Fugu-MT 論文翻訳(概要): On the Adversarial Robustness of Remote Sensing Semantic Change Detection

論文の概要: On the Adversarial Robustness of Remote Sensing Semantic Change Detection

arxiv url: http://arxiv.org/abs/2608.15267v1
Date: Sat, 15 Aug 2026 15:02:42 GMT
ステータス: 翻訳完了
システム内更新日: 2026-08-18 19:59:03.244235
Title: On the Adversarial Robustness of Remote Sensing Semantic Change Detection
Title（参考訳）: リモートセンシングによる意味変化検出の逆ロバスト性について
Abstract要約: 意味的変化検出(SCD)は、変化領域とその変化前後の意味状態を共同で識別するバイテンポラル密度予測タスクである。本稿では,入力側時間摂動アクセスから出力側攻撃目標を分離するタスク固有評価フレームワークを提案する。実験により、二分的変化の局所化が比較的安定である場合でも、最終的な意味変化予測が著しく悪化することが示された。
参考スコア（独自算出の注目度）: 19.4097466391406
License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
Abstract: Semantic change detection (SCD) is a bitemporal dense-prediction task that jointly identifies changed regions and their semantic states before and after change. Unlike single-image segmentation or binary change detection, SCD couples two temporal inputs with timestamp-wise semantic prediction, change localization, and final semantic-change decoding, creating adversarial dependencies that are not captured by conventional robustness protocols. We present a task-specific evaluation framework that separates output-side attack objectives from input-side temporal perturbation access, enabling systematic analysis of component vulnerability and cross-temporal propagation. Experiments on four datasets and six representative CNN-, Transformer-, and state-space-based models evaluate component-level and temporal objectives, single- and dual-timestamp perturbations, multiple attack methods, and cross-architecture transferability. The results show that final semantic-change predictions can be severely corrupted even when binary change localization remains comparatively stable, and that perturbations or attack objectives associated with one timestamp can propagate to the prediction of the other. These behaviors occur across different architecture families, while direct cross-model transfer remains considerably weaker than white-box attacks. The study demonstrates that adversarial robustness in SCD depends on the complete bitemporal prediction pathway rather than on an individual branch or backbone family, and provides a structured protocol for evaluating robustness in coupled bitemporal image analysis. Code is available at https://github.com/EricYu97/AdvSCD.
Abstract（参考訳）: 意味的変化検出(SCD)は、変化領域とその変化前後の意味状態を共同で識別するバイテンポラル密度予測タスクである。シングルイメージのセグメンテーションやバイナリな変更検出とは異なり、SCDは2つの時間的入力をタイムスタンプ的なセマンティックな予測、変更のローカライゼーション、最終的なセマンティック・チェンジ・デコーディングで結合し、従来のロバストネスプロトコルでは捉えられない敵の依存関係を生成する。本稿では,入力側時間摂動アクセスから出力側攻撃目標を分離するタスク固有評価フレームワークを提案する。 4つのデータセットと6つの代表的CNN-、Transformer-、State-space-basedモデルによる実験は、コンポーネントレベルと時間的目的、シングルタイムとデュアルタイムスタンプの摂動、複数アタックメソッド、アーキテクチャ間の転送可能性を評価する。その結果、二分的変化の局所化が比較的安定な場合でも、最終的な意味変化予測は著しく悪化し、一方のタイムスタンプに関連する摂動や攻撃目標が他方の予測に伝播することを示した。これらの振舞いは異なるアーキテクチャファミリ間で起こるが、直接クロスモデル転送はホワイトボックス攻撃よりもかなり弱いままである。本研究は,SCDにおける対向的ロバスト性は,個々の枝や背骨ではなく,完全なバイテンポラル予測経路に依存していることを示し,結合したバイテンポラル画像解析におけるロバスト性を評価するための構造化プロトコルを提供する。コードはhttps://github.com/EricYu97/AdvSCDで入手できる。

