Fugu-MT 論文翻訳(概要): Content-Induced Spatial-Spectral Aggregation Network for Change Detection in Remote Sensing Images

論文の概要: Content-Induced Spatial-Spectral Aggregation Network for Change Detection in Remote Sensing Images

arxiv url: http://arxiv.org/abs/2606.10328v1
Date: Tue, 09 Jun 2026 02:23:49 GMT
ステータス: 翻訳完了
システム内更新日: 2026-06-10 15:40:58.269213
Title: Content-Induced Spatial-Spectral Aggregation Network for Change Detection in Remote Sensing Images
Title（参考訳）: リモートセンシング画像における変化検出のためのコンテンツ誘起空間スペクトル集約ネットワーク
Abstract要約: 本研究では,大域空間の詳細とスペクトル差情報を融合したコンテンツ誘導型空間スペクトル統合ネットワーク(CSI-Net)を提案する。 LEVIR-CD, WHU-CD, CLCDデータセットの実験結果から, 提案したCSI-Netは最先端の手法よりも優れた性能を示すことが示された。
参考スコア（独自算出の注目度）: 8.816799256409082
License: http://creativecommons.org/licenses/by/4.0/
Abstract: The integration of spatial and spectral information is beneficial to the improvement of change detection performance. However, existing methods cannot efficiently suppress the influences of spatial and spectral differences in unchanged areas. To address these issues, in this paper we propose a content-guided spatial-spectral integration network (CSI-Net) for the fusion of global spatial details and spectral difference information. Specifically, the proposed CSI-Net is composed of a spatial reasoning (SR) module, a spectral difference (SD) module, and a content-guided integration (CGI) module. In the SR module, the spatial information is learned by cascaded graph convolution blocks for global modeling. The SD module is responsible for the extraction of spectral features, by calculating the means and variances of features to reduce the impact of spectral differences in unchanged regions. In addition, in order to integrate the spatial-spectral features efficiently, we design a CGI module to further take advantage of their complementary information. In this module, high-level content information is introduced as a guide for a proper interaction. Due to the efficient spatial-spectral fusion, the proposed CSI-Net can learn the changed features better while achieving a suppression of spectral differences. Experimental results on LEVIR-CD, WHU-CD, and CLCD datasets demonstrate that the proposed CSI-Net produces better performance compared to state-of-the-art methods, and is applicable to different scenarios
Abstract（参考訳）: 空間情報とスペクトル情報の統合は、変化検出性能の向上に有用である。しかし、既存の手法では、変化しない領域における空間差とスペクトル差の影響を効果的に抑えることはできない。そこで本稿では,グローバル空間情報とスペクトル差情報の融合のためのコンテンツ誘導型空間スペクトル統合ネットワーク(CSI-Net)を提案する。具体的には、空間推論(SR)モジュール、スペクトル差(SD)モジュール、コンテンツ誘導統合(CGI)モジュールからなる。 SRモジュールでは、空間情報は大域的モデリングのためのカスケードグラフ畳み込みブロックによって学習される。 SDモジュールは、変化しない領域におけるスペクトル差の影響を低減するために、特徴の手段と分散を計算することでスペクトル特徴の抽出を行う。また,空間スペクトルの特徴を効率的に統合するために,CGIモジュールを設計し,それらの補完情報をさらに活用する。このモジュールでは、適切なインタラクションのためのガイドとして、ハイレベルなコンテンツ情報が導入される。効率的な空間-スペクトル融合により、提案したCSI-Netは、スペクトル差の抑制を達成しつつ、変化した特徴をよりよく学習することができる。 LEVIR-CD、WHU-CD、CLCDデータセットの実験結果から、提案したCSI-Netは最先端の手法よりも優れた性能を示し、異なるシナリオに適用可能であることが示された。

