論文の概要: Synthetic Aperture Radar Image Change Detection Based on Global Dynamic Context-Aware Network

• arxiv url: http://arxiv.org/abs/2605.16764v1
• Date: Sat, 16 May 2026 02:33:10 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-05-19 17:57:47.010797
• Title: Synthetic Aperture Radar Image Change Detection Based on Global Dynamic Context-Aware Network
• Title（参考訳）: グローバルダイナミックコンテキスト認識ネットワークを用いた合成開口レーダ画像変化検出
• Authors: Baogui Huan, Chuanzheng Gong, Dezhong Chen, Feng Gao, Junyu Dong, Qian Du,
• Abstract要約: 畳み込みニューラルネットワーク(CNN)は、合成開口レーダ(SAR)画像変化検出のタスクに広く応用され、成功している。 本稿では,SAR画像変化検出に適したGDNet(Global Dynamic Context-Aware Network)を提案する。 このモジュールは,入力特徴から抽出した大域的意味情報に基づいて,畳み込みカーネル重み付けを適応的に変調する。
• 参考スコア（独自算出の注目度）: 41.25478399274141
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Convolutional neural networks (CNNs) have been extensively and successfully applied to the task of synthetic aperture radar (SAR) image change detection. However, conventional convolutional layers are inherently limited by their local receptive fields, which mainly capture spatially localized patterns while neglecting the global context that is often crucial for accurately distinguishing subtle or large-scale changes in SAR imagery. To address these limitations, we propose a novel Global Dynamic Context-Aware Network (GDNet) specifically tailored for SAR image change detection. At the core of our approach lies a novel global dynamic convolution module, which adaptively modulates convolution kernel weights according to the global semantic information extracted from the input features. By dynamically incorporating long-range dependencies, this mechanism enables the network to integrate both local detail and global context, thus improving its ability to detect diverse change patterns. In addition, we introduce a carefully designed two-stage Mixup strategy for model training. Unlike conventional single-stage Mixup, our two-stage design generates more diverse and informative training samples, effectively regularizing the model and yielding more stable and reliable classification results even under limited data scenarios. Extensive experiments on three SAR datasets demonstrate the superiority of the proposed GDNet compared to other state-of-the-art methods. These findings highlight the potential of global dynamic modeling and advanced data augmentation strategies for advancing SAR image interpretation. Source codes are available at \url{https://github.com/oucailab/GDNet}.
• Abstract（参考訳）: 畳み込みニューラルネットワーク(CNN)は、合成開口レーダ(SAR)画像変化検出のタスクに広く応用され、成功している。 しかし、従来の畳み込み層は、主に空間的局所的なパターンを捉えながら、SAR画像の微妙な変化や大規模な変化を正確に区別するために重要なグローバルコンテキストを無視した、局所的な受容場によって本質的に制限されている。 これらの制約に対処するため,SAR画像変化検出に適したGDNet(Global Dynamic Context-Aware Network)を提案する。 このモジュールは,入力特徴から抽出した大域的意味情報に基づいて,畳み込みカーネル重み付けを適応的に変調する。 長距離依存関係を動的に組み込むことで、ネットワークはローカルディテールとグローバルコンテキストの両方を統合することができ、多様な変化パターンを検出する能力を向上させることができる。 さらに、モデルトレーニングのための2段階混合戦略を慎重に設計する。 従来のシングルステージMixupとは異なり、我々の2段階の設計はより多様で情報的なトレーニングサンプルを生成し、モデルを効果的に正規化し、限られたデータシナリオの下でもより安定的で信頼性の高い分類結果を得る。 3つのSARデータセットに対する大規模な実験は、提案したGDNetが他の最先端手法よりも優れていることを示す。 これらの知見は、SAR画像の解釈を促進するためのグローバルな動的モデリングと高度なデータ拡張戦略の可能性を強調している。 ソースコードは \url{https://github.com/oucailab/GDNet} で入手できる。

関連論文リスト

• GRAD-Former: Gated Robust Attention-based Differential Transformer for Change Detection [0.7865560760233441]
  リモートセンシングにおける変化検出(CD)は、異なるタイミングで撮影された衛星画像間の意味的差異を特定することを目的としている。 従来の変換器ベースの手法は、超高解像度(VHR)衛星画像に適用する場合、二次計算の複雑さに悩まされる。 GRAD-Formerは、モデルサイズを小さくすることで効率を保ちながら文脈理解を高める新しいフレームワークである。
  論文  参考訳（メタデータ） (2026-03-01T15:56:42Z)
• 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)
• Enhancing Automatic Modulation Recognition through Robust Global Feature Extraction [12.868218616042292]
  変調信号は長時間の時間依存性を示す。 人間の専門家は星座図のパターンを分析し、変調スキームを分類する。 古典的な畳み込みベースのネットワークは、局所的な特徴を抽出することに長けているが、グローバルな関係を捉えるのに苦労している。
  論文  参考訳（メタデータ） (2024-01-02T06:31:24Z)
• Style-Hallucinated Dual Consistency Learning: A Unified Framework for Visual Domain Generalization [113.03189252044773]
  本稿では,様々な視覚的タスクにおけるドメインシフトを処理するための統合フレームワークであるStyle-HAllucinated Dual consistEncy Learning (SHADE)を提案する。 我々の汎用SHADEは、画像分類、セマンティックセグメンテーション、オブジェクト検出など、様々な視覚認識タスクにおける一般化を著しく向上させることができる。
  論文  参考訳（メタデータ） (2022-12-18T11:42:51Z)

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。