論文の概要: MaskSCD: Bitemporal Mask Classification for Semantic Change Detection in Remote Sensing Images
- arxiv url: http://arxiv.org/abs/2611.18350v1
- Date: Fri, 13 Nov 2026 15:58:38 GMT
- ステータス: 情報取得中
- システム内更新日: 2026-11-16 19:25:13.19288
- Title: MaskSCD: Bitemporal Mask Classification for Semantic Change Detection in Remote Sensing Images
- Title(参考訳): MaskSCD:リモートセンシング画像における意味的変化検出のためのバイテンポラルマスク分類
- Abstract要約: 意味的変化検出(SCD)は、土地表面がどこで変化し、どの土地被覆遷移が行われたかを特定する。
ほとんどの深層SCDネットワークは、各日付の変化マップと土地被覆マップを、画素単位のデコーダで予測する。
バイテンポラルラベルペア画像のマスク分類としてSCDを定式化したMaskSCDを提案する。
- 参考スコア(独自算出の注目度): 15.37473437846063
- License:
- Abstract: Semantic change detection (SCD) identifies where the land surface has changed and which land-cover transition has taken place. Most deep SCD networks predict the change map and the land-cover map of each date with separate per-pixel decoders. These outputs need not agree, so a pixel can be labeled as changed although it has the same class at both dates, and per-pixel decisions fragment objects. We present MaskSCD, which formulates SCD as the mask classification of a bitemporal label-pair image. Each bitemporal segment, a region of constant land-cover class pair, is predicted as one mask shared by both dates together with one class per date, and the change map is derived from the predicted class pair. This formulation keeps the change and semantic maps consistent and the label space linear in the number of classes. A bitemporal masked-attention transformer decoder implements it by reading each segment in both images and relating the two readings, and a bitemporal fusion pyramid provides per-date and change-aware features. MaskSCD is evaluated on SECOND, Landsat-SCD and Hi-UCD, which span 0.1 to 30 m resolution and four to nine land-cover classes, against fourteen recent SCD models re-trained under one protocol. MaskSCD achieves the best separated kappa, semantic change $F_1$ and transition $F_1$ on all three datasets and exceeds the strongest competitor by about five points in mean separated kappa. It produces no contradictory change pixels, which account for nearly 30% of the predicted change of some multi-task networks. The code is available at https://github.com/EricYu97/MaskSCD.
- Abstract(参考訳): 意味的変化検出(SCD)は、土地表面がどこで変化し、どの土地被覆遷移が行われたかを特定する。
ほとんどの深層SCDネットワークは、各日付の変化マップと土地被覆マップをピクセル単位のデコーダで予測する。
これらの出力は一致しないので、両方の日付で同じクラスを持ち、ピクセル単位のフラグメントオブジェクトを持つにもかかわらず、ピクセルを変更としてラベル付けすることができる。
バイテンポラルラベルペア画像のマスク分類としてSCDを定式化したMaskSCDを提案する。
各バイテンポラルセグメントは、一定の土地被覆クラスペアの領域であり、両方の日付が日付ごとに1つのクラスと共有する1つのマスクとして予測され、その変化マップは予測されたクラスペアから導出される。
この定式化は、変更と意味写像を一貫性に保ち、ラベル空間はクラス数で線型である。
バイテンポラル・マスク・アテンション・トランスフォーマー・デコーダは、両方の画像において各セグメントを読み、その2つの読み込みを関連付けて実装し、バイテンポラル・フュージョン・ピラミッドは、最新かつ変更対応の特徴を提供する。
MaskSCDはSECOND、Landsat-SCD、Hi-UCDで評価され、その解像度は0.1から30m、ランドカバークラスは4から9である。
