Fugu-MT 論文翻訳(概要): Foundation Model-Driven Semantic Change Detection in Remote Sensing Imagery

論文の概要: Foundation Model-Driven Semantic Change Detection in Remote Sensing Imagery

arxiv url: http://arxiv.org/abs/2602.13780v1
Date: Sat, 14 Feb 2026 13:56:31 GMT
ステータス: 翻訳完了
システム内更新日: 2026-02-17 14:17:28.41849
Title: Foundation Model-Driven Semantic Change Detection in Remote Sensing Imagery
Title（参考訳）: リモートセンシング画像における基礎モデル駆動セマンティック変化検出
Authors: Hengtong Shen, Li Yan, Hong Xie, Yaxuan Wei, Xinhao Li, Wenfei Shen, Peixian Lv, Fei Tan,
Abstract要約: RS基盤モデルPerAにより駆動される意味変化検出(SCD)手法であるPerASCDを提案する。複雑なSCDデコードパイプラインを単純化するモジュール型カスケードGated Decoder (CG-Decoder) を導入する。我々のデコーダは、2つの公開ベンチマークデータセット上での最先端(SOTA)性能を達成する。
参考スコア（独自算出の注目度）: 12.711361119734542
License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
Abstract: Remote sensing (RS) change detection methods can extract critical information on surface dynamics and are an essential means for humans to understand changes in the earth's surface and environment. Among these methods, semantic change detection (SCD) can more effectively interpret the multi-class information contained in bi-temporal RS imagery, providing semantic-level predictions that support dynamic change monitoring. However, due to the limited semantic understanding capability of the model and the inherent complexity of the SCD tasks, existing SCD methods face significant challenges in both performance and paradigm complexity. In this paper, we propose PerASCD, a SCD method driven by RS foundation model PerA, designed to enhance the multi-scale semantic understanding and overall performance. We introduce a modular Cascaded Gated Decoder (CG-Decoder) that simplifies complex SCD decoding pipelines while promoting effective multi-level feature interaction and fusion. In addition, we propose a Soft Semantic Consistency Loss (SSCLoss) to mitigate the numerical instability commonly encountered during SCD training. We further explore the applicability of multiple existing RS foundation models on the SCD task when equipped with the proposed decoder. Experimental results demonstrate that our decoder not only effectively simplifies the paradigm of SCD, but also achieves seamless adaptation across various vision encoders. Our method achieves state-of-the-art (SOTA) performance on two public benchmark datasets, validating its effectiveness. The code is available at https://github.com/SathShen/PerASCD.git.
Abstract（参考訳）: リモートセンシング(RS)変化検出法は、表面力学の重要な情報を抽出し、地球の表面や環境の変化を理解するための重要な手段である。これらの手法のうち、意味変化検出(SCD)は、バイテンポラルRS画像に含まれるマルチクラス情報をより効果的に解釈し、動的変化監視をサポートする意味レベルの予測を提供する。しかし、モデルのセマンティック理解能力の制限とSCDタスク固有の複雑さのため、既存のSCD手法は性能とパラダイムの複雑さの両方において重大な課題に直面している。本稿では,RSファンデーションモデルPerAによって駆動されるSCD方式PerASCDを提案する。複雑なSCDデコードパイプラインを単純化し,効率的なマルチレベル機能インタラクションと融合を促進するモジュール型カスケードGated Decoder (CG-Decoder) を導入する。さらに,SCDトレーニング中に発生する数値不安定性を緩和するソフトセマンティック一貫性損失(SSCLoss)を提案する。さらに,提案するデコーダを組み込んだSCDタスクにおいて,複数の既存RS基盤モデルの適用性について検討する。実験結果から,このデコーダはSCDのパラダイムを効果的に単純化するだけでなく,様々な視覚エンコーダ間のシームレスな適応を実現することが示された。提案手法は,2つの公開ベンチマークデータセット上でのSOTA(State-of-the-art)性能を実現し,その有効性を検証した。コードはhttps://github.com/SathShen/PerASCD.gitで入手できる。

