DAM-Net: Domain Adaptation Network with Micro-Labeled Fine-Tuning for Change Detection

要約

リモートセンシング画像の変更検出（CD）は、都市計画、損傷評価、リソース管理などのさまざまなアプリケーションで重要な役割を果たします。
ディープラーニングアプローチはCDパフォーマンスを大幅に進めていますが、現在の方法はドメインの適応性が低いため、新しいシナリオに適用されると再訓練のために広範なラベル付きデータが必要です。
この制限により、さまざまなデータセット全体で実際のアプリケーションが厳しく制限されます。
この作業では、DAM-NET：CD用のマイクロラベル微調整を備えたドメイン適応ネットワークを提案します。
当社のネットワークは、特別に設計されたセグメンテーションディスクリミネーターと交互のトレーニング戦略を利用して、ドメイン間の効果的な転送を可能にする敵対的なドメイン適応をCDに導入します。
さらに、ドメインの適応を強化するために最小限のサンプル（1％未満）を戦略的に選択およびラベル付けする新しいマイクロラベル微調整アプローチを提案します。
ネットワークには、以前の研究に基づいて、特徴融合と最適化されたバックボーン構造のための多粘度変圧器が組み込まれています。
Levir-CDおよびWHU-CDデータセットで実施された実験は、DAM-NETが既存のドメイン適応方法を大幅に上回り、0.3％のラベル付きサンプルのみを使用しながら10％のラベル付きデータを必要とする半監視アプローチに匹敵するパフォーマンスを達成することを示しています。
私たちのアプローチは、クロスダタセットCDアプリケーションを大幅に進め、リモートセンシングにおける効率的なドメイン適応のための新しいパラダイムを提供します。
Dam-Netのソースコードは、公開時に公開されます。

要約(オリジナル)

Change detection (CD) in remote sensing imagery plays a crucial role in various applications such as urban planning, damage assessment, and resource management. While deep learning approaches have significantly advanced CD performance, current methods suffer from poor domain adaptability, requiring extensive labeled data for retraining when applied to new scenarios. This limitation severely restricts their practical applications across different datasets. In this work, we propose DAM-Net: a Domain Adaptation Network with Micro-Labeled Fine-Tuning for CD. Our network introduces adversarial domain adaptation to CD for, utilizing a specially designed segmentation-discriminator and alternating training strategy to enable effective transfer between domains. Additionally, we propose a novel Micro-Labeled Fine-Tuning approach that strategically selects and labels a minimal amount of samples (less than 1%) to enhance domain adaptation. The network incorporates a Multi-Temporal Transformer for feature fusion and optimized backbone structure based on previous research. Experiments conducted on the LEVIR-CD and WHU-CD datasets demonstrate that DAM-Net significantly outperforms existing domain adaptation methods, achieving comparable performance to semi-supervised approaches that require 10% labeled data while using only 0.3% labeled samples. Our approach significantly advances cross-dataset CD applications and provides a new paradigm for efficient domain adaptation in remote sensing. The source code of DAM-Net will be made publicly available upon publication.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google