論文の概要: SkyCap: Bitemporal VHR Optical-SAR Quartets for Amplitude Change Detection and Foundation-Model Evaluation

• arxiv url: http://arxiv.org/abs/2512.14755v1
• Date: Mon, 15 Dec 2025 10:01:28 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-12-18 17:06:26.722919
• Title: SkyCap: Bitemporal VHR Optical-SAR Quartets for Amplitude Change Detection and Foundation-Model Evaluation
• Title（参考訳）: SkyCap: 振幅変化検出と基礎モデル評価のためのバイテンポラルVHR光SARクォータ
• Authors: Paul Weinmann, Ferdinand Schenck, Martin Šiklar,
• Abstract要約: 線形インフラストラクチャ監視のための変更検出には,信頼性の高い高解像度データと定期的な取得周期が必要である。 光学超高分解能(VHR)画像は、解釈可能で簡単にラベル付けできるが、雲はこのケイデンスを破る。 アーカイブマッチングと(光学)SkySatとCapella Spaceの同時登録により構築したバイテンポラルVHR光SARデータセットであるSkyCapを紹介する。 我々は、SAR-Expertアノテーションを必要とせずにSAR振幅変化検出(ACD)ラベルを得るために、光-SARラベル転送を利用する。
• 参考スコア（独自算出の注目度）: 29.12967812474298
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Change detection for linear infrastructure monitoring requires reliable high-resolution data and regular acquisition cadence. Optical very-high-resolution (VHR) imagery is interpretable and straightforward to label, but clouds break this cadence. Synthetic Aperture Radar (SAR) enables all-weather acquisitions, yet is difficult to annotate. We introduce SkyCap, a bitemporal VHR optical-SAR dataset constructed by archive matching and co-registration of (optical) SkySat and Capella Space (SAR) scenes. We utilize optical-to-SAR label transfer to obtain SAR amplitude change detection (ACD) labels without requiring SAR-expert annotations. We perform continued pretraining of SARATR-X on our SAR data and benchmark the resulting SAR-specific foundation models (FMs) together with SARATR-X against optical FMs on SkyCap under different preprocessing choices. Among evaluated models, MTP(ViT-B+RVSA), an optical FM, with dB+Z-score preprocessing attains the best result (F1$_c$ = 45.06), outperforming SAR-specific FMs further pretrained directly on Capella data. We observe strong sensitivity to preprocessing alignment with pretraining statistics, and the ranking of optical models on optical change detection does not transfer one-to-one to SAR ACD. To our knowledge, this is the first evaluation of foundation models on VHR SAR ACD.
• Abstract（参考訳）: 線形インフラストラクチャ監視のための変更検出には,信頼性の高い高解像度データと定期的な取得周期が必要である。 光学超高解像度(VHR)画像は解釈可能で、簡単にラベル付けできるが、雲はこのケイデンスを破る。 Synthetic Aperture Radar (SAR) は全天候での取得を可能にするが、アノテートは困難である。 アーカイブマッチングと(光学)SkySatとCapella Space(SAR)の同時登録により構築したバイテンポラルVHR光SARデータセットであるSkyCapを紹介する。 我々は、SAR-Expertアノテーションを必要とせずにSAR振幅変化検出(ACD)ラベルを得るために、光-SARラベル転送を利用する。 我々は、SARデータ上でSARATR-Xの継続事前トレーニングを行い、SARATR-XとSARATR-Xを併用して、異なる前処理選択の下でSkyCap上の光学FMに対して、SAR固有の基礎モデル(FM)をベンチマークする。 評価されたモデルのうち、光学FMであるMTP(ViT-B+RVSA)は、DB+Zスコア前処理で最高の結果を得る(F1$_c$ = 45.06)。 我々は前処理アライメントに対する強い感度と事前学習統計との相関を観察し、光学的変化検出における光学モデルのランク付けは1対1でSAR ACDに転送しない。 我々の知る限り、これがVHR SAR ACDの基礎モデルの最初の評価である。

