論文の概要: Zero-OVCD: Bridging Training-Free Foundation Models and Pseudo-Label Learning for Open-Vocabulary Change Detection

• arxiv url: http://arxiv.org/abs/2608.11663v1
• Date: Wed, 12 Aug 2026 05:10:40 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-08-13 19:07:54.472294
• Title: Zero-OVCD: Bridging Training-Free Foundation Models and Pseudo-Label Learning for Open-Vocabulary Change Detection
• Title（参考訳）: Zero-OVCD:オープン語彙変化検出のためのブリッジング学習自由基礎モデルと擬似ラベル学習
• Authors: Daifeng Peng, Yuanke Peng, Haiyan Guan,
• Abstract要約: 対象ドメインからのピクセルレベルのアノテーションを必要としない2段階フレームワークであるZero-OVCDを提案する。 生成された擬似ラベルを用いて変化検出装置を訓練する。 LEVIR-CD、WHU-CD、S2では、ステージIが86.25%、85.82%、50.48%、ステージIIが88.65%、88.85%、57.96%となっている。
• 参考スコア（独自算出の注目度）: 3.129235620125153
• License: http://creativecommons.org/licenses/by-nc-nd/4.0/
• Abstract: Open-vocabulary change detection (OVCD) enables the identification of user-specified land-cover changes in bitemporal remote sensing images, but existing training-free pipelines remain vulnerable to inaccurate candidate masks, ambiguous semantic assignments, and accumulated inference errors. To address these issues, we propose Zero-OVCD, a two-stage framework that requires no pixel-level annotations from the target domain. In the first stage, high-quality change pseudo-labels are generated through complementary candidate-mask refinement, multiscale semantic similarity fusion with margin-based reliability filtering, and response-guided mask correction and completion. These components jointly suppress noisy candidates, enhance mask-level semantic discrimination, and recover missed change regions. In the second stage, a change detector is trained using the generated pseudo-labels, while checkpoint voting and high-agreement sample selection are introduced to mitigate residual pseudo-label noise. On LEVIR-CD, WHU-CD, and S2Looking, Stage I achieves F1 scores of 86.25%, 85.82%, and 50.48%, while Stage II further improves them to 88.65%, 88.85%, and 57.96%, respectively. On SECOND, the macro-average F1 across six category-wise one-vs-rest tasks increases from 47.91% to 50.92%. These results demonstrate that bridging training-free foundation-model inference with noise-aware pseudo-label learning provides an effective solution for open-vocabulary change detection without target-domain pixel-level annotations. Code will be available at https://github.com/1321663019/Zero-OVCD.
• Abstract（参考訳）: Open-vocabulary Change Detection (OVCD)は、バイテンポラルリモートセンシング画像におけるユーザ指定の土地被覆変化の識別を可能にするが、既存のトレーニング不要パイプラインは、不正確なマスク、曖昧なセマンティック代入、蓄積された推論エラーに対して脆弱である。 これらの問題に対処するため、ターゲットドメインからのピクセルレベルのアノテーションを必要としない2段階フレームワークであるZero-OVCDを提案する。 第1段階では、補完的な候補マスクの改良、マージンベースの信頼性フィルタリングによるマルチスケールセマンティックな類似性融合、応答誘導マスクの修正と完成により、高品質な変更擬似ラベルが生成される。 これらのコンポーネントは、ノイズのある候補を共同で抑制し、マスクレベルのセマンティック識別を強化し、欠落した変更領域を回復する。 第2段階では、生成された擬似ラベルを用いて変更検出装置を訓練し、残留擬似ラベルノイズを軽減するためにチェックポイント投票と高集積サンプル選択を導入する。 LEVIR-CD、WHU-CD、S2では、ステージIが86.25%、85.82%、50.48%、ステージIIが88.65%、88.85%、57.96%となっている。 SECONDでは、6つのカテゴリ単位の1-vs-restタスクのマクロ平均F1は47.91%から50.92%に増加した。 これらの結果から,雑音を意識した擬似ラベル学習を用いたブリッジフリー基礎モデル推論が,ターゲットドメインレベルのアノテーションを使わずに,オープン語彙変化検出に有効な解となることが示唆された。 コードはhttps://github.com/1321663019/Zero-OVCDで入手できる。

