論文の概要: Curriculum-guided Change Detection Training: Toward Accurate Serac Fall Monitoring

• arxiv url: http://arxiv.org/abs/2606.28012v1
• Date: Fri, 26 Jun 2026 12:14:11 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-06-29 18:24:25.481766
• Title: Curriculum-guided Change Detection Training: Toward Accurate Serac Fall Monitoring
• Title（参考訳）: カリキュラム誘導型変化検出トレーニング:正確な血清降下モニタリングに向けて
• Abstract要約: 変化検出(CD)は、ほぼ登録された複数時間画像から意味的または構造的変化を特定することを目的としている。 ほとんどのディープCD法はトレーニング中に一様サンプリングに依存している。 変更検出に適したカリキュラム学習フレームワークを提案する。
• 参考スコア（独自算出の注目度）: 0.3262230127283452
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Change Detection (CD) aims to identify semantic or structural changes from nearly registered multi-temporal images. While recent advances in training methodologies have largely focused on semi-supervised learning and consistency regularization, alternative training paradigms remain underexplored. In particular, most deep CD methods rely on uniform sampling during training, implicitly assuming that all training samples contribute equally to the optimization process. However, such naive sampling can introduce noisy gradients and hinder robust representation learning. To address this limitation, we propose a curriculum learning framework tailored for change detection. Our approach investigates two complementary difficulty measures: the Solar Angular Gap (SAG), a physically grounded proxy for acquisition-condition variability, and the Structural Similarity Index Measure (SSIM), which evaluates appearance similarity between image pairs. Based on these criteria, the framework progressively introduces challenging samples during training, enabling models to learn robust representations in a coarse-to-fine manner. We evaluate our method on the challenging SeracFallDet benchmark, where results demonstrate consistent improvements of the proposed approach over standard uniform-sampling strategies for both pixel-based and object-based approaches. These results highlight the potential of curriculum learning to improve robustness in deep change detection. Importantly, our training framework is orthogonal to existing CD architectures, making it readily applicable to a broad range of methods.
• Abstract（参考訳）: 変化検出(CD)は、ほぼ登録された複数時間画像から意味的または構造的変化を特定することを目的としている。 近年の訓練方法論の進歩は、半教師付き学習と整合性正規化に大きく焦点が当てられているが、代替の訓練パラダイムはいまだ検討されていない。 特に、多くのディープCD法はトレーニング中の一様サンプリングに依存しており、全てのトレーニングサンプルが最適化プロセスに等しく寄与すると暗黙的に仮定している。 しかし、そのような単純サンプリングはノイズのある勾配を導入し、堅牢な表現学習を妨げる。 この制限に対処するために,変更検出に適したカリキュラム学習フレームワークを提案する。 提案手法では,取得条件の変動を物理的に緩和するSolar Angular Gap (SAG) と,画像ペア間の外観類似度を評価する構造類似度指標 (SSIM) の2つの相補的困難度尺度について検討する。 これらの基準に基づいて、このフレームワークは、トレーニング中の挑戦的なサンプルを段階的に導入し、モデルが粗い方法で堅牢な表現を学習できるようにする。 我々は,SeracFallDetベンチマークを用いて,画素ベースおよびオブジェクトベース両方の標準一様サンプリング戦略に対して,提案手法を一貫した改良を行った。 これらの結果は、深い変化検出における堅牢性向上のためのカリキュラム学習の可能性を強調している。 重要なことは、我々のトレーニングフレームワークは既存のCDアーキテクチャと直交しており、幅広い手法に容易に適用できます。

