論文の概要: A comprehensive and trustworthy benchmark of AI methods for change detection in Earth observation

• arxiv url: http://arxiv.org/abs/2608.28247v1
• Date: Fri, 28 Aug 2026 12:04:39 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-08-31 17:16:04.310814
• Title: A comprehensive and trustworthy benchmark of AI methods for change detection in Earth observation
• Title（参考訳）: 地球観測における変化検出のためのAI手法の総合的かつ信頼性の高いベンチマーク
• Abstract要約: 地球観測における変化検出は、陸地表面の変化を監視するために重要である。 本稿では,変化検出のためのSOTA(State-of-the-art)ディープラーニング手法を評価するための,標準化されたオープンソースベンチマークを提案する。
• 参考スコア（独自算出の注目度）: 6.608286365425497
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Change detection in Earth observation (EO) is critical for monitoring land surface transformations, yet recent research in the field is constrained by inconsistent evaluation protocols and a narrow focus on predictive accuracy without regard for computational efficiency. To address this, we present a standardized, open-source benchmark for evaluating state-of-the-art (SOTA) deep learning methods for Earth observation change detection. We conduct a comprehensive analysis of ten representative model architectures, ranging from convolutional networks (CNNs) to vision transformers (ViTs), across ten heterogeneous change detection datasets. We rigorously evaluate these models with identical experimental protocols, comparing models trained from scratch against those utilizing pre-trained weights. Furthermore, we evaluate predictive performance alongside computational efficiency, including parameter counts and inference latency. Our findings reveal that well-optimized classical architectures, such as Siamese U-Nets, frequently outperform more complex contemporary models when computational efficiency is factored in, and that pre-training consistently provides a significant performance boost with no additional inference cost. To ensure complete transparency and reproducibility, all experimental resources, including standardized data splits, training scripts, training logs, and model checkpoints are publicly available and adhere to FAIR principles (Findable, Accessible, Interoperable, and Reusable).
• Abstract（参考訳）: 地球観測(EO)における変化検出は地表面の変形をモニタリングするために重要であるが、最近の研究は不整合評価プロトコルと計算効率を考慮せずに予測精度に焦点を絞っている。 そこで我々は,地球観測変化検出のための最先端(SOTA)深層学習手法を評価するための,標準化されたオープンソースベンチマークを提案する。 コンボリューション・ネットワーク(CNN)からビジョン・トランスフォーマー(ViT)まで、10種類の異種変化検出データセットを網羅的に分析する。 我々はこれらのモデルを同一の実験プロトコルで厳格に評価し、スクラッチから訓練したモデルと事前訓練した重量を用いたモデルを比較した。 さらに,パラメータ数や推論遅延を含む計算効率とともに予測性能を評価する。 これらの結果から,シメズ・U-Netsのような最適化された古典的アーキテクチャは,計算効率が向上した場合には,より複雑な現代的モデルよりも優れており,事前学習によって追加の推論コストを伴わず,優れた性能向上が期待できることがわかった。 完全な透明性と再現性を確保するため、標準化されたデータ分割、トレーニングスクリプト、トレーニングログ、モデルチェックポイントを含むすべての実験的なリソースが公開されており、FAIR原則に準拠している(Findable、Accessible、Interoperable、Reusable)。