関連論文リスト

Digital Twin Degradation: Detecting Cyber Physical Attacks via Temporal Inconsistencies [0.0]
本稿では,物理的システムと潜在的に劣化するDTビュー間の時間的一貫性をモニタリングする検出フレームワークを提案する。教師なし密度モデルは正常な一貫性パターンを特徴づけ、シーケンシャルな変化検出機構は攻撃を示す持続的な偏差を識別する。その結果、時間的不整合パターンは、有界誤報率と検出遅延の低い、信頼性の高い事象レベルの攻撃検出を可能にすることがわかった。
論文参考訳（メタデータ） (2026-08-17T06:24:22Z)
FootprintNet: State-Transition-Guided Dynamic Footprint Learning for Multi-temporal Remote Sensing Change Detection [49.18153467180028]
Urban Building Dynamics Detection (UBDD) は、ビルの動的フットプリントを識別する。 FootprintNetは、ビルド-変更プロセスを潜在状態とアクション間のインタラクションとして抽象化する。変更ダイナミクススコア(BCDS)の構築は、予測されたフットプリントとラベルの間の時間的近接を反映している。
論文参考訳（メタデータ） (2026-07-30T10:16:53Z)
Hierarchical Consistency Learning for Test-time Adaptation in Camouflage Perception [50.278200968044665]
カモフラージュされた物体検出(COD)は、物理的属性を通して背景から最小限の知覚差を示すターゲットをローカライズすることを目的としている。既存のメソッドは、静的なTrain-then-freezeパラダイムによって制約されており、ドメインの剛性と依存性のアノテーションに悩まされている。動的表現再構成のためのテスト時間適応を統合した階層的一貫性学習フレームワークを提案する。
論文参考訳（メタデータ） (2026-05-25T09:57:46Z)
MemOVCD: Training-Free Open-Vocabulary Change Detection via Cross-Temporal Memory Reasoning and Global-Local Adaptive Rectification [25.164480665248792]
Open-vocabulary Change Detectionは、定義済みのカテゴリを使わずに、両時間的リモートセンシング画像の意味的変化を特定することを目的としている。本稿では,時間外メモリ推論とグローバル局所適応補正に基づく学習自由なオープン語彙変化検出フレームワークであるMemOVCDを提案する。
論文参考訳（メタデータ） (2026-04-29T15:05:37Z)
Evaluating Temporal and Structural Anomaly Detection Paradigms for DDoS Traffic [0.046603287532620725]
監視されていない異常検出は、クラウドネイティブな5GネットワークにおけるDistributed Denial-of-Service(DDoS)攻撃を検出するために広く使用されている。ほとんどの研究は、どの特徴空間がデータに最も合うかを検証することなく、時間的または構造的な固定されたトラフィック表現を仮定する。本稿では,2つの診断手法を用いて,時間的・構造的特徴を優先する軽量な意思決定フレームワークを提案する。
論文参考訳（メタデータ） (2026-04-17T12:59:48Z)
TaCo: Capturing Spatio-Temporal Semantic Consistency in Remote Sensing Change Detection [54.22717266034045]
Ta-Coは時間的意味遷移のための一貫したセマンティックネットワークである。我々は,Ta-Coがリモートセンシング検出タスクにおいて一貫したSOTA性能を実現することを示す。この設計は推論中に余分な計算オーバーヘッドを伴わずにかなりの利得を得ることができる。
論文参考訳（メタデータ） (2025-11-25T13:44:29Z)
Multiresolution Analysis and Statistical Thresholding on Dynamic Networks [49.09073800467438]
ANIE(Adaptive Network Intensity Estimation)は、ネットワーク構造が進化する時間スケールを自動的に識別する多段階フレームワークである。 ANIEは適切な時間分解能に適応し、ノイズに頑健でありながら鋭い構造変化を捉えることができることを示す。
論文参考訳（メタデータ） (2025-06-01T22:55:55Z)
Towards Robust and Realistic Human Pose Estimation via WiFi Signals [85.60557095666934]
WiFiベースの人間のポーズ推定は、離散的で微妙なWiFi信号を人間の骨格にブリッジする難しいタスクである。本論文は,本問題を再検討し,(1)ドメイン間ギャップ,(2)ソース・ターゲット領域のポーズ分布の顕著な変化,(2)骨格のポーズが歪んだトポロジーを示す構造的フィデリティギャップ,の2つの重要な問題を明らかにする。本稿では,タスクをDT-Poseと呼ばれる新しい2段階のフレームワークに書き換えることで,これらのギャップを埋める:ドメイン一貫性表現学習とトポロジ制約ポスデコーディング。
論文参考訳（メタデータ） (2025-01-16T09:38:22Z)
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)
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)
Bi-Temporal Semantic Reasoning for the Semantic Change Detection of HR Remote Sensing Images [17.53683781109742]
意味変化検出(SCD)のための新しいCNNアーキテクチャを提案する。このアーキテクチャについて詳述し、両時間的意味的相関をモデル化する。 Bi-SRNet(Bi-temporal Semantic Reasoning Network)は2種類の意味的推論ブロックを含んでおり、時間的および時間的両方の意味的相関を推論する。
論文参考訳（メタデータ） (2021-08-13T07:28:09Z)

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。