MaskSCDは3つのデータセットで最高の分離されたカッパ、セマンティックチェンジ$F_1$、トランジション$F_1$を達成する。
矛盾する変更画素は生成せず、これはいくつかのマルチタスクネットワークの予測変更の30%近くを占める。
コードはhttps://github.com/EricYu97/MaskSCDで入手できる。
関連論文リスト
- SIGMA: Semantic-Difference Instruction-Grounding Mask Annotator for Text-Driven Image Manipulation Localization [64.6372217552272]
公開編集データセットには、IMLトレーニングサンプルと構造的に同一(オリジナル、編集)のペアが数百万個含まれており、ピクセルレベルのマスクのみが欠如している。
本稿では,視覚基盤のバックボーンにおいて意味・特徴の相違を行うSIGMAを提案する。
1.1M IMLトレーニングセットを生成し、5つのデータセットに対して+18.34%のF1で6つの多様な検出器を改善する。
論文 参考訳(メタデータ) (2026-05-27T03:55:13Z) - TERRA-CD: Multi-Temporal Framework for Multi-class and Semantic Change Detection [0.0]
TERRA-CDは、2019年と2024年の5,221のSentinel-2イメージペアからなるベンチマークデータセットである。
データセットには,4クラスの土地被覆マッピングマスク,3クラスの植生変化マスク,13クラスの意味変化マスクの3つの異なるアノテーションスキームがある。
植生の多クラス変化検出とセマンティック変化検出の両方に対するデータセットの有効性を評価した。
論文 参考訳(メタデータ) (2026-05-14T10:08:51Z) - Masks Can Talk: Extracting Structured Text Information from Single-Modal Images for Remote Sensing Change Detection [5.090262478249704]
変更ラベルから直接構造化されたテキスト特徴を取得するフレームワークであるS2Mを提案する。
S2Mは17.80%のSekとF$_scd$の66.14%を達成する。
論文 参考訳(メタデータ) (2026-05-08T03:16:46Z) - Referring Change Detection in Remote Sensing Imagery [49.841833753558575]
本稿では、自然言語のプロンプトを利用してリモートセンシング画像の変化の特定のクラスを検出するReferring Change Detection (RCD)を紹介する。
我々は, (I) textbfRCDNet, (II) textbfRCDGen, (II) 拡散型合成データ生成パイプラインからなる2段階のフレームワークを提案する。
論文 参考訳(メタデータ) (2025-12-12T16:57:12Z) - MaskCD: A Remote Sensing Change Detection Network Based on Mask Classification [29.15203530375882]
深層学習を用いたリモートセンシング(RS)画像からの変化(CD)を文献的に広く研究している。
入力画像対から分類マスクを適応的に生成し,変化領域を検出するMaskCDを提案する。
ピクセルワイズ表現を学習可能なマスク提案に復号することで、望まれる変更対象を再構築する。
論文 参考訳(メタデータ) (2024-04-18T11:05:15Z) - DFormer: Diffusion-guided Transformer for Universal Image Segmentation [86.73405604947459]
提案したDFormerは,拡散モデルを用いて画像分割タスクをデノナイズプロセスとみなしている。
我々のDFormerは、ランダムに生成されたマスクの集合から、マスクとそれに対応するカテゴリを直接予測します。
我々のDFormerは、最近の拡散型汎光学分割法Pix2Seq-Dより優れており、MS COCO val 2017セットで3.6%向上している。
論文 参考訳(メタデータ) (2023-06-06T06:33:32Z) - CoupAlign: Coupling Word-Pixel with Sentence-Mask Alignments for
Referring Image Segmentation [104.5033800500497]
画像セグメント化の参照は、自然言語文で記述された視覚オブジェクトのすべてのピクセルをローカライズすることを目的としている。
以前の作業では、参照オブジェクトをハイライトするために、文章の埋め込みとピクセルレベルの埋め込みを簡単に調整することを学びました。
単純で効果的なマルチレベル視覚系列アライメント法であるCoupAlignを提案する。
論文 参考訳(メタデータ) (2022-12-04T08:53:42Z) - How to Reduce Change Detection to Semantic Segmentation [27.82117563417494]
変化検出(CD)は、異なる時間に撮影された画像ペアで発生する変化を特定することを目的としている。
セマンティックセグメンテーションにCDを還元する新しいパラダイムを提案する。
また,画素レベルの変化を検出するネットワークであるC-3POを提案する。
論文 参考訳(メタデータ) (2022-06-15T14:16:30Z) - A Weakly Supervised Convolutional Network for Change Segmentation and
Classification [91.3755431537592]
W-CDNetは、画像レベルのセマンティックラベルでトレーニングできる、弱い教師付き変更検出ネットワークである。
W-CDNetは、2つの異なるタイプのデータセットでトレーニングすることができる。
論文 参考訳(メタデータ) (2020-11-06T20:20:45Z)
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。