論文の概要: SpotDiff: A Plug-and-Play Framework for Zero-Shot Change Detection in Remote Sensing Imagery
- arxiv url: http://arxiv.org/abs/2611.17172v1
- Date: Thu, 12 Nov 2026 17:45:37 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-11-14 01:36:33.575301
- Title: SpotDiff: A Plug-and-Play Framework for Zero-Shot Change Detection in Remote Sensing Imagery
- Title(参考訳): SpotDiff:リモートセンシング画像におけるゼロショット変更検出のためのプラグイン・アンド・プレイフレームワーク
- Abstract要約: SpotDiffは、ゼロショット変更検出のためのトレーニング不要のプラグイン・アンド・プレイフレームワークである。
セマンティックに堅牢な機能を使用し、AnyUpはピクセル解像度でそれらを再構築し、SAM 3はテキスト誘導された関心のある領域の提案を行う。
ユニバーサルな特徴アップサンプラーを使用した最初の変更検出方法であり、同じ特徴の双線形アップサンプリングに13.8 F1を追加するだけでよい。
- 参考スコア(独自算出の注目度): 0.10874100424278171
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Remote sensing change detection usually relies on large collections of temporally aligned, pixel-level annotations, which limits its scalability across regions, imaging platforms and application domains. Recent zero-shot approaches reduce the need for supervision, but they often localize fine-grained changes poorly because their features are coarse or inconsistent across time. We present SpotDiff, a training-free, plug-and-play framework for zero-shot change detection built by composing complementary vision foundation models. SpotDiff uses DINOv3 for semantically robust features, AnyUp to reconstruct them at pixel resolution, and SAM 3 for text-guided region-of-interest proposals, which an inference-time multi-scale strategy (SWIMS) makes reliable on small objects. Change is then measured by comparing the reconstructed features of the two dates inside the proposed regions, with no learnable components, fine-tuning or change labels. To our knowledge, SpotDiff is the first change detection method to use a universal feature upsampler, which alone adds 13.8 F1 over bilinear upsampling of the same features. On LEVIR-CD, SpotDiff reaches 82.46 F1, 2.06 points above the strongest prior training-free method, and on the multi-class SECOND benchmark it improves building change detection by 10.3 IoU and the six-class average by 2.2 IoU. Qualitative results on PlanetScope (3 m) and Sentinel-2 (10 m) imagery show that the same pipeline transfers across resolutions without modification. Our results indicate that composing modern foundation models is an effective route to scalable, label-free change detection.
- Abstract(参考訳): リモートセンシングによる変更検出は通常、時間的に整列したピクセルレベルのアノテーションの大規模なコレクションに依存しており、リージョン、イメージングプラットフォーム、アプリケーションドメイン間のスケーラビリティを制限している。
最近のゼロショットアプローチは、監督の必要性を減らしますが、その特徴が粗いか、時間とともに一貫性がないため、細粒度の変化を極端にローカライズします。
SpotDiffは、相補的な視覚基盤モデルを構成することで構築されたゼロショット変化検出のための、トレーニング不要のプラグイン・アンド・プレイフレームワークである。
SpotDiffは意味的に堅牢な機能としてDINOv3を使用し、AnyUpはピクセル解像度でそれらを再構築し、SAM 3はテキスト誘導された領域間提案で、推論時マルチスケール戦略(SWIMS)は小さなオブジェクトに対して信頼性がある。
