論文の概要: HyperFlow: Class-Incremental Semantic Change Detection via Hyperbolic Flow
- arxiv url: http://arxiv.org/abs/2611.03245v1
- Date: Mon, 02 Nov 2026 14:57:03 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-11-06 05:33:47.190464
- Title: HyperFlow: Class-Incremental Semantic Change Detection via Hyperbolic Flow
- Title(参考訳): HyperFlow:ハイパーボリックフローによるクラスインクリメンタルセマンティックチェンジ検出
- Abstract要約: 本稿では,モデルが段階的に新しいタイプの意味変化を検出することを学習するクラスインクリメンタルな意味変化検出の問題に取り組む。
そこで我々は,新たに導入されたカテゴリが,既存のセマンティクスの微細な精細化に対応するような,土地被覆セマンティクスの階層構造を利用する。
HiChangeは大規模で高解像度のリモートセンシングデータセットで、詳細できめ細かな階層ラベルを持つ。
- 参考スコア(独自算出の注目度): 23.159943398334264
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Semantic change detection in remote sensing aims to identify and characterize land-cover transitions observed in pairs of satellite or aerial images. Existing methods assume a fixed set of change categories, limiting their applicability in real-world scenarios where changes of interest may vary, for example across geographies or over time. In this work, we tackle the problem of class-incremental semantic change detection, where a model progressively learns to detect new types of semantic change. To do so, we exploit the hierarchical structure of land-cover semantics, where newly introduced categories correspond to fine-grained refinements of existing ones, and represent said semantic categories in hyperbolic space, which is particularly well suited to represent such hierarchical relationships. To capture semantic changes, we introduce HyperFlow, a method relying on Busemann prototypes, modeling change as an anomaly in a learned semantic flow within the hyperbolic embedding space induced by segmentation. HyperFlow couples change detection to class-incremental semantic segmentation, enabling class-incremental semantic change detection. We also present HiChange, a new large-scale, high resolution remote sensing dataset with detailed, fine-grained hierarchical labels. Experimental results demonstrate that HyperFlow achieves both strong change detection and semantic segmentation performance across incremental steps. In particular, we show that progressively refining semantic categories, rather than considering them all directly, yields improved change detection, highlighting the benefits of incremental learning for semantic change detection.
- Abstract(参考訳): リモートセンシングにおける意味的変化検出は、衛星画像と空中画像のペアで観測される土地被覆遷移を識別し、特徴付けることを目的としている。
既存の方法は変更カテゴリの固定セットを前提としており、例えば地理や時間とともに、関心の変化が変化する現実のシナリオにおける適用性を制限している。
本研究では,モデルが段階的に新しいタイプの意味変化を検出することを学習するクラスインクリメンタル・セマンティック・チェンジ検出の問題に取り組む。
そこで我々は,新たに導入されたカテゴリが既存のカテゴリの微細化に対応するような,土地被覆意味論の階層構造を利用し,その階層的関係を表現するのに特に適している双曲空間において,これらのセマンティックなカテゴリを表現する。
セグメンテーションによって誘導される双曲的埋め込み空間内の学習的セマンティックフローにおける異常としての変化をモデル化する手法であるHyperFlowを導入する。
