Fugu-MT 論文翻訳(概要): Learning Semantic-Robust Change Detection via Semantic-Invariant Self-Distillation

論文の概要: Learning Semantic-Robust Change Detection via Semantic-Invariant Self-Distillation

arxiv url: http://arxiv.org/abs/2607.19000v1
Date: Tue, 21 Jul 2026 11:33:11 GMT
ステータス: 翻訳完了
システム内更新日: 2026-07-22 19:05:05.415672
Title: Learning Semantic-Robust Change Detection via Semantic-Invariant Self-Distillation
Title（参考訳）: セマンティック不変自己蒸留によるセマンティック・ロバスト変化検出の学習
Abstract要約: SCDistillは意味的不変な自己蒸留を通じて意味論的不正な変化検出を学習するためのフレームワークである。複数のセマンティックチェンジ検出ベンチマークで最先端のパフォーマンスを実現し、バイナリチェンジ検出やキャプション変更タスクへの強力な一般化を示す。
参考スコア（独自算出の注目度）: 16.080049512272026
License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
Abstract: Change detection aims to identify semantic changes between remote sensing images. However, features from models are easily disturbed by non-semantic variations, such as illumination, shadows, and atmospheric changes, leading to false alarms and limited generalization in real-world scenarios. In this paper, we propose \textbf{SCDistill}, a framework for learning semantic-robust change detection via semantic-invariant self-distillation. First, to strengthen semantic consistency, we introduce a semantic-invariant self-distillation strategy that learns semantic robustness from perturbed yet semantically consistent data, empowering the change detector to extract disturbance-resistant features and achieve more reliable and accurate semantic change identification. Second, to expand paired data with non-semantic variations, we design a diffusion-based perturbation simulation pipeline that synthesizes complex environmental changes, enabling the model to explicitly learn to distinguish semantic changes from appearance-level fluctuations and reduce false alarms caused by non-semantic disturbances. These components promote robustness from data and representation perspectives, leading to synergistic performance gains. Extensive experiments demonstrate that SCDistill achieves state-of-the-art performance on multiple semantic change detection benchmarks and exhibits strong generalization to binary change detection and change captioning tasks. Code is accessible at https://github.com/elecreak/SCDistill.
Abstract（参考訳）: 変化検出は、リモートセンシング画像間の意味的変化を特定することを目的としている。しかし、モデルの特徴は照明、影、大気の変化といった非意味的な変化によって容易に妨げられ、現実のシナリオでは誤報や限定的な一般化をもたらす。本稿では,意味的不変な自己蒸留による意味的ロバスト変化検出を学習するフレームワークである「textbf{SCDistill}」を提案する。まず,意味的整合性を高めるために,意味的不変な自己蒸留戦略を導入し,意味的整合性のあるデータから意味的ロバスト性を学習し,変化検出器が耐障害性のある特徴を抽出し,より信頼性が高く正確な意味的変化の同定を実現する。第2に,非意味的変動を伴うペアデータを拡張するために,複雑な環境変化を合成する拡散型摂動シミュレーションパイプラインを設計し,外見レベルの変動と意味的変化を明確に区別し,非意味的乱れによる誤報を低減する。これらのコンポーネントはデータと表現の観点から堅牢性を促進し、シナジスティックなパフォーマンス向上につながります。大規模な実験により、SCDistillは複数の意味変化検出ベンチマークで最先端のパフォーマンスを達成し、バイナリ変化検出やキャプション変更タスクへの強力な一般化を示す。コードはhttps://github.com/elecreak/SCDistill.comからアクセスできる。

