論文の概要: CoSA: Correlation-Guided Change Attention with Learnable Residual Gating for Remote Sensing Change Detection

• arxiv url: http://arxiv.org/abs/2606.21932v1
• Date: Sat, 20 Jun 2026 07:56:09 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-06-25 23:46:29.077651
• Title: CoSA: Correlation-Guided Change Attention with Learnable Residual Gating for Remote Sensing Change Detection
• Title（参考訳）: CoSA:リモートセンシング変化検出のための学習可能な残差ゲーティングによる相関誘導変化注意
• Authors: Abdirashid Omar, Jonghyuk Park,
• Abstract要約: 我々は,軽量デコーダサイドリファインメントモジュールであるContext Smpling Attention (CoSA)を提案する。 CoSAは、適応的変化認識特徴強調のための制御信号として、バイテンポラル特徴相関を明示的に活用する。 4つのベンチマークデータセットの実験では、強いベースラインよりも一貫した改善が示されている。
• 参考スコア（独自算出の注目度）: 1.9364098361060789
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Remote sensing change detection (CD) from bi-temporal imagery is critical for applications such as urban monitoring, disaster assessment, and environmental management, yet robust localization remains challenging under sparse changes, noisy labels, and appearance variations. In this paper, we propose Context Sampling Attention (CoSA), a lightweight decoder-side refinement module that explicitly leverages bi-temporal feature correlation as a control signal for adaptive change-aware feature enhancement. This differs from conventional attention mechanisms that rely on implicit feature weighting without explicit temporal control. In the implemented FC-Siam setting, CoSA computes normalized same-location cross-correlation between paired decoder features, converts low correlation into a change gate, and injects the resulting gated residual at native 1/8 and 1/16 feature scales through learnable residual scaling. This design enables effective discrimination between stable and ambiguous regions without relying on computationally expensive global attention. Extensive experiments on four benchmark datasets (LEVIR-CD, S2Looking, DSIFN, and CLCD) demonstrate consistent improvements over strong baselines, achieving 1.5-2.6% gains in changed-class F1 while introducing negligible parameter overhead. Ablation studies confirm that multiscale placement and learnable residual gating are both important for peak performance. These results indicate that CoSA establishes a practical and effective refinement paradigm for enhancing temporal discriminability in Siamese change detection frameworks.
• Abstract（参考訳）: 両時間画像からのリモートセンシング変化検出(CD)は、都市モニタリング、災害評価、環境管理などの応用において重要であるが、疎度な変化、ノイズラベル、外観変化の下ではロバストなローカライゼーションは依然として困難である。 本稿では,適応的変化認識機能拡張のための制御信号としてバイテンポラル特徴相関を明示的に活用する軽量デコーダ側改良モジュールであるContext Smpling Attention (CoSA)を提案する。 これは、明示的な時間的制御なしに暗黙的な特徴重み付けに依存する従来の注意機構とは異なる。 実装されたFC-Siam設定では、CoSAはペア化されたデコーダ特徴間の正規化された同一位置相互相関を計算し、低相関を変更ゲートに変換し、学習可能な残差スケーリングによりネイティブ1/8および1/16特徴スケールでゲート残差を注入する。 この設計により、計算コストのかかるグローバルな注意を頼らずに、安定した領域と曖昧な領域を効果的に識別することができる。 4つのベンチマークデータセット(LEVIR-CD、S2Looking、DSIFN、CLCD)の大規模な実験では、強いベースラインよりも一貫した改善が示され、変更クラスF1では1.5-2.6%向上し、無視可能なパラメータオーバーヘッドが導入された。 アブレーション研究により,マルチスケール配置と学習可能な残差ゲーティングがピーク性能に重要であることが確認された。 これらの結果は, シームズ変化検出フレームワークにおける時間的差別性を高めるための, 実用的で効果的な改良パラダイムを確立していることを示唆している。