関連論文リスト

A Synergistic CNN-Transformer Network with Pooling Attention Fusion for Hyperspectral Image Classification [10.687430702802608]
ハイパースペクトル画像(HSI)分類では、各画素は特定の土地被覆カテゴリまたは材料に分類される。近年,マルチスケール・ビジョン・トランスフォーマー (ViT) を応用し,スペクトル特性の捕捉と有望な結果の獲得に役立てている。本稿では,HSI分類のためのプール型アテンションフュージョンを用いたシナジスティックCNN-Transformerネットワークを提案する。
論文参考訳（メタデータ） (2026-04-26T09:30:27Z)
RSONet: Region-guided Selective Optimization Network for RGB-T Salient Object Detection [76.1829298714382]
本稿では,RGB画像と熱画像の相違点に着目した。 RGB-T有向物体検出のための領域誘導選択最適化ネットワークを提案する。我々は,RGB-Tデータセットに関する広範な実験を行い,提案したRSONetが27種類の最先端SOD手法と競合する性能を発揮することを示した。
論文参考訳（メタデータ） (2026-03-13T06:01:17Z)
RDNet: Region Proportion-Aware Dynamic Adaptive Salient Object Detection Network in Optical Remote Sensing Images [78.19052099452695]
地域分布を考慮した動的適応型オブジェクト検出ネットワーク(RDNet)を提案する。 RDNetはグローバルコンテキストモデリングのためにCNNのバックボーンをSwinTransformerに置き換える。スケールの変動や正確なローカライゼーションに対して堅牢性を実現し、最先端の手法と比較して優れた検出性能を提供する。
論文参考訳（メタデータ） (2026-03-12T17:34:29Z)
Hyperspectral Adapter for Semantic Segmentation with Vision Foundation Models [18.24287471339871]
ハイパースペクトルイメージング(HSI)は、多数の狭い波長帯にわたる密度のスペクトル測定とともに空間情報をキャプチャする。本アーキテクチャでは、スペクトル変換器とスペクトル対応空間先行モジュールを組み込んで、豊富な空間スペクトル特徴を抽出する。我々のアーキテクチャは、HSI入力を直接使用しながら、最先端のセマンティックセマンティックセマンティックセマンティクス性能を実現し、ビジョンベースとハイパースペクトルセマンティクスの両方のセマンティクス法より優れている。
論文参考訳（メタデータ） (2025-09-24T13:32:07Z)
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)
Efficient Feedback Gate Network for Hyperspectral Image Super-Resolution [1.742383744586808]
単一超スペクトル画像超解像法(SHSR)は、超スペクトル画像の空間分解能を改善するために設計することができる。本稿では,効率的なフィードバックゲートネットワークと呼ばれるグループベースのSHSR手法を提案する。 3つのハイパースペクトルデータセットの実験結果から,提案したネットワークの優れた性能が示された。
論文参考訳（メタデータ） (2025-06-20T10:06:48Z)
Unleashing Correlation and Continuity for Hyperspectral Reconstruction from RGB Images [64.80875911446937]
RGB画像からのHSI再構成のための相関連続性ネットワーク(CCNet)を提案する。局所スペクトルの相関について,GrSCM(Group-wise Spectral correlation Modeling)モジュールを紹介する。グローバルスペクトルの連続性のために、我々はNeSCMモジュールを設計する。
論文参考訳（メタデータ） (2025-01-02T15:14:40Z)
SSF-Net: Spatial-Spectral Fusion Network with Spectral Angle Awareness for Hyperspectral Object Tracking [21.664141982246598]
ハイパースペクトルビデオ(HSV)は、空間的、スペクトル的、時間的情報を同時に提供する。既存の手法は主にバンド再編成に重点を置いており、特徴抽出のためにRGBトラッカーに依存している。本稿では、超スペクトル(HS)物体追跡において、スペクトル角認識(SST-Net)を用いた空間-スペクトル融合ネットワークを提案する。
論文参考訳（メタデータ） (2024-03-09T09:37:13Z)
Cross-Attention in Coupled Unmixing Nets for Unsupervised Hyperspectral Super-Resolution [79.97180849505294]
本稿では,HSIの空間分解能を高めるために,CUCaNetというクロスアテンション機構を備えた新しい結合型アンミックスネットワークを提案する。 3つの広く使われているHS-MSデータセットに対して、最先端のHSI-SRモデルと比較実験を行った。
論文参考訳（メタデータ） (2020-07-10T08:08:20Z)
Spatial-Spectral Residual Network for Hyperspectral Image Super-Resolution [82.1739023587565]
ハイパースペクトル画像超解像のための新しいスペクトル空間残差ネットワーク(SSRNet)を提案する。提案手法は,2次元畳み込みではなく3次元畳み込みを用いて空間スペクトル情報の探索を効果的に行うことができる。各ユニットでは空間的・時間的分離可能な3次元畳み込みを用いて空間的・スペクトル的な情報を抽出する。
論文参考訳（メタデータ） (2020-01-14T03:34:55Z)

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。