HyperFlowは、変更検出をクラスインクリメンタルなセマンティックセグメンテーションに結合することで、クラスインクリメンタルなセマンティックな変更検出を可能にする。
HiChangeは大規模で高解像度のリモートセンシングデータセットで、詳細できめ細かな階層ラベルがある。
実験結果から,HyperFlowはインクリメンタルステップ間での強い変化検出とセマンティックセマンティックセグメンテーションのパフォーマンスを実現することが示された。
特に, セマンティックなカテゴリを直接考慮せずに, セマンティックなカテゴリを徐々に洗練していくことで, セマンティックな変化検出におけるインクリメンタルな学習のメリットを浮き彫りにした。
関連論文リスト
- Learning Semantic-Robust Change Detection via Semantic-Invariant Self-Distillation [16.080049512272026]
SCDistillは意味的不変な自己蒸留を通じて意味論的不正な変化検出を学習するためのフレームワークである。
複数のセマンティックチェンジ検出ベンチマークで最先端のパフォーマンスを実現し、バイナリチェンジ検出やキャプション変更タスクへの強力な一般化を示す。
論文 参考訳(メタデータ) (2026-07-21T11:33:11Z) - Seg2Change: Adapting Open-Vocabulary Semantic Segmentation Model for Remote Sensing Change Detection [5.3514684920696824]
既存の変更検出方法は、トレーニングデータセットの事前定義されたクラスに限られる。
オープン語彙セマンティックセグメンテーションモデルに適応して検出タスクを変更するためのアダプタであるSeg2Changeを提案する。
我々のフレームワークは最先端のOVCD性能を実現する。
論文 参考訳(メタデータ) (2026-04-13T09:35:14Z) - Parameter-Efficient Semantic Augmentation for Enhancing Open-Vocabulary Object Detection [33.35667602014138]
HSA-DINOは、オープン語彙オブジェクト検出を強化するためのパラメータ効率のよいセマンティック拡張フレームワークである。
推論中に適切な意味拡張戦略を動的に選択する意味認識ルータを提案する。
我々は,OV-COCO上のHSA-DINO,いくつかの垂直領域データセット,修正されたベンチマーク設定を評価した。
論文 参考訳(メタデータ) (2026-04-06T05:41:33Z) - 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) - Generalize or Detect? Towards Robust Semantic Segmentation Under Multiple Distribution Shifts [56.57141696245328]
斬新なクラスとドメインの両方が存在するようなオープンワールドシナリオでは、理想的なセグメンテーションモデルは安全のために異常なクラスを検出する必要がある。
既存の方法はドメインレベルとセマンティックレベルの分散シフトを区別するのに苦労することが多い。
論文 参考訳(メタデータ) (2024-11-06T11:03:02Z) - Advancing Incremental Few-shot Semantic Segmentation via Semantic-guided
Relation Alignment and Adaptation [98.51938442785179]
増分的な数ショットセマンティックセマンティックセマンティクスは、セマンティクスセマンティクスモデルを新しいクラスに漸進的に拡張することを目的としている。
このタスクは、データ不均衡のため、ベースクラスと新しいクラスの間で深刻な意味認識の問題に直面します。
本稿では,従来の意味情報のガイダンスを完全に考慮した意味誘導型関係調整適応法を提案する。
論文 参考訳(メタデータ) (2023-05-18T10:40:52Z) - Part-guided Relational Transformers for Fine-grained Visual Recognition [59.20531172172135]
識別的特徴を学習し,特徴変換モジュールとの相関関係を探索するフレームワークを提案する。
提案手法は,3-of-the-levelオブジェクト認識において,部分ブランチの追加に頼らず,最先端の性能に達する。
論文 参考訳(メタデータ) (2022-12-28T03:45:56Z) - GSMFlow: Generation Shifts Mitigating Flow for Generalized Zero-Shot
Learning [55.79997930181418]
Generalized Zero-Shot Learningは、目に見えないクラスから見えないクラスに意味的な知識を移すことで、目に見えないクラスと見えないクラスの両方から画像を認識することを目的としている。
生成モデルの利点を生かして、見学したクラスから学んだ知識に基づいて、現実的な見知らぬサンプルを幻覚させることは、有望な解決策である。
本研究では,複数の条件付きアフィン結合層からなるフローベース生成フレームワークを提案する。
論文 参考訳(メタデータ) (2022-07-05T04:04:37Z) - Graph Adaptive Semantic Transfer for Cross-domain Sentiment
Classification [68.06496970320595]
クロスドメイン感情分類(CDSC)は、ソースドメインから学んだ伝達可能なセマンティクスを使用して、ラベルなしのターゲットドメインにおけるレビューの感情を予測することを目的としている。
本稿では、単語列と構文グラフの両方からドメイン不変セマンティクスを学習できる適応型構文グラフ埋め込み法であるグラフ適応意味伝達(GAST)モデルを提案する。
論文 参考訳(メタデータ) (2022-05-18T07:47:01Z)
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。