関連論文リスト

• 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)
• Spatially Selective Self-Training for Unsupervised Building Change Detection [8.884818023657276]
  教師なしの建物変更検出は、ラベルなしの双方向リモートセンシング画像から建築変更マスクを学習することを目的としている。 SST-CDは空間選択的自己学習フレームワークであり、完全なラベルなしの建物変更検出をエンドツーエンドの検出器学習として再構成する。 実験の結果、SST-CDはF1スコアの83.08%、91.69%、86.60%を達成し、既存の教師なしベースラインとラベルなしベースラインを上回った。
  論文  参考訳（メタデータ） (2026-06-09T12:31:16Z)
• AdaSemiCD: An Adaptive Semi-Supervised Change Detection Method Based on Pseudo-Label Evaluation [0.0]
  擬似ラベルの使用を改善するための適応型動的半教師付き学習手法であるAdaCDを提案し,学習過程を最適化する。 LEVIR-CD, WHU-CD, CDDデータセットによる実験結果から, 適応学習フレームワークの有効性と普遍性を検証した。
  論文  参考訳（メタデータ） (2024-11-12T12:35:34Z)
• Adaptive Face Recognition Using Adversarial Information Network [57.29464116557734]
  顔認識モデルは、トレーニングデータがテストデータと異なる場合、しばしば退化する。 本稿では,新たな敵情報ネットワーク(AIN)を提案する。
  論文  参考訳（メタデータ） (2023-05-23T02:14:11Z)
• Ambiguity-Resistant Semi-Supervised Learning for Dense Object Detection [98.66771688028426]
  本研究では,一段階検出器のためのAmbiguity-Resistant Semi-supervised Learning (ARSL)を提案する。 擬似ラベルの分類とローカライズ品質を定量化するために,JCE(Joint-Confidence Estimation)を提案する。 ARSLは、曖昧さを効果的に軽減し、MS COCOおよびPASCALVOC上で最先端のSSOD性能を達成する。
  論文  参考訳（メタデータ） (2023-03-27T07:46:58Z)
• Exploiting Completeness and Uncertainty of Pseudo Labels for Weakly Supervised Video Anomaly Detection [149.23913018423022]
  弱教師付きビデオ異常検出は、ビデオレベルのラベルのみを用いて、ビデオ内の異常事象を特定することを目的としている。 2段階の自己学習法は擬似ラベルの自己生成によって著しく改善されている。 本稿では,自己学習のための完全性と不確実性を利用した強化フレームワークを提案する。
  論文  参考訳（メタデータ） (2022-12-08T05:53:53Z)
• Delving into Probabilistic Uncertainty for Unsupervised Domain Adaptive Person Re-Identification [54.174146346387204]
  ドメイン適応型人物再識別のための確率的不確実性誘導プログレッシブラベル精錬(P$2$LR)という手法を提案する。 擬似ラベルの不確実性を測定し、ネットワークトレーニングを容易にする定量的基準を確立する。 本手法はDuke2Marketタスクではベースラインが6.5%,Market2MSMTタスクでは2.5%,最先端手法では2.5%を上回った。
  論文  参考訳（メタデータ） (2021-12-28T07:40:12Z)
• Dual-Refinement: Joint Label and Feature Refinement for Unsupervised Domain Adaptive Person Re-Identification [51.98150752331922]
  Unsupervised Domain Adaptive (UDA) Person Re-identification (再ID) は、ターゲットドメインデータのラベルが欠落しているため、難しい作業です。 オフラインクラスタリングフェーズにおける擬似ラベルとオンライントレーニングフェーズにおける特徴を共同で改良する,デュアルリファインメントと呼ばれる新しいアプローチを提案する。 本手法は最先端手法を大きなマージンで上回っている。
  論文  参考訳（メタデータ） (2020-12-26T07:35:35Z)
• Improving Face Recognition by Clustering Unlabeled Faces in the Wild [77.48677160252198]
  極値理論に基づく新しいアイデンティティ分離法を提案する。 重なり合うラベルノイズによる問題を大幅に低減する。 制御された設定と実際の設定の両方の実験は、我々のメソッドの一貫性のある改善を示している。
  論文  参考訳（メタデータ） (2020-07-14T12:26:50Z)

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。