論文の概要: Advancing Weakly-Supervised Change Detection in Satellite Images via Adversarial Class Prompting

• arxiv url: http://arxiv.org/abs/2508.17186v1
• Date: Sun, 24 Aug 2025 02:02:16 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-08-26 18:43:45.39092
• Title: Advancing Weakly-Supervised Change Detection in Satellite Images via Adversarial Class Prompting
• Title（参考訳）: 逆クラスプロンプティングによる衛星画像の微弱変化検出の高速化
• Authors: Zhenghui Zhao, Chen Wu, Di Wang, Hongruixuan Chen, Cuiqun Chen, Zhuo Zheng, Bo Du, Liangpei Zhang,
• Abstract要約: 本稿では,この共起雑音問題に対処するAdvCP法を提案する。 私たちのAdvCPは、追加の推論コストを加えることなく、現在のWSCDメソッドにシームレスに統合できます。
• 参考スコア（独自算出の注目度）: 49.15470825004932
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Weakly-Supervised Change Detection (WSCD) aims to distinguish specific object changes (e.g., objects appearing or disappearing) from background variations (e.g., environmental changes due to light, weather, or seasonal shifts) in paired satellite images, relying only on paired image (i.e., image-level) classification labels. This technique significantly reduces the need for dense annotations required in fully-supervised change detection. However, as image-level supervision only indicates whether objects have changed in a scene, WSCD methods often misclassify background variations as object changes, especially in complex remote-sensing scenarios. In this work, we propose an Adversarial Class Prompting (AdvCP) method to address this co-occurring noise problem, including two phases: a) Adversarial Prompt Mining: After each training iteration, we introduce adversarial prompting perturbations, using incorrect one-hot image-level labels to activate erroneous feature mappings. This process reveals co-occurring adversarial samples under weak supervision, namely background variation features that are likely to be misclassified as object changes. b) Adversarial Sample Rectification: We integrate these adversarially prompt-activated pixel samples into training by constructing an online global prototype. This prototype is built from an exponentially weighted moving average of the current batch and all historical training data. Our AdvCP can be seamlessly integrated into current WSCD methods without adding additional inference cost. Experiments on ConvNet, Transformer, and Segment Anything Model (SAM)-based baselines demonstrate significant performance enhancements. Furthermore, we demonstrate the generalizability of AdvCP to other multi-class weakly-supervised dense prediction scenarios. Code is available at https://github.com/zhenghuizhao/AdvCP
• Abstract（参考訳）: WSCD(Weakly-Supervised Change Detection)は、衛星画像の背景の変化(例えば、光、天気、季節変化による環境変化)から特定の物体の変化(例えば、出現または消失)を区別することを目的としており、ペア画像(すなわち、画像レベル)の分類ラベルにのみ依存している。 この技術は、完全な教師付き変更検出に必要な高密度アノテーションの必要性を著しく低減する。 しかし、画像レベルの監視は、シーンでオブジェクトが変更されたかどうかのみを示すため、WSCDメソッドは、特に複雑なリモートセンシングシナリオにおいて、背景のバリエーションをオブジェクトの変更として誤分類することが多い。 本研究では,この共起雑音問題に対処するAdvCP法を提案する。 a) 逆転プロンプトマイニング: トレーニングを繰り返した後, 不正な1ホット画像レベルのラベルを用いて, 誤った特徴マッピングを活性化する逆転プロンプトの摂動を導入する。 このプロセスは、弱い監督下で共起する敵のサンプル、すなわち、対象の変化として誤って分類される可能性のある背景変化の特徴を明らかにする。 b) 対角的サンプル修正: オンライングローバルプロトタイプの構築により, 逆向きにアクティベートされた画素サンプルをトレーニングに統合する。 このプロトタイプは、現在のバッチとすべての過去のトレーニングデータの指数的に重み付けされた移動平均から作られている。 私たちのAdvCPは、追加の推論コストを加えることなく、現在のWSCDメソッドにシームレスに統合できます。 ConvNet、Transformer、Segment Anything Model(SAM)ベースのベースラインの実験は、大幅なパフォーマンス向上を示している。 さらに,AdvCPの他のマルチクラスの弱教師付き密度予測シナリオへの一般化可能性を示す。 コードはhttps://github.com/zhenghuizhao/AdvCPで入手できる。