関連論文リスト

MLLM-Guided Semantic Correction for Text-to-Video Generation [66.7723669725808]
マルチモーダルな大規模言語モデルフィードバックを統合した,トレーニングフリーで解釈可能な中間世代補正フレームワークを提案する。セマンティック・アセスメント・スーパーバイザ (Semantic Assessment Supervisor) とセマンティック・アセスメント・アシスタント (Semantic Modification Assistant) という,セマンティック・アセスメント・スーパーバイザ (Semantic Assessment Supervisor) の2つの重要なモジュールを提案する。本手法は, モデルパラメータを変更することなく, セマンティックアライメント, 視覚的忠実度, 時間的一貫性を改善する。
論文参考訳（メタデータ） (2026-08-17T12:54:10Z)
ReA-OVCD: Reliability-Aware Open-Vocabulary Change Detection via Semantic and Spatial Refinement [8.855406881644702]
本稿では, 信頼性に配慮したオープンボキャブラリ変化検出フレームワークを提案する。まず、ピクセル単位のセマンティックな違いから候補変更領域を導出し、フレキシブルで詳細なローカライゼーションを保証する。次に、意味的視点と空間的視点の両方から変化の妥当性を明示的にモデル化するための協調的な改善戦略を導入する。
論文参考訳（メタデータ） (2026-06-18T10:05:45Z)
HiSem: Hierarchical Semantic Disentangling for Remote Sensing Image Change Captioning [30.51174005122181]
リモートセンシング画像変化キャプション(RSICC)は、両時間画像間の真の変化の高レベルなセマンティック理解を実現することを目的としている。既存の手法は、共有モデリングの前提によって根本的に制限されている。本稿では,異なる粒度のセマンティック表現を明示的に切り離す階層型セマンティックディスタングルネットワーク(HiSem)を提案する。
論文参考訳（メタデータ） (2026-05-14T16:23:16Z)
Referring Change Detection in Remote Sensing Imagery [49.841833753558575]
本稿では、自然言語のプロンプトを利用してリモートセンシング画像の変化の特定のクラスを検出するReferring Change Detection (RCD)を紹介する。我々は, (I) textbfRCDNet, (II) textbfRCDGen, (II) 拡散型合成データ生成パイプラインからなる2段階のフレームワークを提案する。
論文参考訳（メタデータ） (2025-12-12T16:57:12Z)
Detect Changes like Humans: Incorporating Semantic Priors for Improved Change Detection [52.62459671461816]
本稿では,視覚基盤モデルからのセマンティックな先入観を取り入れ,変化を検出する能力の向上について検討する。人間の視覚パラダイムにインスパイアされた新しいデュアルストリーム特徴デコーダは、意味認識特徴と差認識特徴を組み合わせることで変化を区別するために導出される。
論文参考訳（メタデータ） (2024-12-22T08:27:15Z)
Evaluating Semantic Variation in Text-to-Image Synthesis: A Causal Perspective [50.261681681643076]
本稿では,SemVarEffectとSemVarBenchというベンチマークを用いて,テキスト・画像合成における入力のセマンティックな変化と出力の因果性を評価する。本研究は,T2I合成コミュニティによるヒューマンインストラクション理解の探索を促進する効果的な評価枠組みを確立する。
論文参考訳（メタデータ） (2024-10-14T08:45:35Z)
PseudoNeg-MAE: Self-Supervised Point Cloud Learning using Conditional Pseudo-Negative Embeddings [55.55445978692678]
PseudoNeg-MAEは、ポイントクラウドマスマスキングオートエンコーダのグローバルな特徴表現を強化する。本研究では,ネットワークが識別的表現を保ちながら,よりリッチな変換キューをキャプチャできる新たな損失を提案する。
論文参考訳（メタデータ） (2024-09-24T07:57:21Z)
Hierarchical Attention Diffusion Networks with Object Priors for Video Change Detection [0.0]
本稿では,インスタンスレベルのマスキング,デノナイズ拡散モデル内のマルチスケールアテンション,ピクセル単位のセマンティック分類を組み合わせた一元的変更検出パイプラインを提案する。従来の違い、シームズCNN、GANベースの検出器をF1とIoUで10-25ポイント上回っている。
論文参考訳（メタデータ） (2024-08-20T07:54:08Z)
Align, Perturb and Decouple: Toward Better Leverage of Difference Information for RSI Change Detection [24.249552791014644]
変化検出は、リモートセンシング画像(RSI)解析において広く採用されている手法である。そこで我々は,アライメント,摂動,デカップリングといった差分情報を完全に活用するための一連の操作を提案する。
論文参考訳（メタデータ） (2023-05-30T03:39:53Z)
ContraFeat: Contrasting Deep Features for Semantic Discovery [102.4163768995288]
StyleGANは、アンタングル化セマンティックコントロールの強い可能性を示している。 StyleGANの既存の意味発見手法は、修正された潜在層を手作業で選択することで、良好な操作結果が得られる。本稿では,このプロセスを自動化し,最先端のセマンティック発見性能を実現するモデルを提案する。
論文参考訳（メタデータ） (2022-12-14T15:22:13Z)
Joint Spatio-Temporal Modeling for the Semantic Change Detection in Remote Sensing Images [22.72105435238235]
両時間RSI間の「から」意味遷移を明示的にモデル化するための意味変化(SCanFormer)を提案する。次に,SCDタスクに忠実な Transformer 時間制約を活用する意味学習手法を導入し,意味変化の学習を指導する。結果として得られたネットワーク(SCanNet)は、決定的意味変化の検出と、得られた両時間的結果のセマンティック一貫性の両方において、ベースライン法より優れている。
論文参考訳（メタデータ） (2022-12-10T08:49:19Z)

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。