論文の概要: Domain Adaptive SAR Wake Detection: Leveraging Similarity Filtering and Memory Guidance

• arxiv url: http://arxiv.org/abs/2509.12279v1
• Date: Sun, 14 Sep 2025 08:35:39 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-09-17 17:50:52.675155
• Title: Domain Adaptive SAR Wake Detection: Leveraging Similarity Filtering and Memory Guidance
• Title（参考訳）: Domain Adaptive SAR Wake Detection: 類似度フィルタリングとメモリガイダンスを活用する
• Authors: He Gao, Baoxiang Huang, Milena Radenkovic, Borui Li, Ge Chen,
• Abstract要約: そこで本稿では,非教師付きドメイン適応型船舶起動検出のためのSimisity-Guided and Memory-Guided Domain Adap-tation (Termed SimMemDA) フレームワークを提案する。 まず、WakeGANを用いて光学画像のスタイル転送を行い、SARスタイルに近い擬似画像を生成する。 次に、インスタンスレベルの特徴類似度フィルタリング機構を設計し、ソースサンプルをターゲットライクなディストリビューションで識別し、優先順位付けする。
• 参考スコア（独自算出の注目度）: 5.026771815351906
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Synthetic Aperture Radar (SAR), with its all- weather and wide-area observation capabilities, serves as a crucial tool for wake detection. However, due to its complex imaging mechanism, wake features in SAR images often appear abstract and noisy, posing challenges for accurate annotation. In contrast, optical images provide more distinct visual cues, but models trained on optical data suffer from performance degradation when applied to SAR images due to domain shift. To address this cross-modal domain adaptation challenge, we propose a Similarity-Guided and Memory-Guided Domain Adap- tation (termed SimMemDA) framework for unsupervised domain adaptive ship wake detection via instance-level feature similarity filtering and feature memory guidance. Specifically, to alleviate the visual discrepancy between optical and SAR images, we first utilize WakeGAN to perform style transfer on optical images, generating pseudo-images close to the SAR style. Then, instance-level feature similarity filtering mechanism is designed to identify and prioritize source samples with target-like dis- tributions, minimizing negative transfer. Meanwhile, a Feature- Confidence Memory Bank combined with a K-nearest neighbor confidence-weighted fusion strategy is introduced to dynamically calibrate pseudo-labels in the target domain, improving the reliability and stability of pseudo-labels. Finally, the framework further enhances generalization through region-mixed training, strategically combining source annotations with calibrated tar- get pseudo-labels. Experimental results demonstrate that the proposed SimMemDA method can improve the accuracy and robustness of cross-modal ship wake detection tasks, validating the effectiveness and feasibility of the proposed method.
• Abstract（参考訳）: 合成開口レーダ(SAR: Synthetic Aperture Radar)は、全天候と広域観測能力を備えた、覚醒検出のための重要なツールである。 しかし、複雑な撮像機構のため、SAR画像のウェイク機能は抽象的でノイズが多く、正確なアノテーションの課題を提起する。 対照的に、光学画像はより明確な視覚的手がかりを提供するが、光学データに基づいて訓練されたモデルは、ドメインシフトによるSAR画像に適用した場合、性能劣化に悩まされる。 このクロスモーダルなドメイン適応問題に対処するために、インスタンスレベルの特徴類似度フィルタリングと特徴メモリガイダンスによる非教師なしドメイン適応型船舶起動検出のためのSimisity-Guided and Memory-Guided Domain Adap-tation (termed SimMemDA)フレームワークを提案する。 具体的には、光学画像とSAR画像の視差を軽減するために、まずWakeGANを用いて光学画像のスタイル転送を行い、SARスタイルに近い擬似画像を生成する。 次に、インスタンスレベルの特徴類似度フィルタリング機構を設計し、ソースサンプルをターゲット的なディストリビューションで識別し優先順位付けし、負の転送を最小限にする。 一方、Kネアレスト近傍の信頼度重み付き融合戦略と組み合わせた特徴信頼銀行を導入し、対象領域の擬似ラベルを動的に校正し、擬似ラベルの信頼性と安定性を向上させる。 最後に、このフレームワークは、ソースアノテーションとキャリブレーションされたtar- get擬似ラベルを戦略的に組み合わせ、リージョンミックストレーニングによる一般化をさらに強化する。 実験結果から,SimMemDA法は, クロスモーダル船のウェイク検出タスクの精度と堅牢性を向上し, 提案手法の有効性と妥当性を検証できることがわかった。

