論文の概要: FoBa: A Foreground-Background co-Guided Method and New Benchmark for Remote Sensing Semantic Change Detection

• arxiv url: http://arxiv.org/abs/2509.15788v1
• Date: Fri, 19 Sep 2025 09:19:57 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-09-22 18:18:11.096098
• Title: FoBa: A Foreground-Background co-Guided Method and New Benchmark for Remote Sensing Semantic Change Detection
• Title（参考訳）: FoBa: リモートセンシングセマンティック変化検出のためのフォアグラウンド-バックグラウンド共同ガイド手法と新しいベンチマーク
• Authors: Haotian Zhang, Han Guo, Keyan Chen, Hao Chen, Zhengxia Zou, Zhenwei Shi,
• Abstract要約: 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。
• 参考スコア（独自算出の注目度）: 48.06921153684768
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Despite the remarkable progress achieved in remote sensing semantic change detection (SCD), two major challenges remain. At the data level, existing SCD datasets suffer from limited change categories, insufficient change types, and a lack of fine-grained class definitions, making them inadequate to fully support practical applications. At the methodological level, most current approaches underutilize change information, typically treating it as a post-processing step to enhance spatial consistency, which constrains further improvements in model performance. To address these issues, we construct a new benchmark for remote sensing SCD, LevirSCD. Focused on the Beijing area, the dataset covers 16 change categories and 210 specific change types, with more fine-grained class definitions (e.g., roads are divided into unpaved and paved roads). Furthermore, we propose a foreground-background co-guided SCD (FoBa) method, which leverages foregrounds that focus on regions of interest and backgrounds enriched with contextual information to guide the model collaboratively, thereby alleviating semantic ambiguity while enhancing its ability to detect subtle changes. Considering the requirements of bi-temporal interaction and spatial consistency in SCD, we introduce a Gated Interaction Fusion (GIF) module along with a simple consistency loss to further enhance the model's detection performance. Extensive experiments on three datasets (SECOND, JL1, and the proposed LevirSCD) demonstrate that FoBa achieves competitive results compared to current SOTA methods, with improvements of 1.48%, 3.61%, and 2.81% in the SeK metric, respectively. Our code and dataset are available at https://github.com/zmoka-zht/FoBa.
• Abstract（参考訳）: リモートセンシングセマンティックチェンジ検出(SCD)の進歩にもかかわらず、大きな課題が2つ残っている。 データレベルでは、既存のSCDデータセットは、限られた変更カテゴリ、不十分な変更タイプ、きめ細かいクラス定義の欠如に悩まされており、実用的なアプリケーションを完全にサポートするには不十分である。 方法論レベルでは、現在のほとんどのアプローチは変更情報を過小評価しており、通常は空間整合性を高めるための後処理のステップとして扱う。 これらの問題に対処するため、リモートセンシングSCDのための新しいベンチマーク「LevirSCD」を構築した。 北京を中心に16種類の変更カテゴリと210種類の特定の変更タイプがあり、よりきめ細かいクラス定義がある(例えば、道路は未舗装道路と舗装道路に分けられる)。 さらに,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。この手法は,コンテキスト情報に富んだ関心領域や背景領域に着目したフォアグラウンドを利用して,モデルを協調的にガイドし,意味的あいまいさを軽減し,微妙な変化を検出する能力を高める。 SCDにおけるバイテンポラル相互作用と空間整合性の要件を考慮すると、Gated Interaction Fusion (GIF)モジュールと単純な整合性損失を導入し、モデルの検出性能をさらに向上させる。 3つのデータセット(SECOND、JL1、LevirSCD)の大規模な実験により、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。 私たちのコードとデータセットはhttps://github.com/zmoka-zht/FoBa.comで公開されています。

関連論文リスト

• Domain Adaptation via Feature Refinement [0.3867363075280543]
  本稿では,分散シフト下での非教師付きドメイン適応のための簡易かつ効果的なフレームワークであるDAFR(Domain Adaptation via Feature Refinement)を提案する。 提案手法は, ラベルなし対象データを用いたバッチ正規化統計の適応, ソース学習モデルからの特徴蒸留, 仮説伝達の3つの重要な要素を組み合わせた。
  論文  参考訳（メタデータ） (2025-08-22T06:32:19Z)
• Generalized Semantic Contrastive Learning via Embedding Side Information for Few-Shot Object Detection [52.490375806093745]
  マイクロショットオブジェクト検出(FSOD)の目的は、少数のトレーニングサンプルで新しいオブジェクトを検出することである。 本稿では,特徴空間とサンプル視点から得られる負の影響を緩和する側面情報を紹介する。 我々のモデルは従来の最先端手法よりも優れており、ほとんどのショット/スプリットにおけるFSODの能力は大幅に向上している。
  論文  参考訳（メタデータ） (2025-04-09T17:24:05Z)
• SChanger: Change Detection from a Semantic Change and Spatial Consistency Perspective [0.6749750044497732]
  我々は,データ不足問題に対処するため,セマンティック・チェンジ・ネットワーク(SCN)と呼ばれる微調整戦略を開発した。 両画像間の変化位置は空間的に同一であり,空間的整合性(空間的整合性)の概念である。 これにより、マルチスケールな変更のモデリングが強化され、変更検出セマンティクスの基盤となる関係を捉えるのに役立ちます。
  論文  参考訳（メタデータ） (2025-03-26T17:15:43Z)
• When Segmentation Meets Hyperspectral Image: New Paradigm for Hyperspectral Image Classification [4.179738334055251]
  ハイパースペクトル画像(HSI)分類は、リモートセンシングの基盤であり、豊富なスペクトル情報を通じて正確な材料と土地被覆の識別を可能にする。 ディープラーニングはこのタスクに大きな進歩をもたらしたが、小さなパッチベースの分類器は進歩の90%以上を占めており、制限に直面している。 本研究では, HSI分類のための新しいパラダイムとベースラインであるHSIsegを提案し, これらの課題を克服するために, 分割手法と新しい動的シフト地域変換器(DSRT)を組み合わせる。
  論文  参考訳（メタデータ） (2025-02-18T05:04:29Z)
• Cross-Domain Few-Shot Object Detection via Enhanced Open-Set Object Detector [72.05791402494727]
  本稿では,CD-FSODを用いたクロスドメイン小ショット検出法について検討する。 最小限のラベル付き例で、新しいドメインのための正確なオブジェクト検出器を開発することを目的としている。
  論文  参考訳（メタデータ） (2024-02-05T15:25:32Z)
• Exchanging Dual Encoder-Decoder: A New Strategy for Change Detection with Semantic Guidance and Spatial Localization [10.059696915598392]
  セマンティックガイダンスと空間的ローカライゼーションを用いたバイナリ変更検出のための2つのエンコーダ・デコーダ構造を交換した新しい戦略を提案する。 この戦略に基づいてバイナリ変更検出モデルを構築し、それを6つのデータセット上で18の最先端の変更検出手法と比較する。
  論文  参考訳（メタデータ） (2023-11-19T11:30:43Z)
• 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)
• Activation to Saliency: Forming High-Quality Labels for Unsupervised Salient Object Detection [54.92703325989853]
  本稿では,高品質なサリエンシキューを効果的に生成する2段階アクティベーション・ツー・サリエンシ(A2S)フレームワークを提案する。 トレーニングプロセス全体において、私たちのフレームワークにヒューマンアノテーションは関与していません。 本フレームワークは,既存のUSOD法と比較して高い性能を示した。
  論文  参考訳（メタデータ） (2021-12-07T11:54:06Z)

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。