論文の概要: Deep Learning Based Domain Adaptation Methods in Remote Sensing: A Comprehensive Survey

• arxiv url: http://arxiv.org/abs/2510.15615v1
• Date: Fri, 17 Oct 2025 13:00:44 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-10-20 20:17:34.627537
• Title: Deep Learning Based Domain Adaptation Methods in Remote Sensing: A Comprehensive Survey
• Title（参考訳）: リモートセンシングにおけるディープラーニングに基づくドメイン適応手法の総合的調査
• Authors: Shuchang Lyu, Qi Zhao, Zheng Zhou, Meng Li, You Zhou, Dingding Yao, Guangliang Cheng, Huiyu Zhou, Zhenwei Shi,
• Abstract要約: ドメイン適応は、ソースドメインから異なる分散ターゲットドメインに知識を転送することを目的としています。 ディープラーニングは、機能表現とドメイン間の知識伝達のための強力なツールとして登場した。 本稿では,重要な概念,数学的表記法,方法論の分類を解明するための予備知識を紹介する。 次に、タスク分類、入力モード、監督、パラダイム、アルゴリズムの粒度など、既存のアルゴリズムを複数の視点から整理する。
• 参考スコア（独自算出の注目度）: 47.52820923984347
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Domain adaptation is a crucial and increasingly important task in remote sensing, aiming to transfer knowledge from a source domain a differently distributed target domain. It has broad applications across various real-world applications, including remote sensing element interpretation, ecological environment monitoring, and urban/rural planning. However, domain adaptation in remote sensing poses significant challenges due to differences in data, such as variations in ground sampling distance, imaging modes from various sensors, geographical landscapes, and environmental conditions. In recent years, deep learning has emerged as a powerful tool for feature representation and cross-domain knowledge transfer, leading to widespread adoption in remote sensing tasks. In this paper, we present a comprehensive survey of significant advancements in deep learning based domain adaptation for remote sensing. We first introduce the preliminary knowledge to clarify key concepts, mathematical notations, and the taxonomy of methodologies. We then organize existing algorithms from multiple perspectives, including task categorization, input mode, supervision paradigm, and algorithmic granularity, providing readers with a structured understanding of the field. Next, we review widely used datasets and summarize the performance of state-of-the-art methods to provide an overview of current progress. We also identify open challenges and potential directions to guide future research in domain adaptation for remote sensing. Compared to previous surveys, this work addresses a broader range of domain adaptation tasks in remote sensing, rather than concentrating on a few subfields. It also presents a systematic taxonomy, providing a more comprehensive and organized understanding of the field. As a whole, this survey can inspire the research community, foster understanding, and guide future work in the field.
• Abstract（参考訳）: ドメイン適応は、異なる分散ターゲットドメインから知識を伝達することを目的として、リモートセンシングにおいて重要でますます重要なタスクである。 リモートセンシング要素解釈、生態環境モニタリング、都市・農村計画など、様々な実世界の応用に広く応用されている。 しかし, リモートセンシングにおける領域適応は, 地中サンプリング距離の変化, 各種センサからの撮像モード, 地形, 環境条件などのデータの違いにより, 重要な課題となっている。 近年,機能表現とドメイン間知識伝達のための強力なツールとしてディープラーニングが登場し,リモートセンシングタスクが広く採用されている。 本稿では,リモートセンシングのための深層学習に基づくドメイン適応の大幅な進歩を包括的に調査する。 まず,重要な概念,数学的表記法,方法論の分類を解明するための予備知識を紹介する。 次に、タスク分類、入力モード、監督パラダイム、アルゴリズムの粒度など、既存のアルゴリズムを複数の視点から整理し、その分野の構造化された理解を提供する。 次に、広く使われているデータセットを概観し、最先端の手法の性能を概観し、現状の進捗状況を概観する。 また,遠隔センシングのための領域適応における今後の研究の指針として,オープンな課題と潜在的方向性を見出す。 従来の調査と比較して、この研究はいくつかのサブフィールドに集中するのではなく、リモートセンシングにおける幅広い領域適応タスクに対処する。 また、体系的な分類を示し、より包括的で組織化された分野の理解を提供する。 全体として、この調査は研究コミュニティを刺激し、理解を深め、この分野における今後の研究を指導する。

