論文の概要: L-UNet: An LSTM Network for Remote Sensing Image Change Detection

• arxiv url: http://arxiv.org/abs/2603.22842v1
• Date: Tue, 24 Mar 2026 06:30:32 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-03-25 19:53:37.333725
• Title: L-UNet: An LSTM Network for Remote Sensing Image Change Detection
• Title（参考訳）: L-UNet:リモートセンシング画像変化検出のためのLSTMネットワーク
• Authors: Shuting Sun, Lin Mu, Lizhe Wang, Peng Liu,
• Abstract要約: 現在のディープラーニングに基づく検出法は主に従来の長期記憶(v-LSTM)に基づいている これを実現するために、Conv-LSTM構造の拡張であるConv-LSTMを導入する。 2つのデータセットの実験を行い、提案手法は、他の手法と比較して、量と品質の両方の利点を示す。
• 参考スコア（独自算出の注目度）: 6.9627438500091925
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Change detection of high-resolution remote sensing images is an important task in earth observation and was extensively investigated. Recently, deep learning has shown to be very successful in plenty of remote sensing tasks. The current deep learning-based change detection method is mainly based on conventional long short-term memory (Conv-LSTM), which does not have spatial characteristics. Since change detection is a process with both spatiality and temporality, it is necessary to propose an end-to-end spatiotemporal network. To achieve this, Conv-LSTM, an extension of the Conv-LSTM structure, is introduced. Since it shares similar spatial characteristics with the convolutional layer, L-UNet, which substitutes partial convolution layers of UNet-to-Conv-LSTM and Atrous L-UNet (AL-UNet), which further using Atrous structure to multiscale spatial information is proposed. Experiments on two data sets are conducted and the proposed methods show the advantages both in quantity and quality when compared with some other methods.
• Abstract（参考訳）: 高分解能リモートセンシング画像の変化検出は、地球観測において重要な課題であり、広範囲に調査された。 近年、深層学習は多くのリモートセンシングタスクで非常に成功したことが示されている。 現在の深層学習に基づく変化検出法は主に空間特性を持たない従来の長期記憶(Conv-LSTM)に基づいている。 変化検出は空間性と時間性の両方を持つプロセスであるため、エンドツーエンドの時空間ネットワークを提案する必要がある。 これを実現するために、Conv-LSTM構造の拡張であるConv-LSTMを導入する。 UNet-to-Conv-LSTMとAtrous L-UNet(AL-UNet)の部分畳み込み層を置換したL-UNetは,畳み込み層と類似した空間特性を有するため,さらにAtrous構造を用いてマルチスケール空間情報を生成する。 2つのデータセットの実験を行い、提案手法は、他の手法と比較して、量と品質の両方の利点を示す。

関連論文リスト

• GCRPNet: Graph-Enhanced Contextual and Regional Perception Network for Salient Object Detection in Optical Remote Sensing Images [68.33481681452675]
  本稿では,GCRPNet(Graph-enhanced contextual and Regional Recognition Network)を提案する。 これはMambaアーキテクチャの上に構築され、長距離依存関係を同時にキャプチャし、地域的特徴表現を強化する。 マルチスケールの畳み込みによって処理される特徴マップに対して適応的なパッチスキャンを行い、リッチなローカル領域情報をキャプチャする。
  論文  参考訳（メタデータ） (2025-08-14T11:31:43Z)
• Renormalized Connection for Scale-preferred Object Detection in Satellite Imagery [51.83786195178233]
  我々は、効率的な特徴抽出の観点から再正規化群理論を実装するために、知識発見ネットワーク(KDN)を設計する。 KDN上の再正規化接続(RC)は、マルチスケール特徴の「相乗的焦点」を可能にする。 RCはFPNベースの検出器のマルチレベル特徴の分割・対数機構を幅広いスケールで予測されたタスクに拡張する。
  論文  参考訳（メタデータ） (2024-09-09T13:56:22Z)
• Paving the way toward foundation models for irregular and unaligned Satellite Image Time Series [0.0]
  衛星画像の空間的, スペクトル的, 時間的次元を考慮したALISEを提案する。 SITSで現在利用可能なSSLモデルとは異なり、ALISEはSITSを共通の学習された時間的プロジェクション空間に投影するための柔軟なクエリメカニズムを組み込んでいる。 PASTIS, 土地被覆区分 (MultiSenGE) , 新たな作物変化検出データセットの3つの下流課題を通じて, 生産された表現の質を評価する。
  論文  参考訳（メタデータ） (2024-07-11T12:42:10Z)
• Continuous Urban Change Detection from Satellite Image Time Series with Temporal Feature Refinement and Multi-Task Integration [5.095834019284525]
  2つの重要なモジュールを組み込んだ連続的な都市変化検出フレームワークを提案する。 時間的特徴改善(TFR)モジュールは、ConvNetベースのマルチ時間的ビルディング表現を改善するために自己アテンションを使用する。 マルチタスク統合(MTI)モジュールはマルコフネットワークを利用して最適なビルディングマップ時系列を見つける。
  論文  参考訳（メタデータ） (2024-06-25T10:53:57Z)
• Time Travelling Pixels: Bitemporal Features Integration with Foundation Model for Remote Sensing Image Change Detection [28.40070234949818]
  Time Travelling Pixels (TTP)は、潜在知識基盤モデルを変更検出に統合する新しいアプローチである。 LEVIR-CDで得られた最先端の成績は,TTPの有効性を裏付けるものであった。
  論文  参考訳（メタデータ） (2023-12-23T08:56:52Z)
• RRNet: Relational Reasoning Network with Parallel Multi-scale Attention for Salient Object Detection in Optical Remote Sensing Images [82.1679766706423]
  光リモートセンシング画像(RSI)のためのSODは、光学RSIから視覚的に特徴的な物体や領域を探索・抽出することを目的としている。 光学RSIにおけるSODに並列なマルチスケールアテンションを持つリレーショナル推論ネットワークを提案する。 提案するRRNetは,既存の最先端SODコンペティタよりも質的,定量的に優れている。
  論文  参考訳（メタデータ） (2021-10-27T07:18:32Z)
• Object Tracking through Residual and Dense LSTMs [67.98948222599849]
  LSTM(Long Short-Term Memory)リカレントニューラルネットワークに基づくディープラーニングベースのトラッカーが、強力な代替手段として登場した。 DenseLSTMはResidualおよびRegular LSTMより優れ、ニュアンセに対する高いレジリエンスを提供する。 ケーススタディは、他のトラッカーの堅牢性を高めるために残差ベースRNNの採用を支援する。
  論文  参考訳（メタデータ） (2020-06-22T08:20:17Z)

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。