論文の概要: Fidelity-Diversity-Consistency (FDC): Data Pruning for Remote Sensing Change Detection
- arxiv url: http://arxiv.org/abs/2608.21754v1
- Date: Sat, 22 Aug 2026 03:33:03 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-08-25 13:29:43.434138
- Title: Fidelity-Diversity-Consistency (FDC): Data Pruning for Remote Sensing Change Detection
- Title（参考訳）: FDC(Fidelity-Diversity-Consistency):リモートセンシング変更検出のためのデータ処理
- Abstract要約: ビルおよび森林変動データセット、CNNおよびトランスフォーマーベースモデル、および3つのプルーニング予算にまたがる6つの代表DP手法をベンチマークした。
最も評価の高いベースラインであるFeature Diversityでさえ、ランダムにサンプリングされたサブセットの$sim$33%と一致または超える。
そこで本研究では,これらの知見をFDC (Fidelity-Diversity-Consistency) に変換する。
- 参考スコア（独自算出の注目度）: 1.771620608771373
- License: http://creativecommons.org/licenses/by-nc-sa/4.0/
- Abstract: Despite the success of data pruning (DP) in reducing training data sizes and improving downstream model performance in classification and segmentation tasks, its potential in remote sensing change detection remains unexplored. For the first time, we benchmark six representative DP methods across building- and forest-change datasets, CNN- and transformer-based models, and three pruning budgets, and show that existing baselines yield no reliable advantage over random selection. Notably, even the strongest evaluated baseline, Feature Diversity, is matched or exceeded by $\sim$33\% of randomly sampled subsets. To understand the underlying mechanism, we conduct a systematic regression study over 540 randomly sampled data subsets, characterizing each with four descriptors covering label statistics, image diversity, and feature-space geometry. Random Forest models show that \emph{change distribution fidelity} is the most prominent factor in determining the quality of change detection data subsets, a property absent from the existing pruning literature. Our analyses further show that pixel-wise image diversity and label-feature consistency are secondary factors. We translate these findings into Fidelity-Diversity-Consistency (FDC), a simple two-stage pruning method that shows consistent improvements over existing baselines across change detection benchmarks and backbones, especially at lower pruning ratios. Code is available at \href{https://github.com/ddydyd32/fidelity-diversity-consistency}{https://github.com/ddydyd32/fidelity-diversity-consistency}.
- Abstract（参考訳）: データプルーニング(DP)は、訓練データのサイズを減らし、分類タスクやセグメンテーションタスクにおける下流モデルの性能を改善することに成功したが、リモートセンシングによる変化検出の可能性は未解明のままである。
ビルおよび森林変動データセット,CNNおよびトランスフォーマーベースモデル,および3つのプルーニング予算の6つの代表DP手法を初めてベンチマークし,既存のベースラインがランダム選択よりも信頼性の高い優位性をもたらすことを示す。
特に、最も評価の高いベースラインであるFeature Diversityでさえ、ランダムにサンプリングされたサブセットの$\sim$33\%と一致または超過している。
基礎となるメカニズムを理解するため、540個のランダムサンプルデータサブセットに対して,ラベル統計,画像の多様性,特徴空間幾何学を含む4つの記述子を特徴付ける系統的回帰調査を行った。
ランダムフォレストモデルでは、変化検出データサブセットの品質を決定する上で、'emph{change distribution fidelity} が最も重要な要因であることが示されている。
さらに,ピクセルワイド画像の多様性とラベル-特徴整合性が二次要因であることを示す。
本研究では,これらの知見をFDC (Fidelity-Diversity-Consistency) に変換する。
コードは \href{https://github.com/ddydyd32/fidelity-diversity-consistency}{https://github.com/ddydyd32/fidelity-diversity-consistency} で公開されている。
関連論文リスト
- ControlledShifts: Towards Standardizing Robustness Evaluation in Trajectory Prediction Under Distribution Shifts [12.370065954075299]
軌道予測は自動運転の安全性の中心である。
多くの手法は、データ中心あるいはテスト時間適応アプローチによる分散シフト劣化を緩和しようとする。
