論文の概要: Lean Learning Beyond Clouds: Efficient Discrepancy-Conditioned Optical-SAR Fusion for Semantic Segmentation

• arxiv url: http://arxiv.org/abs/2603.20811v1
• Date: Sat, 21 Mar 2026 13:14:40 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-03-24 19:11:39.098096
• Title: Lean Learning Beyond Clouds: Efficient Discrepancy-Conditioned Optical-SAR Fusion for Semantic Segmentation
• Title（参考訳）: クラウドを越えたリーン学習: セマンティックセグメンテーションのための効率的な離散性に基づく光-SAR融合
• Authors: Chenxing Meng, Wuzhou Quan, Yingjie Cai, Liqun Cao, Liyan Zhang, Mingqiang Wei,
• Abstract要約: 本稿では,効率指向・離散性を考慮した光-SARセマンティックセマンティックセマンティクスフレームワークであるEDCを提案する。 EDCはmIoUを0.56%、M3M-CRとWHU-OPT-SARで0.88%改善する。
• 参考スコア（独自算出の注目度）: 26.501346227659866
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Cloud occlusion severely degrades the semantic integrity of optical remote sensing imagery. While incorporating Synthetic Aperture Radar (SAR) provides complementary observations, achieving efficient global modeling and reliable cross-modal fusion under cloud interference remains challenging. Existing methods rely on dense global attention to capture long-range dependencies, yet such aggregation indiscriminately propagates cloud-induced noise. Improving robustness typically entails enlarging model capacity, which further increases computational overhead. Given the large-scale and high-resolution nature of remote sensing applications, such computational demands hinder practical deployment, leading to an efficiency-reliability trade-off. To address this dilemma, we propose EDC, an efficiency-oriented and discrepancy-conditioned optical-SAR semantic segmentation framework. A tri-stream encoder with Carrier Tokens enables compact global context modeling with reduced complexity. To prevent noise contamination, we introduce a Discrepancy-Conditioned Hybrid Fusion (DCHF) mechanism that selectively suppresses unreliable regions during global aggregation. In addition, an auxiliary cloud removal branch with teacher-guided distillation enhances semantic consistency under occlusion. Extensive experiments demonstrate that EDC achieves superior accuracy and efficiency, improving mIoU by 0.56\% and 0.88\% on M3M-CR and WHU-OPT-SAR, respectively, while reducing the number of parameters by 46.7\% and accelerating inference by 1.98$\times$. Our implementation is available at https://github.com/mengcx0209/EDC.
• Abstract（参考訳）: 雲の閉塞は、光学リモートセンシング画像のセマンティックな整合性を著しく低下させる。 SAR(Synthetic Aperture Radar)を組み込むことは相補的な観察を提供するが、効率的なグローバルモデリングとクラウド干渉下での信頼性の高いクロスモーダル融合を実現することは依然として困難である。 既存の手法は、長距離依存を捉えるために、密集したグローバルな注意を頼りにしているが、そのような集約は、雲が引き起こすノイズを無差別に伝播させる。 堅牢性の改善は、通常、モデルのキャパシティを増大させ、計算オーバーヘッドをさらに増大させる。 リモートセンシングアプリケーションの大規模かつ高解像度な性質を考えると、そのような計算要求は実用化を妨げ、効率と信頼性のトレードオフをもたらす。 このジレンマに対処するために,効率指向型光-SARセマンティックセマンティックセマンティクスフレームワークであるEDCを提案する。 Carrier Tokensを用いたトリストリームエンコーダは、複雑さを低減したコンパクトなグローバルコンテキストモデリングを可能にする。 ノイズ汚染を防止するため,グローバルアグリゲーション中において,信頼できない領域を選択的に抑制するDCHF(Disdisrepancy-Conditioned Hybrid Fusion)機構を導入する。 さらに,教師誘導蒸留による補助雲除去枝は,閉鎖下での意味的一貫性を高める。 大規模な実験では、mIoU は M3M-CR と WHU-OPT-SAR でそれぞれ 0.56\% と 0.88\% 向上し、パラメータの数を 46.7\% 、推論を 1.98$\times$ に減らした。 私たちの実装はhttps://github.com/mengcx0209/EDCで公開されています。