関連論文リスト

• Continual Model Merging with Test-Time Adaptation for Whole-Slide Image Analysis [4.934678371009237]
  モデルマージは、従来の連続学習に代わる実践的な代替手段を提供する。 近年の最先端モデルマージ手法では, 分散シフトに対処するため, テスト時間適応(TTA誘導マージ)を採用している。 本稿では,この手法をリハーサルのない連続的な全スライド画像分類にマッピングするベンチマーク研究を提案する。
  論文  参考訳（メタデータ） (2026-07-06T07:48:00Z)
• Focus When Necessary: Adaptive Routing and Collaborative Grounding for Training-Free Visual Grounding [56.38477453373368]
  LazyMCoTは動的でトレーニング不要なフレームワークで、サンプルの難易度に基づいて視覚的接地作業を適応的に割り当てる。 LazyMCoTは、推論精度を同時に改善し、平均推論レイテンシを低減することで、トレーニングベースのアプローチと競合する。
  論文  参考訳（メタデータ） (2026-06-15T03:17:44Z)
• Implicit Neural Representation-Based Continuous Single Image Super Resolution: An Empirical Study [50.15623093332659]
  入射神経表現(INR)は任意のスケール画像超解像(ASSR)の標準的アプローチとなっている 既存の手法を多様な設定で比較し、複数の画像品質指標に対して集計結果を示す。 トレーニング中, エッジ, テクスチャ, 細部を保存しながら, 強度変化をペナライズする新たな損失関数について検討した。
  論文  参考訳（メタデータ） (2026-01-25T07:09:20Z)
• S2C: Learning Noise-Resistant Differences for Unsupervised Change Detection in Multimodal Remote Sensing Images [24.75086641416994]
  マルチモーダルリモートセンシング(RS)画像における非時間変化検出(UCD)は難しい課題である。 近年のVisual Foundation Models(VFM)とContrastive Learning(CL)方法論の進歩に触発されて,表現中の暗黙的な知識を変化に翻訳するCL方法論の開発を目指す。
  論文  参考訳（メタデータ） (2025-02-18T07:34:54Z)
• Single-temporal Supervised Remote Change Detection for Domain Generalization [42.55492600157288]
  変化検出はリモートセンシング画像解析に広く応用されている。 既存の方法はデータセットごとに個別にトレーニングモデルを必要とする。 本稿では,変化検出領域の一般化のための視覚遅延事前学習に基づくマルチモーダルコントラスト学習(ChangeCLIP)を提案する。
  論文  参考訳（メタデータ） (2024-04-17T12:38:58Z)
• Style Curriculum Learning for Robust Medical Image Segmentation [62.02435329931057]
  深部セグメンテーションモデルは、トレーニングデータセットとテストデータセットの間の画像強度の分散シフトによって、しばしば劣化する。 本稿では,そのような分散シフトが存在する場合に,ロバストなセグメンテーションを確保するための新しいフレームワークを提案する。
  論文  参考訳（メタデータ） (2021-08-01T08:56:24Z)
• An Adaptive Framework for Learning Unsupervised Depth Completion [59.17364202590475]
  カラー画像から高密度深度マップとそれに伴うスパース深度測定を推定する手法を提案する。 正規化とコビジュアライゼーションは、モデルの適合度とデータによって関連付けられており、単一のフレームワークに統合可能であることを示す。
  論文  参考訳（メタデータ） (2021-06-06T02:27:55Z)
• Exploration and Exploitation: Two Ways to Improve Chinese Spelling Correction Models [51.744357472072416]
  本稿では,モデルの弱点を継続的に識別し,より価値の高いトレーニングインスタンスを生成する手法を提案する。 実験結果から, 事前学習戦略と組み合わさって, 複数のCSCモデルの一般化とロバスト性を改善することができることがわかった。
  論文  参考訳（メタデータ） (2021-05-31T09:17:33Z)
• Cross-Domain Similarity Learning for Face Recognition in Unseen Domains [90.35908506994365]
  本研究では,cdt(cross-domain triplet, クロスドメイントリプレット)の損失を推測する新しいクロスドメインメトリック学習損失法を提案する。 CDT損失は、一つのドメインからコンパクトな特徴クラスタを強制することによって意味論的に意味のある特徴の学習を促進する。 本手法では,トレーニング中,注意深いハードペアサンプルマイニングおよびフィルタリング戦略は必要としない。
  論文  参考訳（メタデータ） (2021-03-12T19:48:01Z)
• Progressive Multi-Stage Learning for Discriminative Tracking [25.94944743206374]
  本稿では,頑健な視覚追跡のためのサンプル選択の段階的多段階最適化ポリシを用いた共同識別学習手法を提案する。 提案手法は, 時間重み付き, 検出誘導型セルフペースト学習戦略により, 簡単なサンプル選択を行う。 ベンチマークデータセットの実験では、提案した学習フレームワークの有効性が示されている。
  論文  参考訳（メタデータ） (2020-04-01T07:01:30Z)

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。