Fugu-MT 論文翻訳(概要): ChangeT$^3$: Evaluating Vision Test-Time Training for Remote Sensing Change Detection

論文の概要: ChangeT$^3$: Evaluating Vision Test-Time Training for Remote Sensing Change Detection

arxiv url: http://arxiv.org/abs/2610.15813v1
Date: Sun, 11 Oct 2026 18:03:26 GMT
ステータス: 翻訳完了
システム内更新日: 2026-10-19 16:18:08.737506
Title: ChangeT$^3$: Evaluating Vision Test-Time Training for Remote Sensing Change Detection
Title（参考訳）: ChangeT$^3$:リモートセンシング変更検出のためのビジョンテスト時間トレーニングの評価
Abstract要約: バイテンポラルリモートセンシング変化検出は、取得間の変化に関連するコンテキスト情報をキャプチャしながら、空間的詳細を保存する表現を必要とする。ビジュアルテストタイムトレーニングは、各イメージにコンパクトな内部モデルを適用することで、明示的なトークンからトークンへの注意の代替を提供する。このレターにはChangeT$3$という,既存の階層型ViT$3$-TinyエンコーダとマルチスケールのChangeFormerデコーダを組み合わせた,バニラのSiamese構成が記述されている。
参考スコア（独自算出の注目度）: 0.0
License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
Abstract: Bitemporal remote sensing change detection requires representations that preserve spatial detail while capturing contextual information relevant to changes between acquisitions. Visual test-time training offers an alternative to explicit token-to-token attention by adapting a compact inner model to each image. This letter describes ChangeT$^3$, a vanilla Siamese configuration combining the existing hierarchical ViT$^3$-Tiny encoder with the multiscale ChangeFormer decoder. The two image streams share learned encoder parameters, while their fast weights are computed independently from their respective spatial features. Each encoder block retains the inherited global simplified SwiGLU and local adaptive depthwise-convolution branches. Temporal comparison is performed by the decoder through learned fusion of paired features at four resolutions, followed by coarse-to-fine aggregation and binary prediction. This separation provides a direct setting for examining image-conditioned inner updates without introducing an additional temporal interaction module. Trained from scratch on LEVIR-CD+ with the same decoder, recipe, and budget as a ChangeFormer control, ChangeT$^3$ reaches an F1 of 80.61$\pm$0.90 against 78.84$\pm$0.21 for ChangeFormer (three seeds each); as in the standard protocol for this dataset, checkpoints are selected on the test split. Trained with both inner updates disabled, the same encoder reaches 78.63$\pm$0.20. Neither model transfers zero-shot to SYSU-CD, DSIFN-CD, or WHU-CD, and ChangeT$^3$ is the slower of the two at small inputs despite similar parameter and operation counts.
Abstract（参考訳）: バイテンポラルリモートセンシング変化検出は、取得間の変化に関連するコンテキスト情報をキャプチャしながら、空間的詳細を保存する表現を必要とする。ビジュアルテストタイムトレーニングは、各イメージにコンパクトな内部モデルを適用することで、明示的なトークンからトークンへの注意の代替を提供する。これは、既存の階層型ViT$^3$-TinyエンコーダとマルチスケールのChangeFormerデコーダを組み合わせたバニラシーム構成である。 2つの画像ストリームは学習したエンコーダパラメータを共有し、その高速な重みはそれぞれの空間的特徴とは独立に計算される。各エンコーダブロックは、継承されたグローバルな単純化されたSwiGLUと、局所的な適応的な深度-畳み込み分岐を保持する。時間的比較はデコーダが4つの解像度でペア特徴の融合を学習し、次いで粗大な集約と二分予測を行う。この分離は、追加の時間的相互作用モジュールを導入することなく、画像条件付き内部更新を検査するための直接設定を提供する。 ChangeFormerコントロールと同じデコーダ、レシピ、予算でLEVIR-CD+のスクラッチからトレーニングされ、ChangeT$^3$は80.61$\pm$0.90、ChangeFormerは78.84$\pm$0.21となる。両方の内部更新を無効にし、同じエンコーダが78.63$\pm$0.20に達する。どちらのモデルもゼロショットをSYSU-CD、DSIFN-CD、WHU-CDに転送せず、ChangeT$^3$は同様のパラメータと演算数にもかかわらず、小さな入力で2つよりも遅い。