次に、変更は、提案された領域内の2つの日付の再構成された特徴を比較して、学習可能なコンポーネント、微調整または変更ラベルなしで測定される。
私たちの知る限り、SpotDiffはユニバーサルな機能アップサンプラーを使った最初の変更検出方法であり、同じ機能のバイ線形アップサンプリングに対して13.8 F1を追加するだけでよい。
LEVIR-CDでは、SpotDiffは最強のトレーニングフリーメソッドの82.46 F1,2.06ポイントに達し、マルチクラスSECONDベンチマークでは、10.3 IoUと6クラスの平均2.2 IoUによる変更検出を改善している。
PlanetScope (3m) と Sentinel-2 (10m) の画像の質的な結果は、同じパイプラインが修正することなく解像度をまたいで移動することを示している。
以上の結果から,現代の基盤モデルの構築は,スケーラブルでラベルのない変更検出に有効な方法であることが示唆された。
関連論文リスト
- FoundationGeo: Learning Spatial Pixel-Wise Fields for Monocular Metric Geometry [52.232826445242644]
FoundationGeoは空間キャリブレーションと原則データ設計による相対的および計量的予測を橋渡しする。
ステージ1は DINOv3 で初期化することで高忠実なアフィン不変幾何モデルを学ぶ。
ステージ2は、メートル法推定のためのピクセルワイドキャリブレーションフィールドを導入することで、グローバルなスケーリングを越えている。
論文 参考訳(メタデータ) (2026-07-13T14:10:01Z) - RemoteVAR: Autoregressive Visual Modeling for Remote Sensing Change Detection [52.32112533846212]
リモートセンシングによる変化検出は、環境モニタリングや災害評価といった応用の中心である。
視覚的自己回帰モデルは最近、印象的な画像生成能力を示しているが、画素レベルの識別タスクへの採用は、制御性の弱さ、最適下層予測性能、露出バイアスによって制限されている。
本稿では,これらの制約に対処する新しいVARベースの変化検出フレームワークを提案する。
論文 参考訳(メタデータ) (2026-01-17T03:50:00Z) - 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) - Wavelet-Guided Dual-Frequency Encoding for Remote Sensing Change Detection [67.84730634802204]
リモートセンシング画像の変化検出は,自然災害監視,都市拡張追跡,インフラ管理など,さまざまな工学的応用において重要な役割を担っている。
既存のほとんどの手法は空間領域モデリングに依存しており、特徴表現の限られた多様性は微妙な変化領域の検出を妨げる。
本研究では、特にウェーブレット領域における周波数領域の特徴モデリングが周波数成分の微細な違いを増幅し、空間領域において捉えにくいエッジ変化の知覚を高めることを観察する。
論文 参考訳(メタデータ) (2025-08-07T11:14:16Z) - CEBSNet: Change-Excited and Background-Suppressed Network with Temporal Dependency Modeling for Bitemporal Change Detection [5.667475728935794]
変更検出はリモートセンシングとコンピュータビジョンにおいて重要なタスクである。
現在のメソッドは一時的な依存関係を見落とし、顕著な変更を過度に強調します。
textbfCEBSNetは、変更検出のための新しい変更励起およびバックグラウンド抑圧ネットワークである。
論文 参考訳(メタデータ) (2025-05-21T09:57:30Z) - DiffuBox: Refining 3D Object Detection with Point Diffusion [74.01759893280774]
本研究では,3次元物体の検出と局所化を確保するために,新しい拡散型ボックス精細化手法を提案する。
この方法は、粗いバウンディングボックスを囲むLiDAR点に条件付きドメインに依存しない拡散モデルを用いて、ボックスの位置、サイズ、方向を同時に洗練する。
結果から,異なるデータセット,オブジェクトクラス,検出器間での大幅な改善が示された。
論文 参考訳(メタデータ) (2024-05-25T03:14:55Z) - 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) - Adjacent-Level Feature Cross-Fusion With 3-D CNN for Remote Sensing
Image Change Detection [20.776673215108815]
AFCF3D-Netという名前の3次元畳み込みを伴う新しい近接レベル特徴融合ネットワークを提案する。
提案されたAFCF3D-Netは、3つの挑戦的なリモートセンシングCDデータセットで検証されている。
論文 参考訳(メタデータ) (2023-02-10T08:21:01Z) - DASNet: Dual attentive fully convolutional siamese networks for change
detection of high resolution satellite images [17.839181739760676]
研究の目的は、関心の変化情報を識別し、無関係な変更情報を干渉要因としてフィルタリングすることである。
近年、ディープラーニングの台頭により、変化検出のための新しいツールが提供され、目覚ましい結果が得られた。
我々は,高解像度画像における変化検出のための新しい手法,すなわち,二重注意型完全畳み込みシームズネットワーク(DASNet)を提案する。
論文 参考訳(メタデータ) (2020-03-07T16:57:10Z)
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。