論文の概要: Be the Change You Want to See: Revisiting Remote Sensing Change Detection Practices

• arxiv url: http://arxiv.org/abs/2507.03367v1
• Date: Fri, 04 Jul 2025 08:01:28 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-07-08 15:46:34.705039
• Title: Be the Change You Want to See: Revisiting Remote Sensing Change Detection Practices
• Title（参考訳）: リモートセンシングによる変化検出の実践を再考する
• Authors: Blaž Rolih, Matic Fučka, Filip Wolf, Luka Čehovin Zajc,
• Abstract要約: リモートセンシング変化検出は、異なるタイミングでキャプチャされた同じ位置の画像間のセマンティックな変化をローカライズすることを目的としている。 ほとんどの場合、バックボーンの選択、事前トレーニング戦略、トレーニング設定など、基本的な設計選択のパフォーマンスのコントリビューションの測定に失敗する。 このような基本的な設計選択は、新しいアーキテクチャコンポーネントの追加よりもパフォーマンスを著しく向上させることが多い、と私たちは主張する。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/licenses/by-nc-sa/4.0/
• Abstract: Remote sensing change detection aims to localize semantic changes between images of the same location captured at different times. In the past few years, newer methods have attributed enhanced performance to the additions of new and complex components to existing architectures. Most fail to measure the performance contribution of fundamental design choices such as backbone selection, pre-training strategies, and training configurations. We claim that such fundamental design choices often improve performance even more significantly than the addition of new architectural components. Due to that, we systematically revisit the design space of change detection models and analyse the full potential of a well-optimised baseline. We identify a set of fundamental design choices that benefit both new and existing architectures. Leveraging this insight, we demonstrate that when carefully designed, even an architecturally simple model can match or surpass state-of-the-art performance on six challenging change detection datasets. Our best practices generalise beyond our architecture and also offer performance improvements when applied to related methods, indicating that the space of fundamental design choices has been underexplored. Our guidelines and architecture provide a strong foundation for future methods, emphasizing that optimizing core components is just as important as architectural novelty in advancing change detection performance. Code: https://github.com/blaz-r/BTC-change-detection
• Abstract（参考訳）: リモートセンシング変化検出は、異なるタイミングでキャプチャされた同じ位置の画像間のセマンティックな変化をローカライズすることを目的としている。 ここ数年、新しい手法は、既存のアーキテクチャに新しい複雑なコンポーネントを追加することで、パフォーマンスを向上した。 ほとんどの場合、バックボーンの選択、事前トレーニング戦略、トレーニング設定など、基本的な設計選択のパフォーマンスのコントリビューションの測定に失敗する。 このような基本的な設計選択は、新しいアーキテクチャコンポーネントの追加よりもパフォーマンスを著しく向上させることが多い、と私たちは主張する。 このため,変化検出モデルの設計空間を体系的に再検討し,最適化されたベースラインの潜在能力を解析する。 新しいアーキテクチャと既存のアーキテクチャの両方に利益をもたらす、基本的な設計選択のセットを特定します。 この洞察を活用して、慎重に設計すると、アーキテクチャ的にシンプルなモデルでさえ、6つの挑戦的な変更検出データセット上で、最先端のパフォーマンスにマッチまたは超えることができることを実証します。 私たちのベストプラクティスはアーキテクチャを超えて一般化され、関連するメソッドに適用した場合のパフォーマンスも向上します。 当社のガイドラインとアーキテクチャは,コアコンポーネントの最適化が,変更検出性能向上におけるアーキテクチャ上の新奇性と同じくらい重要であることを強調して,将来的な手法の強力な基盤を提供する。 コード:https://github.com/blaz-r/BTC-change-detection

関連論文リスト

• An Architectural Approach to Enhance Deep Long-Tailed Learning [5.214135587370722]
  我々はLong-Tailed Differential Architecture Search (LTDAS)を紹介する。 長いデータに対して優れたパフォーマンスを示すアーキテクチャコンポーネントを探索するために、広範な実験を行います。 これにより、検索プロセスを通じて得られたアーキテクチャが優れたコンポーネントを組み込むことが保証される。
  論文  参考訳（メタデータ） (2024-11-09T07:19:56Z)
• Exploring the design space of deep-learning-based weather forecasting systems [56.129148006412855]
  本稿では,異なる設計選択がディープラーニングに基づく天気予報システムに与える影響を系統的に分析する。 UNet、完全畳み込みアーキテクチャ、トランスフォーマーベースモデルなどの固定グリッドアーキテクチャについて検討する。 固定グリッドモデルの強靭な性能とグリッド不変アーキテクチャの柔軟性を組み合わせたハイブリッドシステムを提案する。
  論文  参考訳（メタデータ） (2024-10-09T22:25:50Z)
• Towards Assessing Spread in Sets of Software Architecture Designs [2.2120851074630177]
  本稿では,建築的特徴を考慮し,選択肢の多様性を評価するスプレッドの品質指標を提案する。 文献から得られたデータセットにアーキテクチャ品質指標をどのように適用できるかを実証する。
  論文  参考訳（メタデータ） (2024-02-29T13:52:39Z)
• A Change Detection Reality Check [4.122463133837605]
  近年,遠隔センシング文献における変化検出深層学習アーキテクチャの提案が爆発的に増えている。 本稿では,簡単なU-Netセグメンテーションベースラインをトレーニングのトリックや複雑なアーキテクチャ変更なしに結論付ける実験を行う。
  論文  参考訳（メタデータ） (2024-02-10T17:02:53Z)
• Heterogeneous Continual Learning [88.53038822561197]
  本稿では,ネットワークアーキテクチャの変更に伴う継続学習(CL)問題に対処する新しい枠組みを提案する。 本研究は, 蒸留ファミリ上に構築し, より弱いモデルが教師の役割を担うような, 新たな環境に適応するものである。 また、知識伝達を支援するために、タスク前の視覚的特徴を復元するクイック・ディープ・インバージョン(QDI)を提案する。
  論文  参考訳（メタデータ） (2023-06-14T15:54:42Z)
• Demystify Transformers & Convolutions in Modern Image Deep Networks [80.16624587948368]
  本稿では,一般のコンボリューションとアテンション演算子の真の利益を,詳細な研究により同定することを目的とする。 注意や畳み込みのようなこれらの特徴変換モジュールの主な違いは、それらの空間的特徴集約アプローチにある。 様々なSTMが統合されたフレームワークに統合され、包括的な比較分析を行う。
  論文  参考訳（メタデータ） (2022-11-10T18:59:43Z)
• On the interplay of adversarial robustness and architecture components: patches, convolution and attention [65.20660287833537]
  本研究は,学習した特徴の解釈可能性と,未知の脅威モデルに対する頑健性に及ぼす対人訓練の効果について検討する。 ResNetからConvNeXtへのアブレーションにより、キーとなるアーキテクチャ上の変更により、約10%高い$ell_infty$-robustnessが実現した。
  論文  参考訳（メタデータ） (2022-09-14T22:02:32Z)

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。