関連論文リスト

• Hierarchical Consistency Learning for Test-time Adaptation in Camouflage Perception [50.278200968044665]
  カモフラージュされた物体検出(COD)は、物理的属性を通して背景から最小限の知覚差を示すターゲットをローカライズすることを目的としている。 既存のメソッドは、静的なTrain-then-freezeパラダイムによって制約されており、ドメインの剛性と依存性のアノテーションに悩まされている。 動的表現再構成のためのテスト時間適応を統合した階層的一貫性学習フレームワークを提案する。
  論文  参考訳（メタデータ） (2026-05-25T09:57:46Z)
• Towards Remote Sensing Change Detection with Neural Memory [61.39582645714727]
  ChangeTitansは、リモートセンシングによる変更検出のためのTitansベースのフレームワークである。 まず、ニューラルネットワークと局所的な注意をセグメント化して統合するVTitansを提案する。 次に,階層型VTitans-Adapterを提案する。 第3に、2ストリーム融合モジュールであるTS-CBAMを導入し、擬似変化を抑制し、検出精度を高める。
  論文  参考訳（メタデータ） (2026-02-11T03:50:51Z)
• HA2F: Dual-module Collaboration-Guided Hierarchical Adaptive Aggregation Framework for Remote Sensing Change Detection [17.445747802237836]
  動的階層的特徴キャリブレーションモジュール(DHFCM)と雑音適応的特徴アライメントモジュール(NAFRM)で構成されるHA2Fを提案する。 実験により、LEVI-CD、WHU-CD、SYSU-CDデータセットにおける最先端性能を実現するHA2Fの有効性が検証された。
  論文  参考訳（メタデータ） (2026-01-23T09:21:11Z)
• RemoteVAR: Autoregressive Visual Modeling for Remote Sensing Change Detection [52.32112533846212]
  リモートセンシングによる変化検出は、環境モニタリングや災害評価といった応用の中心である。 視覚的自己回帰モデルは最近、印象的な画像生成能力を示しているが、画素レベルの識別タスクへの採用は、制御性の弱さ、最適下層予測性能、露出バイアスによって制限されている。 本稿では,これらの制約に対処する新しいVARベースの変化検出フレームワークを提案する。
  論文  参考訳（メタデータ） (2026-01-17T03:50:00Z)
• Morphing Through Time: Diffusion-Based Bridging of Temporal Gaps for Robust Alignment in Change Detection [51.56484100374058]
  既存の変更検出ネットワークを変更することなく空間的・時間的ロバスト性を改善するモジュールパイプラインを導入する。 拡散モジュールは、大きな外観ギャップをブリッジする中間変形フレームを合成し、RoMaは段階的に対応を推定できる。 LEVIR-CD、WHU-CD、DSIFN-CDの実験は、登録精度と下流変化検出の両方において一貫した利得を示した。
  論文  参考訳（メタデータ） (2025-11-11T08:40:28Z)
• DiffRegCD: Integrated Registration and Change Detection with Diffusion Features [74.3102451211493]
  DiffRegCDは、単一のモデルで密度の高い登録と変更検出を統一する統合フレームワークである。 空中(LEVIR-CD, DSIFN-CD, WHU-CD, SYSU-CD)と地上(VL-CMU-CD)のデータセットによる実験は、DiffRegCDが最近のベースラインを一貫して上回っていることを示している。
  論文  参考訳（メタデータ） (2025-11-11T07:32:19Z)
• DC-Mamba: Bi-temporal deformable alignment and scale-sparse enhancement for remote sensing change detection [9.305032436286773]
  ChangeMamba のバックボーン上に構築された "align-then-enhance" フレームワークである DC-Mamba を紹介します。 1 つの軽量なプラグアンドプレイモジュールを統合する:(1) 意味的特徴レベルで空間的不一致を補正するための幾何学的認識を明示的に導入するbi-Temporal Deformable Alignment (BTDA) と、(2) 複数ソースのキューを用いて、最終分類の前にノイズを抑えながら高信頼度変化信号を選択的に増幅するScale-Sparse Change Amplifier (SSCA) である。
  論文  参考訳（メタデータ） (2025-09-19T03:49:23Z)
• Pushing Trade-Off Boundaries: Compact yet Effective Remote Sensing Change Detection [5.686242146196292]
  FlickCDは高速なフリックで素晴らしい結果が得られることを意味し、パフォーマンスとリソースのトレードオフの境界を押し進めます。 FlickCDは、最先端(SOTA)のパフォーマンスを達成しつつ、計算とストレージのオーバーヘッドを1桁以上削減する。
  論文  参考訳（メタデータ） (2025-06-26T09:06:52Z)
• SAAN: Similarity-aware attention flow network for change detection with VHR remote sensing images [41.27207121222832]
  変化検出(CD)は、地球観測領域における陸面のダイナミクスを監視するための基本的かつ重要な課題である。 これらのCD法は通常、重み共有のシームズエンコーダネットワークを用いてバイテンポラル画像の特徴を抽出し、デコーダネットワークを用いて変化領域を同定する。 そこで我々は,効果的な変化検出を実現するために,新たな類似性認識型注意フローネットワーク(SAAN)を提案する。
  論文  参考訳（メタデータ） (2023-08-28T13:35:07Z)

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。