関連論文リスト

• SAR-W-MixMAE: SAR Foundation Model Training Using Backscatter Power Weighting [3.618534280726541]
  マスク付きオートエンコーダ(MAE)などの基礎モデルアプローチや、そのバリエーションが衛星画像に適用されている。 セマンティックラベリングによるデータセット作成の困難さと光学画像に対する高ノイズコンテントのため、SAR(Synthetic Aperture Radar)データは基礎モデルの分野ではあまり研究されていない。 本研究では,マスク付きオートエンコーダ,特にSentinel-1 SAR画像上のMixMAEとそのSAR画像分類タスクへの影響について検討した。
  論文  参考訳（メタデータ） (2025-03-03T05:09:44Z)
• RSAR: Restricted State Angle Resolver and Rotated SAR Benchmark [61.987291551925516]
  単位円制限損失を組み込んで角度予測精度を向上させるユニットサイクルリゾルバを導入する。 提案手法は,既存の最先端教師あり手法の性能を効果的に向上させることができる。 UCRの助けを借りて、これまでで最大の多クラス回転SARオブジェクト検出データセットであるRSARをさらに注釈し、導入する。
  論文  参考訳（メタデータ） (2025-01-08T11:41:47Z)
• Few-Shot Radar Signal Recognition through Self-Supervised Learning and Radio Frequency Domain Adaptation [48.265859815346985]
  レーダー信号認識は電子戦(EW)において重要な役割を果たす 近年のディープラーニングの進歩は、レーダー信号認識の改善に大きな可能性を示している。 これらの手法は、注釈付き無線周波数(RF)データが少ない、あるいは入手できないEWシナリオでは不十分である。
  論文  参考訳（メタデータ） (2025-01-07T01:35:56Z)
• Conditional Brownian Bridge Diffusion Model for VHR SAR to Optical Image Translation [5.578820789388206]
  本文は,Brownian Bridge Diffusion Model(BBDM)に基づく条件付き画像から画像への変換手法を提案する。 我々は、MSAWデータセット、ペアSAR、0.5m Very-High-Resolution (VHR) の光学画像収集に関する総合的な実験を行った。
  論文  参考訳（メタデータ） (2024-08-15T05:43:46Z)
• SARATR-X: Toward Building A Foundation Model for SAR Target Recognition [22.770010893572973]
  SAR ATRの基盤モデル構築に向けた最初の試みをSARATR-Xと呼ぶ。 SARATR-Xは、自己教師付き学習(SSL)を通じて一般化可能な表現を学び、汎用的なSARターゲット検出と分類タスクへのラベル効率のモデル適応のための基盤を提供する。 SARATR-Xは0.18Mの未ラベルのSARターゲットサンプルで訓練されており、これは同時代のベンチマークを組み合わせてキュレーションされ、これまでで最大の公開データセットとなっている。
  論文  参考訳（メタデータ） (2024-05-15T14:17:44Z)
• SARDet-100K: Towards Open-Source Benchmark and ToolKit for Large-Scale SAR Object Detection [79.23689506129733]
  我々は,大規模SARオブジェクト検出のための新しいベンチマークデータセットとオープンソース手法を構築した。 私たちのデータセットであるSARDet-100Kは、10の既存のSAR検出データセットの厳格な調査、収集、標準化の結果です。 私たちの知る限りでは、SARDet-100KはCOCOレベルの大規模マルチクラスSARオブジェクト検出データセットとしては初めてのものです。
  論文  参考訳（メタデータ） (2024-03-11T09:20:40Z)
• TSGAN: An Optical-to-SAR Dual Conditional GAN for Optical based SAR Temporal Shifting [0.6827423171182154]
  本研究は,光学-SAR翻訳の領域を小さくする研究である。 本稿では,所望のタイムスタンプから光データを,異なる時間点からのSARデータとともに入力する,SAR時間シフトと呼ばれる新しい手法を提案する。 このモデルは、光学データで観測された変化に基づいてSARデータを修正し、所望のタイムスタンプに対してSARデータを生成する。
  論文  参考訳（メタデータ） (2023-12-31T09:38:53Z)

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。