論文の概要: WILD-SAM: Phase-Aware Expert Adaptation of SAM for Landslide Detection in Wrapped InSAR Interferograms
- arxiv url: http://arxiv.org/abs/2604.14540v1
- Date: Thu, 16 Apr 2026 02:16:29 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-04-17 21:29:31.680789
- Title: WILD-SAM: Phase-Aware Expert Adaptation of SAM for Landslide Detection in Wrapped InSAR Interferograms
- Title（参考訳）: WILD-SAM: Wrapped InSARインターフェログラムにおける地すべり検出のためのSAMの位相認識エキスパート適応
- Authors: Yucheng Pan, Heping Li, Zhangle Liu, Sajid Hussain, Bin Pan,
- Abstract要約: ラップ型干渉計を用いた地すべり検出のためのパラメータ効率の良い微調整フレームワークWILD-SAMを提案する。
このアーキテクチャは、PA-MoEアダプタを冷凍エンコーダに統合し、スペクトル分布を整列させる。
ISSLIDEとISSLIDE+ベンチマークの実験は、WILD-SAMが最先端のパフォーマンスを達成することを示した。
- 参考スコア（独自算出の注目度）: 5.326496857825592
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Detecting slow-moving landslides directly from wrapped Interferometric Synthetic Aperture Radar (InSAR) interferograms is crucial for efficient geohazard monitoring, yet it remains fundamentally challenged by severe phase ambiguity and complex coherence noise. While the Segment Anything Model (SAM) offers a powerful foundation for segmentation, its direct transfer to wrapped phase data is hindered by a profound spectral domain shift, which suppresses the high-frequency fringes essential for boundary delineation. To bridge this gap, we propose WILD-SAM, a novel parameter-efficient fine-tuning framework specifically designed to adapt SAM for high-precision landslide detection on wrapped interferograms. Specifically, the architecture integrates a Phase-Aware Mixture-of-Experts (PA-MoE) Adapter into the frozen encoder to align spectral distributions and introduces a Wavelet-Guided Subband Enhancement (WGSE) strategy to generate frequency-aware dense prompts. The PA-MoE Adapter exploits a dynamic routing mechanism across heterogeneous convolutional experts to adaptively aggregate multi-scale spectral-textural priors, effectively aligning the distribution discrepancy between natural images and interferometric phase data. Meanwhile, the WGSE strategy leverages discrete wavelet transforms to explicitly disentangle high-frequency subbands and refine directional phase textures, injecting these structural cues as dense prompts to ensure topological integrity along sharp landslide boundaries. Extensive experiments on the ISSLIDE and ISSLIDE+ benchmarks demonstrate that WILD-SAM achieves state-of-the-art performance, significantly outperforming existing methods in both target completeness and contour fidelity.
- Abstract（参考訳）: InSAR(Interferometric Synthetic Aperture Radar)インターフェログラム(Interferometric Synthetic Aperture Radar)による地すべりの緩やかな検出は、効率的なジオハザードモニタリングには不可欠である。
Segment Anything Model (SAM) はセグメンテーションの強力な基盤を提供するが、そのラップされた位相データへの直接転送はスペクトル領域シフトによって妨げられる。
このギャップを埋めるために,包んだインターフェログラム上での高精度地すべり検出にSAMを適応させる新しいパラメータ効率の高い微調整フレームワークWILD-SAMを提案する。
具体的には、PA-MoE(Phase-Aware Mixture-of-Experts)アダプタを冷凍エンコーダに統合し、スペクトル分布を調整し、WGSE(Wavelet-Guided Subband Enhancement)戦略を導入し、周波数対応の高密度プロンプトを生成する。
PA-MoE Adapterは、異種畳み込みの専門家間の動的ルーティング機構を利用して、多スケールのスペクトル-テクスチャ事前を適応的に集約し、自然画像と干渉位相データとの分布差を効果的に調整する。