関連論文リスト

WIRE: Weight Space Implicit Representation Encoding of Frozen Video LLMs [50.26647187459162]
ビデオ言語モデルは、デコーダの入力に視覚的な埋め込みの長いシーケンスとしてビデオを表す。凍結したビデオ言語モデルの映像の一部を移動させることにより、この繰り返しコストを低減できるWIRE(Weight Space Implicit Representation)を提案する。 Qwen3-VL-8Bでは、1フレームあたり16のキャリアトークンを持つWIREは、ビジュアルストリームを3.5Times$で、デコーダのプリフィル時間を256フレームで$3.35times$、1024フレームで$4.14times$で削減し、キーバリューキャッシュを比例的に縮小し、トークンの復号遅延をほぼ一定に保つ。
論文参考訳（メタデータ） (2026-10-12T20:13:21Z)
Temporally Ordered Region-Token Mamba with Logit-Space Diffusion for Remote Sensing Change Detection [16.732101397399777]
変化検出のためのバイテンポラルマンバ拡散法を提案する。時間的に構造化された状態空間モデリングとロジト空間拡散補正を組み合わせる。 F1スコアは93.7%、96.4%、97.8%、99.0%である。
論文参考訳（メタデータ） (2026-09-22T23:25:12Z)
HIMEC: Directional Change Representation and Fixed-Interface Decoding for Remote Sensing Image Change Captioning [7.865350186809472]
リモートセンシング画像変化キャプション(RSICC)は、バイテンポラルイメージを意味的変化を記述する文に変換する。ほとんどのRSICC法では、コンディションデコーダは融合した視覚的特徴に直接依存しており、中間的な変化構造とデコーダとインタフェースの整合性は研究されていない。本稿では,方向変化表現(Directional Change Representation, DCR)と固定インターフェースデコーディングを組み合わせたHIMECを提案する。
論文参考訳（メタデータ） (2026-08-12T18:29:27Z)
ChangeDINO: DINOv3-Driven Building Change Detection in Optical Remote Sensing Imagery [8.49298841726789]
本稿では,光学的構造変化検出のためのエンド・ツー・エンドのマルチスケールSiameseフレームワークであるChangeDINOを紹介する。このモデルは、凍結したDINOv3から転送される特徴を持つ軽量のバックボーンストリームを融合させる。 4つの公開ベンチマークの実験によると、ChangeDINOはIoUとF1の最近の最先端メソッドを一貫して上回っている。
論文参考訳（メタデータ） (2025-11-20T12:55:13Z)
Enhancing Perception of Key Changes in Remote Sensing Image Change Captioning [49.24306593078429]
KCFI(Key Change Features and Instruction-tuned)によるリモートセンシング画像変換キャプションのための新しいフレームワークを提案する。 KCFIは、バイテンポラルリモートセンシング画像特徴を抽出するViTsエンコーダと、重要な変化領域を識別するキー特徴知覚器と、画素レベルの変化検出デコーダとを含む。提案手法の有効性を検証するため,LEVIR-CCデータセット上のいくつかの最新の変更キャプション手法との比較を行った。
論文参考訳（メタデータ） (2024-09-19T09:33:33Z)
Segment Any Change [64.23961453159454]
本稿では、ゼロショット予測と、見えない変更タイプやデータ分布の一般化をサポートする新しいタイプの変更検出モデルを提案する。 AnyChangeは、トレーニング不要適応法、バイテンポラルラテントマッチングを通じてSAM(Se segment Any Model)上に構築されます。また、AnyChangeのゼロショットオブジェクト中心の変更検出機能を有効にするためのポイントクエリ機構を提案する。
論文参考訳（メタデータ） (2024-02-02T07:17:39Z)
Exchanging Dual Encoder-Decoder: A New Strategy for Change Detection with Semantic Guidance and Spatial Localization [10.059696915598392]
セマンティックガイダンスと空間的ローカライゼーションを用いたバイナリ変更検出のための2つのエンコーダ・デコーダ構造を交換した新しい戦略を提案する。この戦略に基づいてバイナリ変更検出モデルを構築し、それを6つのデータセット上で18の最先端の変更検出手法と比較する。
論文参考訳（メタデータ） (2023-11-19T11:30:43Z)
Conditional DETR V2: Efficient Detection Transformer with Box Queries [58.9706842210695]
我々は,NMSなどの手作り後処理を必要としないトランスフォーマーエンコーダデコーダアーキテクチャに基づくエンドツーエンドのオブジェクト検出手法に興味がある。高速なトレーニング収束を備えた改良されたDETRであるConditional DETRにインスパイアされ、オブジェクトクエリを参照ポイントの埋め込みの合成であるボックスクエリの形式に再構成する。画像の内容からボックスクエリを学習し、高速なトレーニング収束で条件付きDETRの検出品質をさらに向上する。
論文参考訳（メタデータ） (2022-07-18T20:08:55Z)

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。