論文の概要: Dual Contrastive Network for Few-Shot Remote Sensing Image Scene Classification

• arxiv url: http://arxiv.org/abs/2603.23161v1
• Date: Tue, 24 Mar 2026 13:03:44 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-03-25 19:53:37.486319
• Title: Dual Contrastive Network for Few-Shot Remote Sensing Image Scene Classification
• Title（参考訳）: Few-Shot Remote Sensing Image Scene Classificationのためのデュアルコントラストネットワーク
• Authors: Zhong Ji, Liyuan Hou, Xuan Wang, Gang Wang, Yanwei Pang,
• Abstract要約: リモートセンシング画像シーン分類(FS-RSISC)は、少数のラベル付きサンプルでリモートセンシング画像を分類することを目的としている。 主な課題は、リモートセンシング画像の本質的な性質である、クラス間の小さなばらつきとクラス内の大きなばらつきである。 本稿では,2つの補助的教師付きコントラスト学習ブランチを学習過程中に組み込んだトランスファーベースDual Contrastive Network (DCN)を提案する。
• 参考スコア（独自算出の注目度）: 49.015843762045456
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Few-shot remote sensing image scene classification (FS-RSISC) aims at classifying remote sensing images with only a few labeled samples. The main challenges lie in small inter-class variances and large intra-class variances, which are the inherent property of remote sensing images. To address these challenges, we propose a transfer-based Dual Contrastive Network (DCN), which incorporates two auxiliary supervised contrastive learning branches during the training process. Specifically, one is a Context-guided Contrastive Learning (CCL) branch and the other is a Detail-guided Contrastive Learning (DCL) branch, which focus on inter-class discriminability and intra-class invariance, respectively. In the CCL branch, we first devise a Condenser Network to capture context features, and then leverage a supervised contrastive learning on top of the obtained context features to facilitate the model to learn more discriminative features. In the DCL branch, a Smelter Network is designed to highlight the significant local detail information. And then we construct a supervised contrastive learning based on the detail feature maps to fully exploit the spatial information in each map, enabling the model to concentrate on invariant detail features. Extensive experiments on four public benchmark remote sensing datasets demonstrate the competitive performance of our proposed DCN.
• Abstract（参考訳）: リモートセンシング画像シーン分類(FS-RSISC)は、少数のラベル付きサンプルでリモートセンシング画像を分類することを目的としている。 主な課題は、リモートセンシング画像の本質的な性質である、クラス間の小さなばらつきとクラス内の大きなばらつきである。 これらの課題に対処するために、トレーニングプロセス中に2つの補助的教師付きコントラスト学習枝を組み込んだトランスファーベースDual Contrastive Network (DCN)を提案する。 特に、CCL(Context-guided Contrastive Learning)ブランチと、DCL(Detail-guided Contrastive Learning)ブランチがあり、それぞれクラス間の差別性とクラス内不変性に焦点を当てている。 CCLブランチでは、まずコンテクストの特徴を捉えるためにCondenser Networkを考案し、得られたコンテキストの特徴の上に教師付きコントラスト学習を活用して、モデルがより識別的な特徴を学習できるようにする。 DCLブランチでは、Smelter Networkが重要なローカル詳細情報を強調するように設計されている。 そして,詳細な特徴マップに基づいて教師付きコントラスト学習を構築し,各地図内の空間情報をフル活用することで,モデルが不変の詳細特徴に集中できるようにする。 提案したDCNの競合性能を示すために,4つの公開ベンチマークリモートセンシングデータセットの大規模な実験を行った。

関連論文リスト

• Semi-supervised Semantic Segmentation for Remote Sensing Images via Multi-scale Uncertainty Consistency and Cross-Teacher-Student Attention [59.19580789952102]
  本稿では,RS画像セマンティックセグメンテーションタスクのための,新しい半教師付きマルチスケール不確かさとクロスTeacher-Student Attention(MUCA)モデルを提案する。 MUCAは、マルチスケールの不確実性整合正則化を導入することにより、ネットワークの異なる層における特徴写像間の整合性を制限する。 MUCAは学生ネットワークの誘導にクロス教師・学生の注意機構を使用し、学生ネットワークにより差別的な特徴表現を構築するよう誘導する。
  論文  参考訳（メタデータ） (2025-01-18T11:57:20Z)
• Dcl-Net: Dual Contrastive Learning Network for Semi-Supervised Multi-Organ Segmentation [12.798684146496754]
  半教師型MOSのための2段階のDual Contrastive Learning Networkを提案する。 ステージ1では、画像間の暗黙的な連続性と類似性を調べるために、類似性に基づくグローバルコントラスト学習を開発する。 ステージ2では,クラス表現をさらに惹きつけるために,臓器を意識した局所的コントラスト学習を提案する。
  論文  参考訳（メタデータ） (2024-03-06T07:39:33Z)
• SwiMDiff: Scene-wide Matching Contrastive Learning with Diffusion Constraint for Remote Sensing Image [21.596874679058327]
  SwiMDiffは、リモートセンシング画像のための新しい自己教師付き事前トレーニングフレームワークである。 ラベルを再分類し、同じシーンからのデータを偽陰性として認識する。 対照的学習(CL)と拡散モデルとをシームレスに統合する。
  論文  参考訳（メタデータ） (2024-01-10T11:55:58Z)
• De-coupling and De-positioning Dense Self-supervised Learning [65.56679416475943]
  Dense Self-Supervised Learning (SSL)メソッドは、複数のオブジェクトでイメージを処理する際に、画像レベルの特徴表現を使用する際の制限に対処する。 本研究は, 層深度やゼロパディングに伴う受容野の増大によって生じる, 結合と位置バイアスに悩まされていることを示す。 我々はCOCOにおける本手法の利点と、オブジェクト分類、セマンティックセグメンテーション、オブジェクト検出のための新しい挑戦的ベンチマークであるOpenImage-MINIについて示す。
  論文  参考訳（メタデータ） (2023-03-29T18:07:25Z)
• Semantics-Guided Contrastive Network for Zero-Shot Object detection [67.61512036994458]
  ゼロショット物体検出(ZSD)はコンピュータビジョンにおける新しい課題である。 ゼロショット検出の領域にコントラスト学習機構をもたらすフレームワークであるContrastZSDを開発した。 本手法は,ZSDタスクと一般化ZSDタスクの両方において,従来の最先端技術よりも優れていた。
  論文  参考訳（メタデータ） (2021-09-04T03:32:15Z)

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。