関連論文リスト

Exchange Is All You Need for Remote Sensing Change Detection [38.28258647650617]
SEED(Siamese-Exchange-Decoder)は、パラメータフリーの特徴交換と明示的な相違を置き換えるパラダイムである。単純さに拘わらず,SEEDが最先端の手法と一致するか,あるいは超越していることを示す。提案するパラダイムは、変更検出のための堅牢で統一的で解釈可能なフレームワークを提供する。
論文参考訳（メタデータ） (2026-01-12T18:36:51Z)
DiffRegCD: Integrated Registration and Change Detection with Diffusion Features [74.3102451211493]
DiffRegCDは、単一のモデルで密度の高い登録と変更検出を統一する統合フレームワークである。空中(LEVIR-CD, DSIFN-CD, WHU-CD, SYSU-CD)と地上(VL-CMU-CD)のデータセットによる実験は、DiffRegCDが最近のベースラインを一貫して上回っていることを示している。
論文参考訳（メタデータ） (2025-11-11T07:32:19Z)
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)
Large-Scale Model Enabled Semantic Communication Based on Robust Knowledge Distillation [45.347078403677216]
大規模モデル(LSM)は意味表現と理解に有効なフレームワークである。しかしながら、それらの直接的なデプロイメントは、しばしば高い計算複雑性とリソース要求によって妨げられる。本稿では,新しい知識蒸留に基づくセマンティックコミュニケーションフレームワークを提案する。
論文参考訳（メタデータ） (2025-08-04T07:47:18Z)
HSACNet: Hierarchical Scale-Aware Consistency Regularized Semi-Supervised Change Detection [23.845481028378718]
半教師付き変化検出(SSCD)は,限られたラベル付きデータと豊富なラベル付きデータを用いて,両時間的リモートセンシング画像間の変化を検出することを目的としている。本稿では,SSCDのための階層型スケール・アウェア・一貫性正規化ネットワークHSACNetを提案する。 HSACNetは,パラメータと計算コストを削減し,最先端の性能を実現する。
論文参考訳（メタデータ） (2025-04-18T03:00:52Z)
Binary Code Similarity Detection via Graph Contrastive Learning on Intermediate Representations [52.34030226129628]
バイナリコード類似度検出(BCSD)は、脆弱性検出、マルウェア分析、コードの再利用識別など、多くの分野で重要な役割を果たしている。本稿では,LLVM-IRと高レベルのセマンティック抽象化を利用して,コンパイル差を緩和するIRBinDiffを提案する。 IRBinDiffは1対1の比較と1対多の検索シナリオにおいて,他の主要なBCSD手法よりも優れていることを示す。
論文参考訳（メタデータ） (2024-10-24T09:09:20Z)
Deep Metric Learning for Unsupervised Remote Sensing Change Detection [60.89777029184023]
リモートセンシング変化検出(RS-CD)は、マルチテンポラルリモートセンシング画像(MT-RSI)から関連する変化を検出することを目的とする。既存のRS-CD法の性能は、大規模な注釈付きデータセットのトレーニングによるものである。本稿では,これらの問題に対処可能なディープメトリック学習に基づく教師なしCD手法を提案する。
論文参考訳（メタデータ） (2023-03-16T17:52:45Z)
Joint Spatio-Temporal Modeling for the Semantic Change Detection in Remote Sensing Images [22.72105435238235]
両時間RSI間の「から」意味遷移を明示的にモデル化するための意味変化(SCanFormer)を提案する。次に,SCDタスクに忠実な Transformer 時間制約を活用する意味学習手法を導入し,意味変化の学習を指導する。結果として得られたネットワーク(SCanNet)は、決定的意味変化の検出と、得られた両時間的結果のセマンティック一貫性の両方において、ベースライン法より優れている。
論文参考訳（メタデータ） (2022-12-10T08:49:19Z)

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。