Fugu-MT 論文翻訳(概要): On-board Remote-Sensing Foundation Models for Unsupervised Change Detection of Disaster Events

論文の概要: On-board Remote-Sensing Foundation Models for Unsupervised Change Detection of Disaster Events

arxiv url: http://arxiv.org/abs/2606.27018v1
Date: Thu, 25 Jun 2026 13:30:51 GMT
ステータス: 翻訳完了
システム内更新日: 2026-06-26 18:46:32.294439
Title: On-board Remote-Sensing Foundation Models for Unsupervised Change Detection of Disaster Events
Title（参考訳）: 災害イベントの教師なし変化検出のためのオンボードリモートセンシング基礎モデル
Abstract要約: リモートセンシング基礎モデル(RSFM)は、地球観測のための教師付きモデルに代わる強力な代替品として登場した。本稿では,ResNet(RSFM)+FPNに基づく新しい教師なし検出手法を提案する。トレーニングされていないFPNアーキテクチャとその本質的な事前知識を頼りにすることで、最小限の努力で効率的な画像レベルの生成と高解像度マッピングを実現する。
参考スコア（独自算出の注目度）: 0.0
License: http://creativecommons.org/licenses/by-sa/4.0/
Abstract: Remote Sensing Foundation Models (RSFMs) have emerged as a powerful alternative to supervised models for Earth Observation, allowing satellites to autonomously trigger high-resolution captures or adjust tasking parameters upon detecting an anomaly, thereby maximizing the utility of the mission's limited power and computational resources. RSFMs are versatile, unified encoders that optimize onboard storage for multiple orbital applications while ensuring high-fidelity feature extraction. In particular, unsupervised change detection with RSFMs offers a well-informed and transformative path for disaster monitoring without expensive labels. In this paper, we present a novel unsupervised detection method based on ResNet (RSFM) + FPN which identifies a wide spectrum of anomalies by detecting subtle semantic shifts in the latent space between successive orbital passes. By relying on an untrained FPN architecture and its intrinsic priors, the system achieves efficient image-level generation and higher resolution mapping with minimal effort (training-free) compared to previous proposals (patch-based, trained). And by replacing tailored models with RSFMs, we can achieve comparable results through an approach that eliminates the need for bespoke training and extensive development effort and adds customization, while ensuring high-performance generalization across diverse terrains and sensors.
Abstract（参考訳）: リモートセンシング基礎モデル(RSFM)は、地球観測のための教師付きモデルの強力な代替品として登場しており、衛星は異常を検出する際に、自律的に高解像度のキャプチャーをトリガーしたり、タスクパラメータを調整することができ、ミッションの限られたパワーと計算資源の有用性を最大化することができる。 RSFMは多目的で統一されたエンコーダであり、高忠実な特徴抽出を確保しつつ、複数のオービタルアプリケーションのためのオンボードストレージを最適化する。特に、RSFMによる教師なしの変更検出は、高価なラベルを使わずに、災害監視のための、十分にインフォームドされ、変革的な経路を提供する。本稿では,ResNet(RSFM)+FPNに基づく新しい教師なし検出手法を提案する。トレーニングされていないFPNアーキテクチャとその本質的な事前知識を頼りにすることで、従来の提案(パッチベース、トレーニング済み)と比較して、最小限の努力(トレーニングなし)で効率的な画像レベルの生成と高解像度マッピングを実現する。そして、調整されたモデルをRSFMに置き換えることで、様々な地形やセンサーをまたいだ高性能な一般化を確保しつつ、より広範な開発努力とカスタマイズを不要にするアプローチによって、同等の結果を得ることができる。

