Remote Sensing Change Detection (Segmentation) using Denoising Diffusion Probabilistic Models

要約

人類の文明は地球システムにますます強力な影響を及ぼしており、地球観測は悪影響を評価して軽減するための非常に貴重なツールです。
そのためには、地表の正確に定義された変化を観測することが不可欠であり、この目標を達成するための効果的な方法を提案します。
特に、私たちの変化検出（CD）/セグメンテーション方法は、拡散確率モデルのノイズ除去を通じて、さまざまな地球観測プログラムを通じて利用可能な数百万の既製のラベルなしリモートセンシング画像をトレーニングプロセスに組み込む新しい方法を提案します。
まず、事前にトレーニングされたノイズ除去拡散確率モデルを使用して、これらの既製の、キュレーションされていない、ラベルのないリモートセンシング画像からの情報を活用し、次に拡散モデルデコーダーからのマルチスケール特徴表現を使用して軽量CD分類器をトレーニングします。
正確な変化を検出します。
4つの公開されているCDデータセットで実行された実験は、提案されたアプローチがF1、IoU、および全体的な精度の最先端の方法よりも著しく優れた結果を達成することを示しています。
コードと事前トレーニング済みモデルは、https：//github.com/wgcban/ddpm-cdで入手できます。

要約(オリジナル)

Human civilization has an increasingly powerful influence on the earth system, and earth observations are an invaluable tool for assessing and mitigating the negative impacts. To this end, observing precisely defined changes on Earth’s surface is essential, and we propose an effective way to achieve this goal. Notably, our change detection (CD)/ segmentation method proposes a novel way to incorporate the millions of off-the-shelf, unlabeled, remote sensing images available through different earth observation programs into the training process through denoising diffusion probabilistic models. We first leverage the information from these off-the-shelf, uncurated, and unlabeled remote sensing images by using a pre-trained denoising diffusion probabilistic model and then employ the multi-scale feature representations from the diffusion model decoder to train a lightweight CD classifier to detect precise changes. The experiments performed on four publically available CD datasets show that the proposed approach achieves remarkably better results than the state-of-the-art methods in F1, IoU, and overall accuracy. Code and pre-trained models are available at: https://github.com/wgcban/ddpm-cd

arxiv情報

提供元, 利用サービス

arxiv.jp, Google