関連論文リスト

• SADER: Structure-Aware Diffusion Framework with DEterministic Resampling for Multi-Temporal Remote Sensing Cloud Removal [24.84158171817714]
  拡散モデルがリモートセンシングクラウド除去の主要なパラダイムとして浮上している。 マルチ時間リモートセンシングクラウド除去のための構造対応拡散フレームワークSADERを提案する。 複数のマルチ時間データセットの実験により、SADERは最先端のクラウド除去方法よりも一貫して優れていることが示された。
  論文  参考訳（メタデータ） (2026-01-31T06:06:18Z)
• SKANet: A Cognitive Dual-Stream Framework with Adaptive Modality Fusion for Robust Compound GNSS Interference Classification [47.20483076887704]
  グローバルナビゲーション衛星システム(GNSS)は、洗練された妨害による脅威の増大に直面している。 時間周波数画像(TFI)とパワースペクトル密度(PSD)を統合した2重ストリームアーキテクチャに基づく認知的ディープラーニングフレームワークを提案する。 SKANetは96.99%の精度を達成し、複合妨害分類において優れたロバスト性を示した。
  論文  参考訳（メタデータ） (2026-01-19T07:42:45Z)
• Task-Driven Prompt Learning: A Joint Framework for Multi-modal Cloud Removal and Segmentation [11.468907022707013]
  TDP-CRはタスク駆動のフレームワークで、クラウド削除と土地被覆のセグメンテーションを共同で行う。 我々のアプローチの中心は、雲の厚さと空間の不確かさを符号化する学習可能な劣化プロンプトを利用するPrompt-Guided Fusionメカニズムである。 LuojiaSET-OSFCRデータセットの実験は、我々のフレームワークの優位性を実証している。
  論文  参考訳（メタデータ） (2026-01-17T13:32:38Z)
• SDAR: A Synergistic Diffusion-AutoRegression Paradigm for Scalable Sequence Generation [62.14510717860079]
  本稿では, 自己回帰モデルの学習効率を, 拡散の並列推論能力で統一するSynergistic Diffusion-Autoregressionパラダイムを提案する。 SDARは、十分に訓練された自己回帰モデル(AR)を、簡潔でデータ効率のよい適応を通じてブロックワイズ拡散モデルに変換する、軽量なパラダイム変換を実行する。 この知見に基づいて、SDARは最小コストで効率的なAR-拡散変換を実現し、並列生成を可能にしながら、ARレベルのパフォーマンスを維持する。
  論文  参考訳（メタデータ） (2025-10-07T17:29:28Z)
• Pushing Trade-Off Boundaries: Compact yet Effective Remote Sensing Change Detection [5.686242146196292]
  FlickCDは高速なフリックで素晴らしい結果が得られることを意味し、パフォーマンスとリソースのトレードオフの境界を押し進めます。 FlickCDは、最先端(SOTA)のパフォーマンスを達成しつつ、計算とストレージのオーバーヘッドを1桁以上削減する。
  論文  参考訳（メタデータ） (2025-06-26T09:06:52Z)
• Theoretical Insights in Model Inversion Robustness and Conditional Entropy Maximization for Collaborative Inference Systems [89.35169042718739]
  協調推論により、クラウドサーバに機密データを公開することなく、エンドユーザは強力なディープラーニングモデルを活用することができる。 近年の研究では、これらの中間機能は、情報が漏洩し、生データをモデル反転攻撃(MIA)によって再構築できるため、プライバシーを十分に保持できないことが判明している。 この研究はまず、与えられた中間特徴の入力の条件エントロピーが、任意のMIAの下での再構成平均二乗誤差(MSE)の保証された下界を与えることを理論的に証明する。 そして、ガウス混合推定に基づいて、この条件付きエントロピーを有界化するための微分可能かつ可解な尺度を導出し、逆ロバスト性を高める条件付きエントロピーアルゴリズムを提案する。
  論文  参考訳（メタデータ） (2025-03-01T07:15:21Z)
• Momentum Contrastive Autoencoder: Using Contrastive Learning for Latent Space Distribution Matching in WAE [51.09507030387935]
  Wasserstein autoencoder (WAE) は、2つの分布が一致することは、このAEの潜在空間が予め指定された事前分布と一致するという制約の下で、単純なオートエンコーダ(AE)損失を最小限にすることと同値であることを示している。 本稿では,この問題を解決する手段として,自己指導型表現学習に有効であることを示すコントラスト学習フレームワークを提案する。 WAEの損失を最適化するために、対照的な学習フレームワークを使用することで、WAEの一般的なアルゴリズムと比較して、より高速に収束し、より安定した最適化が達成できることを示す。
  論文  参考訳（メタデータ） (2021-10-19T22:55:47Z)

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。