関連論文リスト

• A Survey on Video Anomaly Detection via Deep Learning: Human, Vehicle, and Environment [2.3349787245442966]
  ビデオ異常検出(VAD)は、コンピュータビジョンにおいて重要なタスクとして登場し、複数の分野にまたがる幅広い関連性を持つ。 近年のディープラーニングの進歩はこの分野に大きな進歩をもたらしているが、この分野はドメインや学習パラダイムにまたがって断片化されている。 この調査は、様々な監督レベルの文献を体系的に整理し、VADに関する包括的な視点を提供する。
  論文  参考訳（メタデータ） (2025-08-19T18:50:49Z)
• Exploring Foundation Models in Remote Sensing Image Change Detection: A Comprehensive Survey [2.9373912230684565]
  変化検出は環境モニタリング,都市開発,土地利用分析などの分野に広く応用されている。 ディープラーニング、特に基礎モデルの開発は、特徴抽出とデータ融合のためのより強力なソリューションを提供してきた。 本稿では, リモートセンシングタスクにおける基礎モデルの適用を中心に, 変更検出の分野における最新の進歩を体系的にレビューする。
  論文  参考訳（メタデータ） (2024-10-10T11:16:05Z)
• A Recent Survey of Heterogeneous Transfer Learning [15.830786437956144]
  異種移動学習は 様々なタスクにおいて 重要な戦略となっている。 データベースとモデルベースの両方のアプローチを網羅した60以上のHTLメソッドの広範なレビューを提供する。 自然言語処理,コンピュータビジョン,マルチモーダル学習,バイオメディシンの応用について検討する。
  論文  参考訳（メタデータ） (2023-10-12T16:19:58Z)
• Change Detection Methods for Remote Sensing in the Last Decade: A Comprehensive Review [45.78958623050146]
  変更検出はリモートセンシングにおいて必須かつ広く利用されるタスクである。 時間とともに同じ地理的領域で起きている変化を検出し、分析することを目的としている。 ディープラーニングは、これらの課題を抽出し対処するための強力なツールとして登場した。
  論文  参考訳（メタデータ） (2023-05-09T23:52:37Z)
• A Survey of Community Detection Approaches: From Statistical Modeling to Deep Learning [95.27249880156256]
  ネットワークコミュニティファイリング手法の統一アーキテクチャを開発し,提案する。 既存の手法を確率的グラフィカルモデルとディープラーニングという2つのカテゴリに分けた新しい分類法を提案する。 フィールドの課題の議論と今後の研究の方向性の提案を締めくくります。
  論文  参考訳（メタデータ） (2021-01-03T02:32:45Z)
• A Review of Single-Source Deep Unsupervised Visual Domain Adaptation [81.07994783143533]
  大規模ラベル付きトレーニングデータセットにより、ディープニューラルネットワークは、幅広いベンチマークビジョンタスクを拡張できるようになった。 多くのアプリケーションにおいて、大量のラベル付きデータを取得するのは非常に高価で時間を要する。 限られたラベル付きトレーニングデータに対処するため、大規模ラベル付きソースドメインでトレーニングされたモデルを、疎ラベルまたは未ラベルのターゲットドメインに直接適用しようと試みている人も多い。
  論文  参考訳（メタデータ） (2020-09-01T00:06:50Z)
• Spatial Attention Pyramid Network for Unsupervised Domain Adaptation [66.75008386980869]
  教師なし領域適応は様々なコンピュータビジョンタスクにおいて重要である。 教師なし領域適応のための新しい空間注意ピラミッドネットワークを設計する。 我々の手法は最先端の手法に対して大きなマージンで好適に機能する。
  論文  参考訳（メタデータ） (2020-03-29T09:03:23Z)
• Deep Learning for Sensor-based Human Activity Recognition: Overview, Challenges and Opportunities [52.59080024266596]
  本稿では,センサを用いた人間の活動認識のための最先端のディープラーニング手法について調査する。 まず、官能データのマルチモーダリティを導入し、公開データセットに情報を提供する。 次に、課題によって深層メソッドを構築するための新しい分類法を提案する。
  論文  参考訳（メタデータ） (2020-01-21T09:55:59Z)

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。