化の課題に対処する。
論文 参考訳（メタデータ） (2023-04-22T11:19:19Z) - DASNet: Dual attentive fully convolutional siamese networks for change
detection of high resolution satellite images [17.839181739760676]
研究の目的は、関心の変化情報を識別し、無関係な変更情報を干渉要因としてフィルタリングすることである。
近年、ディープラーニングの台頭により、変化検出のための新しいツールが提供され、目覚ましい結果が得られた。
我々は,高解像度画像における変化検出のための新しい手法,すなわち,二重注意型完全畳み込みシームズネットワーク(DASNet)を提案する。
論文 参考訳（メタデータ） (2020-03-07T16:57:10Z)
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。