論文の概要: Dual-Selective Network for Domain-Incremental Change Detection
- arxiv url: http://arxiv.org/abs/2607.02299v1
- Date: Thu, 02 Jul 2026 15:17:36 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-07-03 19:45:08.898283
- Title: Dual-Selective Network for Domain-Incremental Change Detection
- Title（参考訳）: ドメイン・インクリメンタル・チェンジ検出のためのデュアル選択ネットワーク
- Abstract要約: ドメイン・インクリメンタル・チェンジ検出(DICD)は、事前の知識を維持しながら、モデルを新しい地理的領域に継続的に適応させる。
リプレイベースや正規化ベースのメソッドのような既存の戦略は、長いドメインシーケンスにスケールできないことが多い。
視覚状態空間モデルに基づく統合フレームワークであるDual-Selective Incremental Network (DSINet)を提案する。
- 参考スコア（独自算出の注目度）: 9.619143785636433
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Domain-incremental change detection (DICD) continuously adapts models to new geographic domains while preserving prior knowledge. However, a structural mismatch exists: the label space remains fixed while domain characteristics vary drastically. Consequently, incremental models struggle to maintain stable spatial change representations across domains. Existing strategies, such as replay-based or regularization-based methods, often fail to scale to long domain sequences, leading to knowledge degradation or increased computational cost. We propose Dual-Selective Incremental Network (DSINet), a unified framework built on visual state space models. DSINet leverages Mamba's input-dependent selective mechanism through a selective spatial state unit (S3U). This unit preserves stable spatial change structures while filtering domain-specific variations during feature propagation. As a result, spatial representations remain stable across domains, preventing the accumulation of feature confusion over incremental steps. Additionally, we employ a concentration-balanced distillation (CBD) strategy to stabilize knowledge transfer across domains. It balances hardness and confidence concentration effects during incremental updates. This ensures reliable probability mass allocation and prevents over-smoothing or mode collapse during distillation. Together, these mechanisms maintain stable learning dynamics throughout incremental stages. Experimental results demonstrate that DSINet mitigates knowledge degradation across long domain sequences while maintaining the linear computational efficiency of state space models.
- Abstract（参考訳）: ドメイン・インクリメンタル・チェンジ検出(DICD)は、事前の知識を維持しながら、モデルを新しい地理的領域に継続的に適応させる。
しかし、構造的なミスマッチが存在し、ラベル空間は固定され、ドメインの特性は大幅に変化する。
その結果、インクリメンタルモデルは領域間の安定な空間変化表現を維持するのに苦労する。
リプレイベースや正規化ベースの方法のような既存の戦略は、しばしば長いドメインシーケンスにスケールできないため、知識の劣化や計算コストの増大につながる。
視覚状態空間モデルに基づく統合フレームワークであるDual-Selective Incremental Network (DSINet)を提案する。
DSINetは、選択空間状態ユニット(S3U)を介して、Mambaの入力依存選択機構を利用する。
このユニットは、特徴伝搬中に領域固有の変動をフィルタリングしながら、安定した空間変化構造を保存する。
その結果、空間表現は領域全体で安定であり、漸進的なステップによる特徴混乱の蓄積を防ぐことができる。
さらに、ドメイン間の知識伝達を安定させるために、濃度バランス蒸留(CBD)戦略を用いる。
インクリメンタルアップデート時の硬さと信頼性の集中効果のバランスをとる。
これにより、信頼性の高い質量割り当てが保証され、蒸留中に過度なスムース化やモード崩壊が防止される。
これらのメカニズムは漸進的な段階を通して安定した学習力学を維持している。