一方、WGSE戦略は離散ウェーブレット変換を利用して、高周波数サブバンドを明示的に解離させ、方向相テクスチャを洗練させ、これらの構造的手がかりを高密度なプロンプトとして注入し、急激な地すべり境界に沿った位相的整合性を確保する。
ISSLIDEとISSLIDE+ベンチマークの大規模な実験により、WILD-SAMは最先端のパフォーマンスを実現し、ターゲットの完全性と輪郭の忠実性の両方において既存の手法よりも大幅に優れていた。
関連論文リスト
- Physics-Aligned Spectral Mamba: Decoupling Semantics and Dynamics for Few-Shot Hyperspectral Target Detection [14.607792636586067]
SpecMambaは、安定したセマンティック表現とアジャイルのスペクトル適応を分離するフレームワークである。
検出精度とクロスドメインの一般化において、最先端の手法を一貫して上回る。
論文 参考訳（メタデータ） (2026-04-07T08:04:18Z) - SARES-DEIM: Sparse Mixture-of-Experts Meets DETR for Robust SAR Ship Detection [13.697178700187402]
SAR(Synthetic Aperture Radar)画像における船体検出は、固有のコヒーレントスペックルノイズによって根本的に困難である。
本稿では,Detection TRansformer(DETR)パラダイムに基づくドメイン認識検出フレームワークSARES-DEIMを提案する。
我々のアプローチの中心はSARESMoEであり、これはスパースゲーティング機構を利用して特殊周波数やウェーブレットの専門家に特徴を選択的にルーティングするモジュールである。
論文 参考訳（メタデータ） (2026-04-05T14:15:39Z) - Learning to Separate RF Signals Under Uncertainty: Detect-Then-Separate vs. Unified Joint Models [53.79667447811139]
受信した信号に直接適用した場合、単一のディープニューラルネットワークアーキテクチャが共同で検出および分離することを学習していることを示す。
これらの結果から,UJM は DTS に代わるスケーラブルで実用的な代替品であり,広範に推定された統合分離のための新たな方向を開拓した。
論文 参考訳（メタデータ） (2026-02-04T15:25:02Z) - Out-of-Distribution Radar Detection with Complex VAEs: Theory, Whitening, and ANMF Fusion [5.205040944294552]
複素数値変分オートエンコーダ(CVAE)は、外部分布検出を行うためにクラッタプラスノイズのみを訓練した。
古典的かつ適応的な検出器に対して性能をベンチマークする。
その結果, 統計的正規化と複素数値生成モデルが組み合わさって, 現実的な海面クラッタ条件における検出を大幅に改善できることが示唆された。
論文 参考訳（メタデータ） (2026-01-26T16:51:19Z) - 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) - WaveMAE: Wavelet decomposition Masked Auto-Encoder for Remote Sensing [5.65492058135409]
WaveMAEはマルチスペクトル衛星画像に適したマスク付き自動符号化フレームワークである。
評価の公平性を確保するため、全ての手法が同じデータセット上で事前訓練される(fMoW-S2)。
WaveMAEは従来の最先端アプローチよりも一貫した改善を実現している。
論文 参考訳（メタデータ） (2025-10-26T14:45:30Z) - WaveSeg: Enhancing Segmentation Precision via High-Frequency Prior and Mamba-Driven Spectrum Decomposition [61.3530659856013]
本稿では,空間およびウェーブレット領域の機能改善を共同で最適化する新しいデコーダアーキテクチャであるWaveSegを提案する。
高周波成分は、まず入力画像から、境界の詳細を強化するために明示的な先行として学習される。
標準ベンチマークの実験では、Mambaベースの注目に先立ってウェーブレット-ドメイン周波数を利用するWaveSegが、常に最先端のアプローチより優れていることが示されている。
論文 参考訳（メタデータ） (2025-10-24T01:41:31Z) - Wavelet-Guided Dual-Frequency Encoding for Remote Sensing Change Detection [67.84730634802204]
リモートセンシング画像の変化検出は,自然災害監視,都市拡張追跡,インフラ管理など,さまざまな工学的応用において重要な役割を担っている。
既存のほとんどの手法は空間領域モデリングに依存しており、特徴表現の限られた多様性は微妙な変化領域の検出を妨げる。
本研究では、特にウェーブレット領域における周波数領域の特徴モデリングが周波数成分の微細な違いを増幅し、空間領域において捉えにくいエッジ変化の知覚を高めることを観察する。
論文 参考訳（メタデータ） (2025-08-07T11:14:16Z) - Frequency Domain-Based Diffusion Model for Unpaired Image Dehazing [92.61216319417208]
そこで本稿では,未確認データにおける有益な知識を十分に活用するための,新しい周波数領域ベース拡散モデルを提案する。
拡散モデル(DM)が示す強い生成能力に着想を得て,周波数領域再構成の観点からデハージング課題に取り組む。
論文 参考訳（メタデータ） (2025-07-02T01:22:46Z) - PAD: Phase-Amplitude Decoupling Fusion for Multi-Modal Land Cover Classification [49.37555541088792]
位相振幅デカップリング(PAD)は、位相(モダリティ共有)と振幅(モダリティ補完)を分離する周波数対応のフレームワークである。
この研究は、リモートセンシングにおける物理を意識したマルチモーダル融合の新しいパラダイムを確立する。
論文 参考訳（メタデータ） (2025-04-27T07:21:42Z)
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。