Self-Pair: Synthesizing Changes from Single Source for Object Change Detection in Remote Sensing Imagery

要約

リモート センシングにおける変化検出の場合、ディープ ラーニング モデルのトレーニング データセットを構築することは、バイテンポラル監視の要件により困難です。
この問題を克服するために、変更ラベルを 2 つのセマンティック マスクの違いとして扱う単一時間監視が提案されています。
この新しい方法は、建物などの対応するセマンティック ラベルを持つ空間的に関連のない 2 つの画像を使用して、変化検出器をトレーニングします。
ただし、ペアになっていないデータセットでのトレーニングは、変更されていないというラベルが付いているが視覚的に大きく異なるピクセルの場合、変更検出器を混乱させる可能性があります。
変更されていない領域で視覚的な類似性を維持するために、このペーパーでは、変更がソース画像に由来することを強調し、ソース画像を残像として操作することが変更検出のパフォーマンスにとって重要であることを示します。
大規模な実験により、イベント前後の画像の間で視覚情報を維持することの重要性が実証されており、私たちの方法は、単一の一時的な監視に基づく既存の方法よりも優れています。
コードは https://github.com/seominseok0429/Self-Pair-for-Change-Detection で入手できます。

要約(オリジナル)

For change detection in remote sensing, constructing a training dataset for deep learning models is difficult due to the requirements of bi-temporal supervision. To overcome this issue, single-temporal supervision which treats change labels as the difference of two semantic masks has been proposed. This novel method trains a change detector using two spatially unrelated images with corresponding semantic labels such as building. However, training on unpaired datasets could confuse the change detector in the case of pixels that are labeled unchanged but are visually significantly different. In order to maintain the visual similarity in unchanged area, in this paper, we emphasize that the change originates from the source image and show that manipulating the source image as an after-image is crucial to the performance of change detection. Extensive experiments demonstrate the importance of maintaining visual information between pre- and post-event images, and our method outperforms existing methods based on single-temporal supervision. code is available at https://github.com/seominseok0429/Self-Pair-for-Change-Detection.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google