論文の概要: Make Some Noise: Unsupervised Remote Sensing Change Detection Using Latent Space Perturbations

• arxiv url: http://arxiv.org/abs/2602.19881v1
• Date: Mon, 23 Feb 2026 14:27:36 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-02-24 17:42:02.849441
• Title: Make Some Noise: Unsupervised Remote Sensing Change Detection Using Latent Space Perturbations
• Title（参考訳）: 雑音を発生させる:潜時空間摂動を用いた教師なしリモートセンシング変化検出
• Authors: Blaž Rolih, Matic Fučka, Filip Wolf, Luka Čehovin Zajc,
• Abstract要約: リモートセンシングにおける教師なし変化検出(UCD)は、トレーニング中にラベル付きデータに頼ることなく、同一領域の2つの画像間の意味変化をローカライズすることを目的としている。 トレーニング中の潜在機能空間において,多様な変更を直接合成する,エンドツーエンドの UCD フレームワークである MaSoN を提案する。 ターゲットデータの特徴統計を用いて動的に推定される変更を生成し、ターゲットドメインと一致した多様なデータ駆動の変動を可能にする。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/licenses/by-nc-sa/4.0/
• Abstract: Unsupervised change detection (UCD) in remote sensing aims to localise semantic changes between two images of the same region without relying on labelled data during training. Most recent approaches rely either on frozen foundation models in a training-free manner or on training with synthetic changes generated in pixel space. Both strategies inherently rely on predefined assumptions about change types, typically introduced through handcrafted rules, external datasets, or auxiliary generative models. Due to these assumptions, such methods fail to generalise beyond a few change types, limiting their real-world usage, especially in rare or complex scenarios. To address this, we propose MaSoN (Make Some Noise), an end-to-end UCD framework that synthesises diverse changes directly in the latent feature space during training. It generates changes that are dynamically estimated using feature statistics of target data, enabling diverse yet data-driven variation aligned with the target domain. It also easily extends to new modalities, such as SAR. MaSoN generalises strongly across diverse change types and achieves state-of-the-art performance on five benchmarks, improving the average F1 score by 14.1 percentage points. Project page: https://blaz-r.github.io/mason_ucd
• Abstract（参考訳）: リモートセンシングにおける教師なし変化検出(UCD)は、トレーニング中にラベル付きデータに頼ることなく、同一領域の2つの画像間の意味変化をローカライズすることを目的としている。 最近のアプローチでは、フリーで凍結基礎モデルをトレーニングするか、あるいはピクセル空間で生成された合成変化によるトレーニングに頼っている。 どちらの戦略も本質的には,手作りのルールや外部データセット,あるいは補助的な生成モデルを通じて導入された,変更タイプに関する事前定義された仮定に依存しています。 これらの仮定のため、このような手法はいくつかの変更タイプを超えて一般化できず、特に稀なシナリオや複雑なシナリオにおいて、実際の使用を制限する。 この問題を解決するために,トレーニング中の潜在機能空間における多様な変化を直接合成する,エンドツーエンドのUCDフレームワークであるMaSoNを提案する。 ターゲットデータの特徴統計を用いて動的に推定される変更を生成し、ターゲットドメインと一致した多様なデータ駆動の変動を可能にする。 また、SARのような新しいモダリティにも容易に拡張できる。 MaSoNは、様々な変更タイプにまたがって強く一般化し、5つのベンチマークで最先端のパフォーマンスを実現し、平均F1スコアを14.1ポイント改善する。 プロジェクトページ:https://blaz-r.github.io/mason_ucd

関連論文リスト

• Referring Change Detection in Remote Sensing Imagery [49.841833753558575]
  本稿では、自然言語のプロンプトを利用してリモートセンシング画像の変化の特定のクラスを検出するReferring Change Detection (RCD)を紹介する。 我々は, (I) textbfRCDNet, (II) textbfRCDGen, (II) 拡散型合成データ生成パイプラインからなる2段階のフレームワークを提案する。
  論文  参考訳（メタデータ） (2025-12-12T16:57:12Z)
• ChangeDINO: DINOv3-Driven Building Change Detection in Optical Remote Sensing Imagery [8.49298841726789]
  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。
  論文  参考訳（メタデータ） (2025-11-20T12:55:13Z)
• SChanger: Change Detection from a Semantic Change and Spatial Consistency Perspective [0.6749750044497732]
  我々は,データ不足問題に対処するため,セマンティック・チェンジ・ネットワーク(SCN)と呼ばれる微調整戦略を開発した。 両画像間の変化位置は空間的に同一であり,空間的整合性(空間的整合性)の概念である。 これにより、マルチスケールな変更のモデリングが強化され、変更検出セマンティクスの基盤となる関係を捉えるのに役立ちます。
  論文  参考訳（メタデータ） (2025-03-26T17:15:43Z)
• 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)
• Deep learning model solves change point detection for multiple change types [69.77452691994712]
  変更点検出は、データ分散の急激な障害をキャッチすることを目的としている。 本稿では,マルチディストリビューションシナリオにおけるアプローチを提案する。
  論文  参考訳（メタデータ） (2022-04-15T09:44:21Z)
• Semantic-Aware Domain Generalized Segmentation [67.49163582961877]
  ソースドメインでトレーニングされたディープモデルは、異なるデータ分布を持つ未確認対象ドメインで評価された場合、一般化に欠ける。 セマンティック・アウェア・正規化(SAN)とセマンティック・アウェア・ホワイトニング(SAW)の2つの新しいモジュールを含むフレームワークを提案する。 提案手法は,様々なバックボーンネットワークにおいて,既存の最先端ネットワークよりも大幅に改善されている。
  論文  参考訳（メタデータ） (2022-04-02T09:09:59Z)
• Semi-Supervised Domain Adaptation with Prototypical Alignment and Consistency Learning [86.6929930921905]
  本稿では,いくつかの対象サンプルがラベル付けされていれば,ドメインシフトに対処するのにどの程度役立つか検討する。 ランドマークの可能性を最大限に追求するために、ランドマークから各クラスのターゲットプロトタイプを計算するプロトタイプアライメント(PA)モジュールを組み込んでいます。 具体的には,ラベル付き画像に深刻な摂動を生じさせ,PAを非自明にし,モデル一般化性を促進する。
  論文  参考訳（メタデータ） (2021-04-19T08:46:08Z)
• Towards Universal Representation Learning for Deep Face Recognition [106.21744671876704]
  対象のドメイン知識を活用せずに、与えられたトレーニングデータに見つからない大きな変化に対処できる普遍的な表現学習フレームワークを提案する。 実験により,LFW や MegaFace などの一般的な顔認識データセットにおいて,本手法が最高性能を実現することを示す。
  論文  参考訳（メタデータ） (2020-02-26T23:29:57Z)

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。