論文の概要: Real-World Knowledge-Guided Change Data Synthesis for Remote Sensing

• arxiv url: http://arxiv.org/abs/2608.24263v1
• Date: Tue, 25 Aug 2026 08:51:05 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-08-26 14:09:34.890875
• Title: Real-World Knowledge-Guided Change Data Synthesis for Remote Sensing
• Title（参考訳）: リモートセンシングのための実世界の知識誘導型変化データ合成
• Abstract要約: KnowChangeは知識に基づく変更データ合成フレームワークである。 統一されたフレームワーク内で、多様な変更タイプのフレキシブルな合成を可能にする。 合成データ拡張と合成データ転送の両方において、既存の合成データセットを一貫して上回っている。
• 参考スコア（独自算出の注目度）: 38.13906982613578
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Change data synthesis provides a cost-effective solution for expanding training data and improving the performance of change detection models. However, existing synthesis methods typically rely on handcrafted rules to simulate changes, where limited coverage of class transitions restricts the diversity of synthesized data, while predefined transition designs limit their flexibility in accommodating varied change types. In this work, we introduce KnowChange, a knowledge-guided change data synthesis framework that leverages pretrained vision-language models as knowledge sources to reason about plausible change locations and class transitions from pre-change scenes and desired change types. By integrating knowledge-guided change simulation with generalizable synthesis models, KnowChange enables flexible synthesis of diverse change types within a unified framework. Extensive experiments demonstrate that KnowChange-generated data consistently outperforms existing synthetic datasets in both synthetic-to-real transfer and synthetic data augmentation, despite being generated at a compact scale. Further analyses show that the knowledge-guided change simulation can be seamlessly integrated into existing synthesis pipelines and enhance the downstream utility of synthesized data.
• Abstract（参考訳）: 変更データ合成は、トレーニングデータを拡張し、変更検出モデルの性能を向上させるためのコスト効率の良いソリューションを提供する。 しかし、既存の合成法は通常、変更をシミュレートするための手作りの規則に依存しており、クラス遷移の限られた範囲は、合成データの多様性を制限する一方、事前定義された遷移設計は、変化の種類を調節する際の柔軟性を制限する。 本研究では,知識誘導型変化データ合成フレームワークであるKnowChangeを紹介する。このフレームワークは,事前学習した視覚言語モデルを知識ソースとして活用し,事前変更シーンや所望の変化タイプから,妥当な変化位置とクラス遷移を推論する。 知識誘導型変化シミュレーションと一般化可能な合成モデルを統合することで、KnowChangeは統一されたフレームワーク内で多様な変化タイプの柔軟な合成を可能にする。 大規模な実験により、KnowChangeの生成したデータは、コンパクトなスケールで生成されたにもかかわらず、合成から現実への転送と合成データ拡張の両方において、既存の合成データセットを一貫して上回っていることが示された。 さらに分析した結果,知識誘導型変化シミュレーションを既存の合成パイプラインにシームレスに統合し,合成データの下流利用性を高めることができた。

関連論文リスト

• Make LLM Learn to Synthesize from Streaming Experiences through Feedback [28.343295556944295]
  合成タスクが順次到着し、過去のタスクから経験することで、将来的な合成のための情報信号を提供する新しい設定であるStream Synthを紹介する。 タスクストリーム上で再利用可能な合成体験を合成モデルで取得できるフレームワークであるSynLearnerを提案する。 実験の結果、SynLearnerは以前のタスクからの経験を効果的に活用し、後続のタスクでの合成性能を改善し、一貫したクロスタスク転送性を示すことがわかった。
  論文  参考訳（メタデータ） (2026-05-28T13:51:58Z)
• EvoSyn: Generalizable Evolutionary Data Synthesis for Verifiable Learning [63.03672166010434]
  我々は、進化的、タスクに依存しない、戦略を導いた、実行可能検証可能なデータ合成フレームワークを紹介します。 問題、多様な候補解、検証成果物を共同で合成する。 これは、人間による注釈付きチェックと戦略によるチェックの合意を強制する一貫性に基づく評価器を通じて戦略を反復的に発見する。
  論文  参考訳（メタデータ） (2025-10-20T11:56:35Z)
• Scaling Transformer-Based Novel View Synthesis Models with Token Disentanglement and Synthetic Data [53.040873127309766]
  本稿では,トランスアーキテクチャ内でのトークンのアンタングル化プロセスを提案し,特徴分離を向上し,より効果的な学習を実現する。 提案手法は,データセット内およびデータセット間の評価において,既存のモデルよりも優れる。
  論文  参考訳（メタデータ） (2025-09-08T17:58:06Z)
• Understanding the Influence of Synthetic Data for Text Embedders [52.04771455432998]
  まず,Wangらによって提案された合成データの再生と公開を行った。 合成データがモデル一般化をどのように改善するかを批判的に検討する。 本研究は, 汎用インバータ構築における, 現在の合成データ手法の限界を浮き彫りにしたものである。
  論文  参考訳（メタデータ） (2025-09-07T19:28:52Z)
• Opinion: Revisiting synthetic data classifications from a privacy perspective [42.12937192948916]
  合成データは、AI開発の増大するデータ要求を満たすための費用対効果のソリューションとして浮上している。 従来の合成データ型の分類は、合成データを生成するための絶え間なく増加する手法を反映していない。 我々は、プライバシーの観点をよりよく反映した、合成データ型をグループ化する、別のアプローチを例に挙げる。
  論文  参考訳（メタデータ） (2025-03-05T13:54:13Z)
• Diversity-Driven Synthesis: Enhancing Dataset Distillation through Directed Weight Adjustment [39.137060714048175]
  多様性の向上は、データセットを合成するための並列化可能であるが孤立したアプローチを改善することができる、と我々は主張する。 本稿では,動的かつ指向的な重み調整技術を用いて合成過程を変調する新しい手法を提案する。 提案手法は,合成データの各バッチが,元のデータセットの大規模かつ多様なサブセットの特徴を反映していることを保証する。
  論文  参考訳（メタデータ） (2024-09-26T08:03:19Z)
• Is Synthetic Image Useful for Transfer Learning? An Investigation into Data Generation, Volume, and Utilization [62.157627519792946]
  ブリッジドトランスファー(ブリッジドトランスファー)と呼ばれる新しいフレームワークを導入する。このフレームワークは、当初、トレーニング済みモデルの微調整に合成画像を使用し、転送性を向上させる。 合成画像と実画像のスタイルアライメントを改善するために,データセットスタイルの逆変換方式を提案する。 提案手法は10の異なるデータセットと5つの異なるモデルで評価され、一貫した改善が示されている。
  論文  参考訳（メタデータ） (2024-03-28T22:25:05Z)
• A Scaling Law for Synthetic-to-Real Transfer: A Measure of Pre-Training [52.93808218720784]
  合成から現実への変換学習は,実タスクのための合成画像と接地真実アノテーションを用いた事前学習を行うフレームワークである。 合成画像はデータの不足を克服するが、事前訓練されたモデルで微調整性能がどのようにスケールするかは定かではない。 我々は、合成事前学習データの様々なタスク、モデル、複雑さにおける学習曲線を一貫して記述する、単純で一般的なスケーリング法則を観察する。
  論文  参考訳（メタデータ） (2021-08-25T02:29:28Z)

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。