関連論文リスト

• Environmental Change Detection: Toward a Practical Task of Scene Change Detection [23.79599379113436]
  本研究では,空間環境を協調的に理解し,変化を検出する新しい枠組みを提案する。 我々は、複数の参照候補を活用し、変更検出のために意味的にリッチな表現を集約することで、この制限に対処する。 ECDのために再構成された3つの標準ベンチマークセットに対して,本フレームワークの評価を行い,最先端手法の簡単な組み合わせを著しく上回った。
  論文  参考訳（メタデータ） (2025-06-13T06:09:43Z)
• Fine-grained Recognition with Learnable Semantic Data Augmentation [68.48892326854494]
  きめ細かい画像認識は、長年続くコンピュータビジョンの課題である。 本稿では,識別領域損失問題を軽減するため,特徴レベルのトレーニングデータを多様化することを提案する。 本手法は,いくつかの人気分類ネットワーク上での一般化性能を著しく向上させる。
  論文  参考訳（メタデータ） (2023-09-01T11:15:50Z)
• SOOD: Towards Semi-Supervised Oriented Object Detection [57.05141794402972]
  本稿では, 主流の擬似ラベリングフレームワーク上に構築された, SOOD と呼ばれる, 半教師付きオブジェクト指向物体検出モデルを提案する。 提案した2つの損失をトレーニングした場合,SOODはDOTA-v1.5ベンチマークの様々な設定下で,最先端のSSOD法を超越することを示した。
  論文  参考訳（メタデータ） (2023-04-10T11:10:42Z)
• You Only Train Once: Learning a General Anomaly Enhancement Network with Random Masks for Hyperspectral Anomaly Detection [31.984085248224574]
  ハイパースペクトル異常検出(AD)における一般化の課題に対処する新しいアプローチを提案する。 提案手法は,既存の手法で必要となるパラメータの調整や新しいテストシーンの再学習を不要とする。 本手法は,異なるセンサ装置によってトレーニングセットとテストセットがキャプチャされると,競争性能が向上する。
  論文  参考訳（メタデータ） (2023-03-31T12:23:56Z)
• Transformation-Invariant Network for Few-Shot Object Detection in Remote Sensing Images [15.251042369061024]
  FSOD(Few-shot Object Detection)は、トレーニングのために大量のラベル付きデータを頼りにしている。 リモートセンシング画像におけるオブジェクトのスケールと向きのバリエーションは、既存のFSOD法に重大な課題をもたらす。 特徴ピラミッドネットワークの統合と,クエリ機能向上のためのプロトタイプ機能の利用を提案する。
  論文  参考訳（メタデータ） (2023-03-13T02:21:38Z)
• Location-Aware Self-Supervised Transformers [74.76585889813207]
  画像部品の相対的な位置を予測し,セマンティックセグメンテーションのためのネットワークを事前訓練する。 参照パッチのサブセットを問合せのサブセットにマスキングすることで,タスクの難しさを制御します。 実験により,この位置認識事前学習が,いくつかの難解なセマンティックセグメンテーションベンチマークに競合する表現をもたらすことが示された。
  論文  参考訳（メタデータ） (2022-12-05T16:24:29Z)
• Background-Mixed Augmentation for Weakly Supervised Change Detection [18.319961338185458]
  変化検出(CD)とは、背景の変化(環境の変化など)からオブジェクトの変更(オブジェクトの欠落や出現)を分離することである。 近年の深層学習に基づく手法は,ペア学習を用いた新しいネットワークアーキテクチャや最適化戦略を開発している。 我々は,画像レベルのラベルのみを必要とする,弱教師付きトレーニングアルゴリズムを開発した。
  論文  参考訳（メタデータ） (2022-11-21T14:12:53Z)
• UIA-ViT: Unsupervised Inconsistency-Aware Method based on Vision Transformer for Face Forgery Detection [52.91782218300844]
  そこで我々は、UIA-ViTと呼ばれるビジョン変換器に基づく教師なし不整合認識手法を提案する。 自己注意機構により、パッチ埋め込み間の注意マップは自然に一貫性関係を表現し、一貫性表現学習に適した視覚変換器となる。
  論文  参考訳（メタデータ） (2022-10-23T15:24:47Z)
• Semi-Supervised Domain Adaptation with Prototypical Alignment and Consistency Learning [86.6929930921905]
  本稿では,いくつかの対象サンプルがラベル付けされていれば,ドメインシフトに対処するのにどの程度役立つか検討する。 ランドマークの可能性を最大限に追求するために、ランドマークから各クラスのターゲットプロトタイプを計算するプロトタイプアライメント(PA)モジュールを組み込んでいます。 具体的には,ラベル付き画像に深刻な摂動を生じさせ,PAを非自明にし,モデル一般化性を促進する。
  論文  参考訳（メタデータ） (2021-04-19T08:46:08Z)

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。