論文の概要: Information transmission: Inferring change area from change moment in time series remote sensing images
- arxiv url: http://arxiv.org/abs/2509.03112v1
- Date: Wed, 03 Sep 2025 08:10:30 GMT
- ステータス: 翻訳完了
- システム内更新日: 2025-09-04 21:40:46.454567
- Title: Information transmission: Inferring change area from change moment in time series remote sensing images
- Title（参考訳）: 情報伝送:時系列リモートセンシング画像における変化モーメントから変化領域を推定する
- Authors: Jialu Li, Chen Wu, Meiqi Hu,
- Abstract要約: 本稿では,変化領域と変化モーメントの整合性を確保するため,CAIM-Netという時系列変化検出ネットワークを提案する。
CAIM-Netは、差分抽出と拡張、粗い変化モーメント抽出、きめ細かな変化モーメント抽出と変化領域推論の3つの重要なステップで構成されている。
- 参考スコア（独自算出の注目度）: 8.023582352811026
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Time series change detection is a critical task for exploring ecosystem dynamics using time series remote sensing images, because it can simultaneously indicate where and when change occur. While deep learning has shown excellent performance in this domain, it continues to approach change area detection and change moment identification as distinct tasks. Given that change area can be inferred from change moment, we propose a time series change detection network, named CAIM-Net (Change Area Inference from Moment Network), to ensure consistency between change area and change moment results. CAIM-Net infers change area from change moment based on the intrinsic relationship between time series analysis and spatial change detection. The CAIM-Net comprises three key steps: Difference Extraction and Enhancement, Coarse Change Moment Extraction, and Fine Change Moment Extraction and Change Area Inference. In the Difference Extraction and Enhancement, a lightweight encoder with batch dimension stacking is designed to rapidly extract difference features. Subsequently, boundary enhancement convolution is applied to amplify these difference features. In the Coarse Change Moment Extraction, the enhanced difference features from the first step are used to spatiotemporal correlation analysis, and then two distinct methods are employed to determine coarse change moments. In the Fine Change Moment Extraction and Change Area Inference, a multiscale temporal Class Activation Mapping (CAM) module first increases the weight of the change-occurring moment from coarse change moments. Then the weighted change moment is used to infer change area based on the fact that pixels with the change moment must have undergone a change.
- Abstract（参考訳）: 時系列リモートセンシング画像を用いて生態系のダイナミクスを探索する上で,時系列変化検出は重要な課題である。
ディープラーニングはこの領域で優れたパフォーマンスを示しているが、変化領域の検出と変化モーメントの識別を異なるタスクとしてアプローチし続けている。
変化領域を変化モーメントから推定できることを前提として,CAIM-Net(Change Area Inference from Moment Network)と呼ばれる時系列変化検出ネットワークを提案し,変化領域と変化モーメント結果の整合性を確保する。
CAIM-Netは、時系列解析と空間変化検出の本質的な関係に基づき、変化モーメントから変化領域を推論する。
CAIM-Netは、差分抽出と拡張、粗い変化モーメント抽出、きめ細かな変化モーメント抽出と変化領域推論の3つの重要なステップで構成されている。
