論文の概要: Knowledge-Aware Mamba for Joint Change Detection and Classification from MODIS Times Series

• arxiv url: http://arxiv.org/abs/2510.09679v1
• Date: Wed, 08 Oct 2025 21:57:31 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-10-14 18:06:29.551619
• Title: Knowledge-Aware Mamba for Joint Change Detection and Classification from MODIS Times Series
• Title（参考訳）: MODIS時系列からの共同変更検出と分類のための知識認識型マンバ
• Authors: Zhengsen Xu, Yimin Zhu, Zack Dewis, Mabel Heffring, Motasem Alkayid, Saeid Taleghanidoozdoozan, Lincoln Linlin Xu,
• Abstract要約: 本稿では,MODIS変化検出の強化を目的とした知識対応型マンバ(KAMChamba)を提案する。 クラス遷移に関する知識を活用するために,我々は新しい知識駆動型遷移行列誘導アプローチを設計する。 第3に、MODIS時系列における情報結合をアンタングル化するために、新しい空間-時空間マンバモジュールを設計する。
• 参考スコア（独自算出の注目度）: 2.5303657498618164
• License: http://creativecommons.org/licenses/by-nc-nd/4.0/
• Abstract: Although change detection using MODIS time series is critical for environmental monitoring, it is a highly challenging task due to key MODIS difficulties, e.g., mixed pixels, spatial-spectral-temporal information coupling effect, and background class heterogeneity. This paper presents a novel knowledge-aware Mamba (KAMamba) for enhanced MODIS change detection, with the following contributions. First, to leverage knowledge regarding class transitions, we design a novel knowledge-driven transition-matrix-guided approach, leading to a knowledge-aware transition loss (KAT-loss) that can enhance detection accuracies. Second, to improve model constraints, a multi-task learning approach is designed, where three losses, i.e., pre-change classification loss (PreC-loss), post-change classification loss (PostC-loss), and change detection loss (Chg-loss) are used for improve model learning. Third, to disentangle information coupling in MODIS time series, novel spatial-spectral-temporal Mamba (SSTMamba) modules are designed. Last, to improve Mamba model efficiency and remove computational cost, a sparse and deformable Mamba (SDMamba) backbone is used in SSTMamba. On the MODIS time-series dataset for Saskatchewan, Canada, we evaluate the method on land-cover change detection and LULC classification; results show about 1.5-6% gains in average F1 for change detection over baselines, and about 2% improvements in OA, AA, and Kappa for LULC classification.
• Abstract（参考訳）: MODIS時系列を用いた変化検出は環境モニタリングにおいて重要であるが、例えば、混合画素、空間-時空間情報結合効果、背景クラスの不均一性など、重要なMODISの難しさのために非常に難しい課題である。 本報告では,MODIS変化検出の強化を目的とした,知識を意識した新しいマンバ(KAMAMBA)について述べる。 まず、クラス遷移に関する知識を活用するために、我々は新しい知識駆動の遷移行列誘導アプローチを設計し、検出精度を高める知識認識遷移損失(KAT-loss)をもたらす。 第2に、モデル制約を改善するために、事前変更分類損失(PreC-loss)、変更後分類損失(PostC-loss)、変更検出損失(Chg-loss)の3つの損失をモデル学習を改善するマルチタスク学習アプローチが設計されている。 第3に、MODIS時系列における情報結合をアンタングルするために、新しい空間スペクトル時空間マンバ(SSTMamba)モジュールを設計する。 最後に, SSTMambaでは, ムンバモデルの効率向上と計算コスト削減のために, スパースで変形可能なムンバ(SDMamba)バックボーンが使用される。 カナダ・サスカチュワンのMODIS時系列データセットにおいて, 土地被覆変化検出法とLULC分類法の評価を行い, ベースライン上の変化検出では平均F1が約1.5-6%, LULC分類ではOA, AA, Kappaが約2%改善した。

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)
• AtrousMamaba: An Atrous-Window Scanning Visual State Space Model for Remote Sensing Change Detection [29.004019252136565]
  本稿では,グローバルな文脈情報の統合と微粒な局所的詳細情報の抽出のバランスをとる新しいモデルであるAtrousMambaを提案する。 AWVSS(Atrous window scan visual state space)モジュールを活用することで、バイナリチェンジ検出(BCD)とセマンティックチェンジ検出(SCD)のためのエンド・ツー・エンドのMambaベースのフレームワークを設計する。 6つのベンチマークデータセットの実験結果は、提案フレームワークが既存のCNNベース、Transformerベース、Mambaベースの手法より優れていることを示している。
  論文  参考訳（メタデータ） (2025-07-22T02:36:16Z)
• Fast and Accurate Gigapixel Pathological Image Classification with Hierarchical Distillation Multi-Instance Learning [51.525891360380285]
  HDMILは階層的な蒸留マルチインスタンス学習フレームワークであり、無関係なパッチを排除して高速かつ正確な分類を実現する。 HDMILは、動的マルチインスタンスネットワーク(DMIN)と軽量インスタンスプレスクリーンネットワーク(LIPN)の2つの重要なコンポーネントで構成されている。
  論文  参考訳（メタデータ） (2025-02-28T15:10:07Z)
• Mamba-SEUNet: Mamba UNet for Monaural Speech Enhancement [54.427965535613886]
  Mambaは、新しいステートスペースモデル(SSM)として、自然言語処理やコンピュータビジョンに広く応用されている。 本稿では,MambaとU-Net for SEタスクを統合する革新的なアーキテクチャであるMamba-SEUNetを紹介する。
  論文  参考訳（メタデータ） (2024-12-21T13:43:51Z)
• SIGMA: Selective Gated Mamba for Sequential Recommendation [56.85338055215429]
  最近の進歩であるMambaは、時系列予測において例外的なパフォーマンスを示した。 SIGMA(Selective Gated Mamba)と呼ばれる,シークエンシャルレコメンデーションのための新しいフレームワークを紹介する。 以上の結果から,SIGMAは5つの実世界のデータセットにおいて,現在のモデルよりも優れていたことが示唆された。
  論文  参考訳（メタデータ） (2024-08-21T09:12:59Z)
• Mamba-in-Mamba: Centralized Mamba-Cross-Scan in Tokenized Mamba Model for Hyperspectral Image Classification [4.389334324926174]
  本研究では、このタスクにステートスペースモデル(SSM)をデプロイする最初の試みである、HSI分類のための革新的なMamba-in-Mamba(MiM)アーキテクチャを紹介する。 MiMモデルには,1)イメージをシーケンスデータに変換する新しい集中型Mamba-Cross-Scan(MCS)機構,2)Tokenized Mamba(T-Mamba)エンコーダ,3)Weighted MCS Fusion(WMF)モジュールが含まれる。 3つの公開HSIデータセットによる実験結果から,本手法は既存のベースラインや最先端アプローチよりも優れていることが示された。
  論文  参考訳（メタデータ） (2024-05-20T13:19:02Z)

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。