論文の概要: DC-Mamba: Bi-temporal deformable alignment and scale-sparse enhancement for remote sensing change detection

• arxiv url: http://arxiv.org/abs/2509.15563v1
• Date: Fri, 19 Sep 2025 03:49:23 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-09-22 18:18:10.984116
• Title: DC-Mamba: Bi-temporal deformable alignment and scale-sparse enhancement for remote sensing change detection
• Title（参考訳）: DC-Mamba:リモートセンシング変化検出のための両時間変形可能なアライメントとスケールスパース強化
• Authors: Min Sun, Fenghui Guo,
• Abstract要約: ChangeMamba のバックボーン上に構築された "align-then-enhance" フレームワークである DC-Mamba を紹介します。 1 つの軽量なプラグアンドプレイモジュールを統合する:(1) 意味的特徴レベルで空間的不一致を補正するための幾何学的認識を明示的に導入するbi-Temporal Deformable Alignment (BTDA) と、(2) 複数ソースのキューを用いて、最終分類の前にノイズを抑えながら高信頼度変化信号を選択的に増幅するScale-Sparse Change Amplifier (SSCA) である。
• 参考スコア（独自算出の注目度）: 9.305032436286773
• License: http://creativecommons.org/licenses/by-nc-nd/4.0/
• Abstract: Remote sensing change detection (RSCD) is vital for identifying land-cover changes, yet existing methods, including state-of-the-art State Space Models (SSMs), often lack explicit mechanisms to handle geometric misalignments and struggle to distinguish subtle, true changes from noise.To address this, we introduce DC-Mamba, an "align-then-enhance" framework built upon the ChangeMamba backbone. It integrates two lightweight, plug-and-play modules: (1) Bi-Temporal Deformable Alignment (BTDA), which explicitly introduces geometric awareness to correct spatial misalignments at the semantic feature level; and (2) a Scale-Sparse Change Amplifier(SSCA), which uses multi-source cues to selectively amplify high-confidence change signals while suppressing noise before the final classification. This synergistic design first establishes geometric consistency with BTDA to reduce pseudo-changes, then leverages SSCA to sharpen boundaries and enhance the visibility of small or subtle targets. Experiments show our method significantly improves performance over the strong ChangeMamba baseline, increasing the F1-score from 0.5730 to 0.5903 and IoU from 0.4015 to 0.4187. The results confirm the effectiveness of our "align-then-enhance" strategy, offering a robust and easily deployable solution that transparently addresses both geometric and feature-level challenges in RSCD.
• Abstract（参考訳）: リモートセンシング変化検出(RSCD)は、土地被覆の変化を特定する上で不可欠であるが、現状の状態空間モデル(SSM)を含む既存の手法では、幾何的不整合を扱うための明確なメカニズムが欠如しており、ノイズから微妙な真の変化を区別するのに苦労していることが多い。これを解決するために、チェンジマンバのバックボーン上に構築された「アライン・アンハンス」フレームワークであるDC-Mambaを紹介する。 1 つの軽量なプラグアンドプレイモジュールを統合する:(1) 意味的特徴レベルで空間的不一致を補正するための幾何学的認識を明示的に導入するbi-Temporal Deformable Alignment (BTDA) と、(2) 複数ソースのキューを用いて、最終分類の前にノイズを抑えながら高信頼度変化信号を選択的に増幅するScale-Sparse Change Amplifier (SSCA) である。 この相乗的設計は、まずBTDAと幾何学的整合性を確立して擬似変化を減らす。 実験の結果,F1スコアは0.5730から0.5903に,IoUは0.4015から0.4187に向上した。 その結果, RSCDにおける幾何学的課題と特徴的課題の両方を透過的に解決する, 堅牢で容易に展開可能なソリューションとして, 我々の「アライン・アライン・エンハンス」戦略の有効性を確認した。

関連論文リスト

• FoBa: A Foreground-Background co-Guided Method and New Benchmark for Remote Sensing Semantic Change Detection [48.06921153684768]
  本稿では,LevirSCDと呼ばれるリモートセマンティックチェンジ検出(SCD)のための新しいベンチマークを提案する。 データセットには16の変更カテゴリと210の特定の変更タイプが含まれており、よりきめ細かいクラス定義がある。 本研究では,フォアグラウンド・バックグラウンド・コグラウンドSCD(FoBa)手法を提案する。 FoBaは、現在のSOTA法と比較して、それぞれ1.48%、3.61%、および2.81%の改善を達成している。
  論文  参考訳（メタデータ） (2025-09-19T09:19:57Z)
• Information-Bottleneck Driven Binary Neural Network for Change Detection [53.866667209237434]
  Binarized Change Detection (BiCD) は、変更検出用に設計された最初のバイナリニューラルネットワーク(BNN)である。 Information Bottleneck (IB) の原則に基づく補助的目的を導入し,本質的な入力情報を保持するようにエンコーダを誘導する。 BiCDは、BNNベースの変更検出のための新しいベンチマークを確立し、この領域で最先端のパフォーマンスを達成する。
  論文  参考訳（メタデータ） (2025-07-04T11:56:16Z)
• 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)
• Unleashing Network Potentials for Semantic Scene Completion [50.95486458217653]
  本稿では,新しいSSCフレームワーク - Adrial Modality Modulation Network (AMMNet)を提案する。 AMMNetは、モダリティ間の勾配流の相互依存性を可能にするクロスモーダル変調と、動的勾配競争を利用するカスタマイズされた逆トレーニングスキームの2つのコアモジュールを導入している。 AMMNetは最先端のSSC法よりも大きなマージンで優れていた。
  論文  参考訳（メタデータ） (2024-03-12T11:48:49Z)
• Joint Spatio-Temporal Modeling for the Semantic Change Detection in Remote Sensing Images [22.72105435238235]
  両時間RSI間の「から」意味遷移を明示的にモデル化するための意味変化(SCanFormer)を提案する。 次に,SCDタスクに忠実な Transformer 時間制約を活用する意味学習手法を導入し,意味変化の学習を指導する。 結果として得られたネットワーク(SCanNet)は、決定的意味変化の検出と、得られた両時間的結果のセマンティック一貫性の両方において、ベースライン法より優れている。
  論文  参考訳（メタデータ） (2022-12-10T08:49:19Z)
• Semi-supervised Domain Adaptive Structure Learning [72.01544419893628]
  半教師付きドメイン適応 (SSDA) は,1) アノテーションの低いデータに過度に適合する手法と,2) ドメイン間の分散シフトの両方を克服しなければならない課題である。 SSLとDAの協調を正規化するための適応型構造学習手法を提案する。
  論文  参考訳（メタデータ） (2021-12-12T06:11:16Z)
• 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。