ControlledShiftsは、既存のトラジェクトリデータセットをイン・ディストリビューションとアウト・オブ・ディストリビューションのパーティションに体系的に再分割するフレームワークである。
論文 参考訳（メタデータ） (2026-08-18T15:16:52Z) - PISA: A Pseudo-Individual Source-Domain Feature Adaptation Framework for Test-Time Open-Vocabulary Object Detection [3.403013334650533]
PISAはオープンソースのOVOD-TTAメソッドであり、オープン語彙の視覚バックボーンにシームレスに統合される。
PISAは,元のモデルの局所化精度とカテゴリ認識精度の両方を大幅に改善することを示す。
論文 参考訳（メタデータ） (2026-08-14T09:47:44Z) - SEED: Targeted Data Selection by Weighted Independent Set [76.68391670109433]
我々はSEEDと呼ばれる堅牢でスケーラブルなデータ選択パイプラインを開発した。
SEEDは、命令チューニング、視覚的命令チューニング、セマンティックセグメンテーションにおける最先端の手法を一貫して上回っている。
論文 参考訳（メタデータ） (2026-05-15T07:26:54Z) - Statistically-Guided Dual-Domain Meta-Learning with Adaptive Multi-Prototype Aggregation for Distributed Fiber Optic Sensing [11.719957656139824]
本稿では,DFOS 活動識別のための新しいメタ学習フレームワーク DUPLE を提案する。
まず、デュアルドメインのマルチプロトタイプ学習者が時間領域と周波数領域の特徴を融合させ、信号分散シフト下でのモデルの一般化能力を向上する。
第二に、統計ガイドネットワーク(SGN)は、生の統計的特徴からドメインの重要性とプロトタイプの感度を推定し、ラベルのないドメインや目に見えないドメインで学習するためのデータ駆動の事前情報を提供する。
第3に、クエリ対応プロトタイプアグリゲーションモジュールは、関連するプロトタイプを適応的に選択・結合し、限られたデータであっても分類性能を向上させる。
論文 参考訳（メタデータ） (2025-11-22T03:39:13Z) - DCFS: Continual Test-Time Adaptation via Dual Consistency of Feature and Sample [22.84826831249534]
連続的なテスト時間適応は、トレーニング済みのモデルを、ソースデータにアクセスすることなく、ターゲットドメインデータのストリームに継続的に適応することを目的としている。
デュアルパス特徴整合性と信頼性を考慮したサンプル学習を導入した新しいCTTAフレームワークであるDCFSを提案する。
論文 参考訳（メタデータ） (2025-08-28T07:57:54Z) - Feature-Based Instance Neighbor Discovery: Advanced Stable Test-Time Adaptation in Dynamic World [7.9346432903946535]
深層ニューラルネットワークは、トレーニングとテストドメイン間の分散シフトによって、依然としてパフォーマンスが低下している。
本稿では,FIND(Feature-based Instance Neighbor Discovery)を提案する。FIND(Feature-wise Feature Disentanglement),FABN(Feature Aware Batch Normalization),Selective FABN(S-FABN)の3つの主要コンポーネントからなる。
実験では、FINDは既存の手法を著しく上回り、動的シナリオにおいて30%の精度向上を実現している。
論文 参考訳（メタデータ） (2025-06-07T12:45:49Z) - Robust Outlier Rejection for 3D Registration with Variational Bayes [70.98659381852787]
我々は、ロバストアライメントのための新しい変分非局所ネットワークベース外乱除去フレームワークを開発した。
そこで本稿では, 投票に基づく不整合探索手法を提案し, 変換推定のための高品質な仮説的不整合をクラスタリングする。
論文 参考訳（メタデータ） (2023-04-04T03:48:56Z) - Explaining Cross-Domain Recognition with Interpretable Deep Classifier [100.63114424262234]
解釈可能なDeep(IDC)は、ターゲットサンプルの最も近いソースサンプルを、分類器が決定を下す証拠として学習する。
我々のIDCは、精度の劣化がほとんどなく、最適なリジェクションオプションの分類を効果的に調整する、より説明可能なモデルに導かれる。
論文 参考訳（メタデータ） (2022-11-15T15:58:56Z) - Semantic Change Detection with Asymmetric Siamese Networks [71.28665116793138]
2つの空中画像が与えられた場合、セマンティックチェンジ検出は、土地被覆のバリエーションを特定し、それらの変化タイプをピクセルワイド境界で識別することを目的としている。
この問題は、正確な都市計画や天然資源管理など、多くの地球ビジョンに関連するタスクにおいて不可欠である。
本研究では, 広く異なる構造を持つモジュールから得られた特徴対を用いて意味変化を同定し, 同定するための非対称システマネットワーク(ASN)を提案する。
論文 参考訳（メタデータ） (2020-10-12T13:26:30Z) - Uncertainty Inspired RGB-D Saliency Detection [70.50583438784571]
本稿では,データラベリングプロセスから学習することで,RGB-D値検出の不確実性を利用した最初のフレームワークを提案する。
そこで本研究では,確率的RGB-Dサリエンシ検出を実現するために,サリエンシデータラベリングプロセスにインスパイアされた生成アーキテクチャを提案する。
6つの挑戦的RGB-Dベンチマークデータセットの結果から,サリエンシマップの分布を学習する際のアプローチの優れた性能が示された。
論文 参考訳（メタデータ） (2020-09-07T13:01:45Z) - Diversity inducing Information Bottleneck in Model Ensembles [73.80615604822435]
本稿では,予測の多様性を奨励することで,ニューラルネットワークの効果的なアンサンブルを生成する問題をターゲットにする。
そこで本研究では,潜伏変数の学習における逆損失の多様性を明示的に最適化し,マルチモーダルデータのモデリングに必要な出力予測の多様性を得る。
最も競争力のあるベースラインと比較して、データ分布の変化の下で、分類精度が大幅に向上した。
論文 参考訳（メタデータ） (2020-03-10T03:10:41Z)
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。