差分抽出・拡張では, バッチ次元の積み重ねによる軽量エンコーダを設計し, 差分特徴を迅速に抽出する。
次に、これらの差分特徴を増幅するために境界拡張畳み込みを適用する。
粗い変化モーメント抽出において、第1ステップからの強化された差分特徴を時空間相関解析に利用し、粗い変化モーメントを決定するために2つの異なる方法を用いる。
The Fine Change Moment extract and Change Area Inference, a multiscale temporal Class Activation Mapping (CAM) module first increase the change-occurring moments from coarse change moments。
そして、重み付き変化モーメントを用いて、変化モーメントを有する画素が変化したに違いないという事実に基づいて、変化領域を推測する。
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) - A Remote Sensing Image Change Detection Method Integrating Layer Exchange and Channel-Spatial Differences [4.370130821531168]
リモートセンシング画像における変化検出は、地球観測にとって重要な技術である。
深層学習において、特徴写像の空間次元とチャネル次元は、元の画像と異なる情報を表す。
本研究では,両時間的特徴の空間次元だけでなく,チャネル次元からも差分情報を計算できることを見出した。
論文 参考訳（メタデータ） (2025-01-19T00:14:20Z) - Enhancing Perception of Key Changes in Remote Sensing Image Change Captioning [49.24306593078429]
KCFI(Key Change Features and Instruction-tuned)によるリモートセンシング画像変換キャプションのための新しいフレームワークを提案する。
KCFIは、バイテンポラルリモートセンシング画像特徴を抽出するViTsエンコーダと、重要な変化領域を識別するキー特徴知覚器と、画素レベルの変化検出デコーダとを含む。
提案手法の有効性を検証するため,LEVIR-CCデータセット上のいくつかの最新の変更キャプション手法との比較を行った。
論文 参考訳（メタデータ） (2024-09-19T09:33:33Z) - 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) - ChangeBind: A Hybrid Change Encoder for Remote Sensing Change Detection [16.62779899494721]
変化検出(CD)は、異なる時刻スタンプで同じ地理的領域間の意味的変化を検出することを目的とした、リモートセンシング(RS)の基本課題である。
本稿では,バイテンポラルRS画像における意味変化をエンコードする,効果的なSiameseベースのフレームワークを提案する。
論文 参考訳（メタデータ） (2024-04-26T17:47:14Z) - 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) - Explicit Change Relation Learning for Change Detection in VHR Remote
Sensing Images [12.228675703851733]
変更関係の特徴を明示的にマイニングするためのネットワークアーキテクチャNAMEを提案する。
変更検出の変更特徴は、事前変更画像特徴、後変更画像特徴、変更関係特徴に分けられる。
我々のネットワークは、F1、IoU、OAの点で、変更検出のための既存の先進的なネットワークよりも優れています。
論文 参考訳（メタデータ） (2023-11-14T08:47:38Z) - Changes-Aware Transformer: Learning Generalized Changes Representation [56.917000244470174]
差分特徴の精細化のための新しい変化認識変換器(CAT)を提案する。
様々な変化の一般化表現は、差分特徴空間において容易に学習される。
精細化後、差分特徴空間における変化画素同士が近接し、変化検出を容易にする。
論文 参考訳（メタデータ） (2023-09-24T12:21:57Z) - Learning Transformations To Reduce the Geometric Shift in Object
Detection [60.20931827772482]
画像キャプチャプロセスの変動から生じる幾何シフトに対処する。
我々は、これらのシフトを最小限に抑えるために幾何変換の集合を学習する自己学習アプローチを導入する。
我々は,カメラの視野変化(FoV)と視点変化(視点変化)の2つの異なるシフトについて,本手法の評価を行った。
論文 参考訳（メタデータ） (2023-01-13T11:55:30Z) - The Change You Want to See [91.3755431537592]
同じシーンの2つのイメージが与えられた場合、その変更を自動的に検出できることは、様々な領域で実用的応用をもたらす。
画像対の「オブジェクトレベル」変化を、視点や照明の違いにかかわらず検出することを目的として、変化検出問題に取り組む。
論文 参考訳（メタデータ） (2022-09-28T18:10:09Z) - Changer: Feature Interaction is What You Need for Change Detection [6.385385687682811]
変化検出は、長期の地球観測ミッションにとって重要なツールである。
本稿では,特徴抽出器に代替的なインタラクション層を含む,新しい汎用的な変更検出アーキテクチャであるMetaChangerを提案する。
異なるスケール変化検出データセット上で,Changerシリーズモデルが競合性能を達成するのを観察する。
論文 参考訳（メタデータ） (2022-09-17T09:13:02Z)
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。