関連論文リスト

• Learning from Noisy Pseudo-labels for All-Weather Land Cover Mapping [20.979328369582486]
  SAR画像は詳細な情報がなく、大きなスペックルノイズに悩まされている。 近年、擬似ラベルを生成するために、ペアの光学SAR画像のアノテートが試みられている。 半教師付き学習を新たな画像解像度アライメント拡張と共に組み込むことにより、擬似ラベルを生成するためのより正確な方法を提案する。
  論文  参考訳（メタデータ） (2025-04-18T04:24:47Z)
• DehazeMamba: SAR-guided Optical Remote Sensing Image Dehazing with Adaptive State Space Model [27.83437788159158]
  DehazeMambaはプログレッシブ・ヘイズ・デカップリング・フュージョン・ストラテジー上に構築された新規なSAR誘導脱ヘイズ・ネットワークである。 提案手法は,光-SAR差分解析によるヘイズ影響領域を動的に同定するHPDMと,特徴量評価に基づく2段階融合プロセスによるドメインシフトを緩和するプログレッシブ・フュージョン・モジュール (PFM) である。 大規模な実験により、DehazeMambaは最先端の手法を著しく上回り、PSNRの0.73dB改善と下流タスクの大幅な強化を実現している。
  論文  参考訳（メタデータ） (2025-03-17T11:25:05Z)
• Understanding and Improving Training-Free AI-Generated Image Detections with Vision Foundation Models [68.90917438865078]
  顔合成と編集のためのディープフェイク技術は、生成モデルに重大なリスクをもたらす。 本稿では,モデルバックボーン,タイプ,データセット間で検出性能がどう変化するかを検討する。 本稿では、顔画像のパフォーマンスを向上させるContrastive Blurと、ノイズタイプのバイアスに対処し、ドメイン間のパフォーマンスのバランスをとるMINDERを紹介する。
  論文  参考訳（メタデータ） (2024-11-28T13:04:45Z)
• Adaptive Residual Transformation for Enhanced Feature-Based OOD Detection in SAR Imagery [5.63530048112308]
  実際の戦場シナリオにおける未知の標的の存在は避けられない。 この問題に対処するために、様々な機能ベースのアウト・オブ・ディストリビューションアプローチが開発されている。 我々は,特徴量に基づくOOD検出をクラス局所化された特徴量に基づくアプローチに変換することを提案する。
  論文  参考訳（メタデータ） (2024-11-01T00:09:02Z)
• Wavelet-based Bi-dimensional Aggregation Network for SAR Image Change Detection [53.842568573251214]
  3つのSARデータセットによる実験結果から、我々のWBANetは現代最先端の手法を著しく上回っていることが明らかとなった。 我々のWBANetは、それぞれのデータセットで98.33%、96.65%、96.62%の正確な分類(PCC)を達成している。
  論文  参考訳（メタデータ） (2024-07-18T04:36:10Z)
• A$^{2}$-MAE: A spatial-temporal-spectral unified remote sensing pre-training method based on anchor-aware masked autoencoder [26.81539884309151]
  リモートセンシング(RS)データは、重要な空間情報、時間情報、スペクトル情報を含む、複数の次元にわたる地球観測を提供する。 RSデータの特徴に合わせた様々な事前学習手法にもかかわらず、重要な制限は持続する: 空間、時間、スペクトル情報を単一の統一モデルに効果的に統合できないことである。 本研究では,異なる種類の画像と地理情報から固有の補完情報を活用し,事前学習期間中にマスク付きパッチを再構築するアンカー・アウェア・マスク付きオートエンコーダ手法(A$2-MAE)を提案する。
  論文  参考訳（メタデータ） (2024-06-12T11:02:15Z)
• Reinforcement Learning for SAR View Angle Inversion with Differentiable SAR Renderer [7.112962861847319]
  本研究の目的は,合成開口レーダ(SAR)画像における目標モデルによるレーダー視角の反転である。 エージェントと環境との相互作用を容易にするために、微分可能SARレンダリング(DSR)という電磁シミュレータが組み込まれている。
  論文  参考訳（メタデータ） (2024-01-02T11:47:58Z)
• Uncertainty-Aware Source-Free Adaptive Image Super-Resolution with Wavelet Augmentation Transformer [60.31021888394358]
  Unsupervised Domain Adaptation (UDA)は、現実世界の超解像(SR)における領域ギャップ問題に効果的に対処できる 本稿では,画像SR(SODA-SR)のためのSOurce-free Domain Adaptationフレームワークを提案する。
  論文  参考訳（メタデータ） (2023-03-31T03:14:44Z)
• Unsupervised Foggy Scene Understanding via Self Spatial-Temporal Label Diffusion [51.11295961195151]
  運転シーンの霧画像列の特徴を利用して、自信ある擬似ラベルを密度化する。 局所的な空間的類似性と逐次画像データの隣接時間対応の2つの発見に基づいて,新たなターゲット・ドメイン駆動擬似ラベル拡散方式を提案する。 本手法は,2つの天然霧のデータセット上で51.92%,53.84%の平均交叉結合(mIoU)を達成するのに有効である。
  論文  参考訳（メタデータ） (2022-06-10T05:16:50Z)

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。