関連論文リスト

• Ensuring Reliability in Programming Knowledge Tracing: A Re-evaluation of Attention-augmented Models and Experimental Protocols [0.6015898117103068]
  本研究は,代表的PKTモデルを再検討し,モデル構成とシーケンス構築の実践により,報告された利得が著しく影響を受けることを示す。 性能評価に影響を与える注意設定の問題を特定し,ServerTimestampを無視するなどの学生の試みの不適切な順序が時間的因果性に反し,過度に楽観的な結果をもたらすことを実証する。
  論文  参考訳（メタデータ） (2026-05-06T10:22:21Z)
• Comparative Evaluation of Convolutional and Transformer-Based Detectors for Automated Weed Detection in Precision Agriculture [0.0]
  本稿では,畳み込み型および変圧器型オブジェクト検出アーキテクチャの比較評価を行う。 その結果、効率性とコンテキストモデリングの間に明確なトレードオフが浮かび上がっています。
  論文  参考訳（メタデータ） (2026-04-29T08:23:28Z)
• A Benchmark Study of Segmentation Models and Adaptation Strategies for Landslide Detection from Satellite Imagery [6.439624950887985]
  衛星画像からの地すべり検出は災害対応とリスク評価にとって重要な課題である。 現代のセグメンテーションアーキテクチャの相対的効果とこの問題に対する微調整戦略は未だ十分に理解されていない。 本稿では,畳み込みニューラルネットワーク,トランスフォーマーベースセグメンテーションモデル,地すべり検出のための大規模事前学習基盤モデルについて,系統的なベンチマーク研究を行う。
  論文  参考訳（メタデータ） (2026-04-17T19:45:38Z)
• Flexible Gravitational-Wave Parameter Estimation with Transformers [73.44614054040267]
  本稿では,予測時間における多様な解析設定への適応を可能にする,フレキシブルトランスフォーマーベースのアーキテクチャをトレーニング戦略と組み合わせて導入する。 我々は、Dingo-T1と呼ばれる単一のフレキシブルモデルが、第3のLIGO-Virgo-KAGRA観測ランから48の重力波イベントを解析できることを実証した。
  論文  参考訳（メタデータ） (2025-12-02T17:49:08Z)
• ProCause: Generating Counterfactual Outcomes to Evaluate Prescriptive Process Monitoring Methods [2.4010681808413397]
  Prescriptive Process Monitoring (PresPM)は、イベントログデータに基づいたリアルタイム介入によるプロセスを最適化することに焦点を当てている。 PresPMメソッドの評価は、データセット内のすべての介入アクションに対して、基調的な結果が欠如しているため、難しい。 ProCauseはシーケンシャルモデルと非シーケンシャルモデルの両方をサポートするジェネレーティブアプローチである。
  論文  参考訳（メタデータ） (2025-08-31T10:54:43Z)
• RoHOI: Robustness Benchmark for Human-Object Interaction Detection [84.78366452133514]
  ヒューマン・オブジェクト・インタラクション(HOI)検出は、コンテキスト認識支援を可能にするロボット・ヒューマン・アシストに不可欠である。 HOI検出のための最初のベンチマークを導入し、様々な課題下でモデルのレジリエンスを評価する。 我々のベンチマークであるRoHOIは、HICO-DETとV-COCOデータセットに基づく20の汚職タイプと、新しいロバストネスにフォーカスしたメトリクスを含んでいる。
  論文  参考訳（メタデータ） (2025-07-12T01:58:04Z)
• UNEM: UNrolled Generalized EM for Transductive Few-Shot Learning [35.62208317531141]
  我々は「最適化学習」とも呼ばれるアンロールパラダイムを提唱し紹介する。 我々のアンローリングアプローチは、様々な統計的特徴分布と事前学習パラダイムをカバーしている。 本稿では,下流画像分類作業の細粒度を網羅した包括的実験について報告する。
  論文  参考訳（メタデータ） (2024-12-21T19:01:57Z)
• ACTRESS: Active Retraining for Semi-supervised Visual Grounding [52.08834188447851]
  前回の研究であるRefTeacherは、疑似自信と注意に基づく監督を提供するために教師学生の枠組みを採用することで、この課題に取り組むための最初の試みである。 このアプローチは、Transformerベースのパイプラインに従う現在の最先端のビジュアルグラウンドモデルと互換性がない。 本稿では, ACTRESS を略したセミスーパービジョン視覚グラウンドのためのアクティブ・リトレーニング手法を提案する。
  論文  参考訳（メタデータ） (2024-07-03T16:33:31Z)
• Efficient Transferability Assessment for Selection of Pre-trained Detectors [63.21514888618542]
  本稿では,事前学習対象検出器の効率的な伝達性評価について検討する。 我々は、事前訓練された検出器の大規模で多様な動物園を含む検出器転送性ベンチマークを構築した。 実験により,本手法は伝達性の評価において,他の最先端手法よりも優れていることが示された。
  論文  参考訳（メタデータ） (2024-03-14T14:23:23Z)
• Consistency Regularization for Generalizable Source-free Domain Adaptation [62.654883736925456]
  ソースフリードメイン適応(source-free domain adapt, SFDA)は、ソースデータセットにアクセスすることなく、十分にトレーニングされたソースモデルを未学習のターゲットドメインに適応することを目的としている。 既存のSFDAメソッドは、ターゲットのトレーニングセット上で適用されたモデルを評価し、目に見えないが同一の分散テストセットからデータを無視する。 より一般化可能なSFDA法を開発するための整合正則化フレームワークを提案する。
  論文  参考訳（メタデータ） (2023-08-03T07:45:53Z)
• Consensus-Adaptive RANSAC [104.87576373187426]
  本稿では,パラメータ空間の探索を学習する新しいRANSACフレームワークを提案する。 注意機構は、ポイント・ツー・モデル残差のバッチで動作し、軽量のワンステップ・トランスフォーマーで見いだされたコンセンサスを考慮するために、ポイント・ツー・モデル推定状態を更新する。
  論文  参考訳（メタデータ） (2023-07-26T08:25:46Z)
• Position: AI Evaluation Should Learn from How We Test Humans [65.36614996495983]
  人間の評価のための20世紀起源の理論である心理測定は、今日のAI評価における課題に対する強力な解決策になり得る、と我々は主張する。
  論文  参考訳（メタデータ） (2023-06-18T09:54:33Z)

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。