論文の概要: ChangeDINO: DINOv3-Driven Building Change Detection in Optical Remote Sensing Imagery
- arxiv url: http://arxiv.org/abs/2511.16322v1
- Date: Thu, 20 Nov 2025 12:55:13 GMT
- ステータス: 翻訳完了
- システム内更新日: 2025-11-21 17:08:52.626966
- Title: ChangeDINO: DINOv3-Driven Building Change Detection in Optical Remote Sensing Imagery
- Title（参考訳）: ChangeDino:光リモートセンシング画像におけるDINOv3駆動の建物変更検出
- Authors: Ching-Heng Cheng, Chih-Chung Hsu,
- Abstract要約: 本稿では,光学的構造変化検出のためのエンド・ツー・エンドのマルチスケールSiameseフレームワークであるChangeDINOを紹介する。
このモデルは、凍結したDINOv3から転送される特徴を持つ軽量のバックボーンストリームを融合させる。
4つの公開ベンチマークの実験によると、ChangeDINOはIoUとF1の最近の最先端メソッドを一貫して上回っている。
- 参考スコア（独自算出の注目度）: 8.49298841726789
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Remote sensing change detection (RSCD) aims to identify surface changes from co-registered bi-temporal images. However, many deep learning-based RSCD methods rely solely on change-map annotations and underuse the semantic information in non-changing regions, which limits robustness under illumination variation, off-nadir views, and scarce labels. This article introduces ChangeDINO, an end-to-end multiscale Siamese framework for optical building change detection. The model fuses a lightweight backbone stream with features transferred from a frozen DINOv3, yielding semantic- and context-rich pyramids even on small datasets. A spatial-spectral differential transformer decoder then exploits multi-scale absolute differences as change priors to highlight true building changes and suppress irrelevant responses. Finally, a learnable morphology module refines the upsampled logits to recover clean boundaries. Experiments on four public benchmarks show that ChangeDINO consistently outperforms recent state-of-the-art methods in IoU and F1, and ablation studies confirm the effectiveness of each component. The source code is available at https://github.com/chingheng0808/ChangeDINO.
- Abstract（参考訳）: リモートセンシング変化検出(RSCD)は、共同登録したバイテンポラル画像から表面変化を識別することを目的としている。
しかし、多くの深層学習に基づくRSCD法は、変化マップアノテーションにのみ依存し、変化しない領域における意味情報をアンダーユースしている。
本稿では,光学的構造変化検出のためのエンド・ツー・エンドのマルチスケールSiameseフレームワークであるChangeDINOを紹介する。
このモデルは、凍結したDINOv3から転送される機能で軽量なバックボーンストリームを融合し、小さなデータセットでもセマンティックとコンテキストに富んだピラミッドを生成する。
空間スペクトル差分変換器デコーダは、実際の建物変化を強調表示し、無関係な応答を抑えるために、変化の先行としてマルチスケールの絶対差を利用する。
最後に、学習可能なモルフォロジーモジュールは、クリーンなバウンダリを回復するために、アップサンプルロジットを洗練します。
4つの公開ベンチマーク実験により、ChangeDINOはIoUとF1の最近の最先端手法よりも一貫して優れており、アブレーション研究により各コンポーネントの有効性が確認されている。
ソースコードはhttps://github.com/chingheng0808/ChangeDINOで入手できる。
関連論文リスト
- Wavelet-Guided Dual-Frequency Encoding for Remote Sensing Change Detection [67.84730634802204]
リモートセンシング画像の変化検出は,自然災害監視,都市拡張追跡,インフラ管理など,さまざまな工学的応用において重要な役割を担っている。
既存のほとんどの手法は空間領域モデリングに依存しており、特徴表現の限られた多様性は微妙な変化領域の検出を妨げる。
本研究では、特にウェーブレット領域における周波数領域の特徴モデリングが周波数成分の微細な違いを増幅し、空間領域において捉えにくいエッジ変化の知覚を高めることを観察する。
論文 参考訳（メタデータ） (2025-08-07T11:14:16Z) - CEBSNet: Change-Excited and Background-Suppressed Network with Temporal Dependency Modeling for Bitemporal Change Detection [5.667475728935794]
変更検出はリモートセンシングとコンピュータビジョンにおいて重要なタスクである。
現在のメソッドは一時的な依存関係を見落とし、顕著な変更を過度に強調します。
textbfCEBSNetは、変更検出のための新しい変更励起およびバックグラウンド抑圧ネットワークである。
論文 参考訳（メタデータ） (2025-05-21T09:57:30Z) - Detect Changes like Humans: Incorporating Semantic Priors for Improved Change Detection [52.62459671461816]
本稿では,視覚基盤モデルからのセマンティックな先入観を取り入れ,変化を検出する能力の向上について検討する。
人間の視覚パラダイムにインスパイアされた新しいデュアルストリーム特徴デコーダは、意味認識特徴と差認識特徴を組み合わせることで変化を区別するために導出される。
論文 参考訳（メタデータ） (2024-12-22T08:27:15Z) - 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) - Segment Any Change [64.23961453159454]
本稿では、ゼロショット予測と、見えない変更タイプやデータ分布の一般化をサポートする新しいタイプの変更検出モデルを提案する。
AnyChangeは、トレーニング不要適応法、バイテンポラルラテントマッチングを通じてSAM(Se segment Any Model)上に構築されます。
また、AnyChangeのゼロショットオブジェクト中心の変更検出機能を有効にするためのポイントクエリ機構を提案する。
論文 参考訳（メタデータ） (2024-02-02T07:17:39Z) - 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) - MS-Former: Memory-Supported Transformer for Weakly Supervised Change
Detection with Patch-Level Annotations [50.79913333804232]
弱い教師付き変化検出のためのメモリ支援トランス (MS-Former) を提案する。
MS-Former は双方向注意ブロック (BAB) とパッチレベルの監視スキーム (PSS) から構成される。
3つのベンチマークデータセットの実験結果から,提案手法の有効性が示された。
論文 参考訳（メタデータ） (2023-11-16T09:57:29Z) - TransY-Net:Learning Fully Transformer Networks for Change Detection of
Remote Sensing Images [64.63004710817239]
リモートセンシング画像CDのためのトランスフォーマーベース学習フレームワークTransY-Netを提案する。
グローバルな視点からの特徴抽出を改善し、ピラミッド方式で多段階の視覚的特徴を組み合わせる。
提案手法は,4つの光学式および2つのSAR画像CDベンチマーク上での最先端性能を実現する。
論文 参考訳（メタデータ） (2023-10-22T07:42:19Z) - Semantic Change Detection with Asymmetric Siamese Networks [71.28665116793138]
2つの空中画像が与えられた場合、セマンティックチェンジ検出は、土地被覆のバリエーションを特定し、それらの変化タイプをピクセルワイド境界で識別することを目的としている。
この問題は、正確な都市計画や天然資源管理など、多くの地球ビジョンに関連するタスクにおいて不可欠である。
本研究では, 広く異なる構造を持つモジュールから得られた特徴対を用いて意味変化を同定し, 同定するための非対称システマネットワーク(ASN)を提案する。
論文 参考訳（メタデータ） (2020-10-12T13:26:30Z) - 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。