Kirjaudu sisään
näkemys - リモートセンシング変化検出
リモートセンシング画像変化検出におけるファウンデーションモデルの探求：包括的な調査
ファウンデーションモデルは、その優れた特徴抽出能力と汎化能力により、リモートセンシング画像変化検出において従来の深層学習手法を上回る性能を発揮する可能性を秘めている。
多スケール特徴深度監視ネットワークを用いた、グローバルな意味情報と詳細情報を活用したリモートセンシング変化検出
提案したMFDS-Netは、変化対象の詳細な記述と地理情報の強化、変化対象の局在化と弱い特徴の取得を目的としている。
リモートセンシング変化検出のための細粒度情報の活用とノイズ分離
リモートセンシング変化検出では、時間的・空間的な広がりのある画像データに多くのタスク固有およびタスク非依存のノイズが含まれる。従来の手法は過度にノイズ除去に重点を置いており、重要な細粒度情報の損失が問題となっている。本研究では、細粒度情報の補償とノイズの分離を行う手法を提案し、変化検出の性能を大幅に向上させている。
変化検出のための大規模合成データセットの生成: セマンティック潜在拡散モデルを用いた手法
単一時期の高解像度リモートセンシング画像とセマンティックマスクを利用して、大規模で多様な変化検出データセットを合成する手法を提案した。
変化検出のための効率的なリモートセンシングアプローチ: 時空間状態空間モデルを用いたChangeMamba
本論文では、Mambaアーキテクチャを初めてリモートセンシング変化検出タスクに適用し、効率的で高精度な変化検出を実現する。Mambaアーキテクチャに基づいて、3つの変化検出タスク(二値変化検出、意味的変化検出、建物被害評価)に特化したネットワークフレームワークを設計する。さらに、Mambaアーキテクチャと組み合わせた3つの時空間関係モデリングメカニズムを提案し、多時期特徴の時空間相互作用を十分に活用して正確な変化情報を得る。
Tuotteet
© 2024 by Linnk AI