実験により、DSINetは状態空間モデルの線形計算効率を維持しながら、長い領域列にわたる知識劣化を緩和することを示した。
関連論文リスト
- Dual-Stage Invariant Continual Learning under Extreme Visual Sparsity [8.16821029459195]
背景駆動の勾配は、連続的なドメインシフトの間、機能のバックボーンを不安定にすることを示す。
連成蒸留による二段階不変連続学習フレームワークを提案する。
高分解能空間ベース RSO 検出データセットの実験は、確立された連続物体検出法よりも一貫した改善を示す。
論文 参考訳（メタデータ） (2026-03-27T09:03:49Z) - Granular Ball Guided Stable Latent Domain Discovery for Domain-General Crowd Counting [19.18297173252027]
そこで本研究では,一般群集カウントのためのグラニュラーボールガイド型安定潜時ドメイン探索フレームワークを提案する。
提案手法はまず, サンプルをコンパクトな局所粒状球体に分類し, 擬似ドメインを推論する代表として粒状球体をクラスタ化する。
検出された潜在ドメインの上に,伝達可能な意味表現を改善する2分岐学習フレームワークを開発する。
論文 参考訳（メタデータ） (2026-03-25T09:12:35Z) - Progressive Split Mamba: Effective State Space Modelling for Image Restoration [19.506549697690396]
最近の状態空間モデル(SSM)は、長距離依存性モデリングの魅力的な線形時間代替を提供する。
PS-Mamba(PS-Mamba)は、局所性保存と効率的なグローバルな伝播を両立させるために設計されたトポロジ対応の階層的状態空間フレームワークである。
超解像、デノイング、JPEGアーティファクトの大幅な削減に関する実験は、最近のMambaベースおよび注目ベースモデルに対して、明確なマージンを持つ一貫した改善を示している。
論文 参考訳（メタデータ） (2026-03-10T04:19:52Z) - MEMTS: Internalizing Domain Knowledge via Parameterized Memory for Retrieval-Free Domain Adaptation of Time Series Foundation Models [51.506429027626005]
Memory for Time Series (MEMTS) は、時系列予測における検索不要領域適応のための軽量かつプラグアンドプレイ方式である。
MEMTSの鍵となるコンポーネントは知識永続化モジュール(KPM)であり、ドメイン固有の時間力学を内部化する。
このパラダイムシフトにより、MEMTSは定数時間推論とニアゼロレイテンシによる正確なドメイン適応を実現することができる。
論文 参考訳（メタデータ） (2026-02-14T14:00:06Z) - SfMamba: Efficient Source-Free Domain Adaptation via Selective Scan Modeling [60.860172819390954]
ソースフリードメイン適応(SFDA)は、未ラベルのターゲットドメインにソースプレトレーニングされたモデルを適用するという課題に取り組む。
我々はSfMambaというフレームワークを提案し、ソースフリーモデル転送における安定した依存性について検討する。
論文 参考訳（メタデータ） (2026-01-13T14:53:47Z) - Simulating Distribution Dynamics: Liquid Temporal Feature Evolution for Single-Domain Generalized Object Detection [58.25418970608328]
Single-Domain Generalized Object Detection (Single-DGOD)は、あるソースドメインで訓練された検出器を複数の未知のドメインに転送することを目的としている。
シングルDGODの既存の方法は通常、データの多様性を拡大するために離散的なデータ拡張や静的摂動法に依存している。
そこで本研究では,ソース領域から潜伏分布のシミュレーションに至るまでの機能の進化をシミュレートする手法を提案する。
論文 参考訳（メタデータ） (2025-11-13T03:10:39Z) - 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) - Time Series Domain Adaptation via Latent Invariant Causal Mechanism [28.329164754662354]
時系列領域適応は、ラベル付けされたソースドメインからラベル付けされていないターゲットドメインに複雑な時間依存性を転送することを目的としている。
近年の進歩は、観測変数に対する安定した因果機構を利用して、ドメイン不変時間依存をモデル化している。
しかし、ビデオのような高次元データにおける正確な因果構造をモデル化することは依然として困難である。
論文 参考訳（メタデータ） (2025-02-23T16:25:58Z) - Discrete Variational Attention Models for Language Generation [51.88612022940496]
本稿では,言語における離散性に起因する注意機構のカテゴリー分布を考慮した離散的変動注意モデルを提案する。
離散性の特質により,提案手法の訓練は後部崩壊に支障を来さない。
論文 参考訳（メタデータ） (2020-04-21T05:49:04Z) - Towards Stable and Comprehensive Domain Alignment: Max-Margin
Domain-Adversarial Training [38.12978698952838]
適応再構成ネットワーク(ARN)を設計し,MDAT(Max-margin Domain-Adversarial Training)を提案する。
ARNは、余分なネットワーク構造を伴わずに、機能レベルとピクセルレベルのドメインアライメントを実行する。
我々のアプローチは、他の最先端のドメインアライメント手法よりも優れています。
論文 参考訳（メタデータ） (2020-03-30T07:48:52Z)
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。