関連論文リスト

ASFR-Net: Adversarial Alignment and Spatio-Frequency Refinement Network for Heterogeneous Remote Sensing Image Change Detection [16.766607258562992]
リモートセンシング画像における異種変化検出のための新しい対向周波数ネットワーク(ASFR-Net)を提案する。学習者(MIRLearn-er)は、バックボーンをガイドして固有のモダリティ不変の特徴を抽出し、主要なドメインギャップを効果的にブリッジする。 SFEMは、空間領域において識別が難しいセンサ固有のノイズやアーティファクトを特定し、抑制する。 VisNIR-HCDデータセットは、知覚的な視覚的類似性と非線形スペクトル反転から生じるユニークな科学的課題を示す。
論文参考訳（メタデータ） (2026-07-08T08:52:59Z)
Exploring Multimodal Prompts For Unsupervised Continuous Anomaly Detection [12.745823680495887]
マルチモーダルプロンプトに基づく教師なし連続異常検出フレームワークを提案する。具体的には,CMPMB(Continuous Multimodal Prompt Memory Bank)を提案する。また, 適応正規化モジュール (ANM) と動的融合戦略 (DFS) を統合し, 検出精度と対向ロバスト性を両立させるDefect-Semantic-Guided Adaptive Fusion Mechanism (DSG-AFM) を考案した。
論文参考訳（メタデータ） (2026-03-23T04:33:11Z)
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)
Diffuse to Detect: A Generalizable Framework for Anomaly Detection with Diffusion Models Applications to UAVs and Beyond [2.4449457537548036]
UAVセンサーの読み取りなどの複雑な高次元データにおける異常検出は、運用上の安全性に不可欠である。本稿では,拡散モデルを適用して異常検出を行うDiffuse to Detect(DTD)フレームワークを提案する。 DTDは1ステップの拡散プロセスを用いてノイズパターンを予測し、再構成エラーのない異常の迅速かつ正確な同定を可能にする。
論文参考訳（メタデータ） (2025-10-27T02:08:08Z)
Source-Free Object Detection with Detection Transformer [59.33653163035064]
Source-Free Object Detection (SFOD) は、ソースデータにアクセスすることなく、ソースドメインから教師なしのターゲットドメインへの知識転送を可能にする。ほとんどの既存のSFODアプローチは、より高速なR-CNNのような従来のオブジェクト検出(OD)モデルに限られるか、新しいODアーキテクチャ、特に検出変換器(DETR)に適合しない一般的なソリューションとして設計されている。本稿では,DTRのクエリ中心の機能強化を特化して設計された新しいSFODフレームワークであるFeature Reweighting ANd Contrastive Learning NetworK(FRANCK)を紹介する。
論文参考訳（メタデータ） (2025-10-13T07:35:04Z)
VFM-Guided Semi-Supervised Detection Transformer under Source-Free Constraints for Remote Sensing Object Detection [9.029534000674388]
VG-DETRは、Vision Foundation Model(VFM)を「フリーランチ」方法でトレーニングパイプラインに統合する。擬似ラベルの信頼性を評価するために,VFMのセマンティックな事前情報を利用した擬似ラベルマイニング手法を提案する。さらに,デュアルレベルのVFM誘導アライメント手法を提案し,インスタンスレベルと画像レベルでのVFM埋め込みと検出器特性を一致させる。
論文参考訳（メタデータ） (2025-08-15T02:35:56Z)
FreeGAD: A Training-Free yet Effective Approach for Graph Anomaly Detection [54.576802512108685]
Graph Anomaly Detection (GAD)は、グラフ内の多数から逸脱するノードを特定することを目的としている。既存のアプローチは、複雑でリソース集約的なトレーニングプロセスのために、高デプロイメントコストとスケーラビリティの不足に悩まされることが多い。新たなGAD法であるFreeGADを提案する。
論文参考訳（メタデータ） (2025-08-14T12:37:20Z)
Robust Distribution Alignment for Industrial Anomaly Detection under Distribution Shift [51.24522135151649]
異常検出は産業アプリケーションの品質管理において重要な役割を担っている。既存の方法は、一般化可能なモデルをトレーニングすることで、ドメインシフトに対処しようとする。提案手法は,最先端の異常検出法や領域適応法と比較して,優れた結果を示す。
論文参考訳（メタデータ） (2025-03-19T05:25:52Z)
Feature Attenuation of Defective Representation Can Resolve Incomplete Masking on Anomaly Detection [1.0358639819750703]
教師なし異常検出(UAD)研究では、計算効率が高くスケーラブルなソリューションを開発する必要がある。再建・塗り替えのアプローチを再考し、強みと弱みを分析して改善する。異常再構成の特徴情報を減衰させる2つの層のみを用いるFADeR(Feature Attenuation of Defective Representation)を提案する。
論文参考訳（メタデータ） (2024-07-05T15:44:53Z)
Generating and Reweighting Dense Contrastive Patterns for Unsupervised Anomaly Detection [59.34318192698142]
我々は、先行のない異常発生パラダイムを導入し、GRADと呼ばれる革新的な教師なし異常検出フレームワークを開発した。 PatchDiffは、様々な種類の異常パターンを効果的に公開する。 MVTec ADとMVTec LOCOデータセットの両方の実験も、前述の観測をサポートする。
論文参考訳（メタデータ） (2023-12-26T07:08:06Z)
DiAD: A Diffusion-based Framework for Multi-class Anomaly Detection [55.48770333927732]
本稿では,拡散型異常検出(Difusion-based Anomaly Detection, DAD)フレームワークを提案する。画素空間オートエンコーダ、安定拡散の復調ネットワークに接続する潜在空間セマンティックガイド(SG)ネットワーク、特徴空間事前学習機能抽出器から構成される。 MVTec-ADとVisAデータセットの実験は、我々のアプローチの有効性を実証している。
論文参考訳（メタデータ） (2023-12-11T18:38:28Z)

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。