SoftMatch Distance: A Novel Distance for Weakly-Supervised Trend Change Detection in Bi-Temporal Images

要約

一般的な変更検出 (GCD) とセマンティック変更検出 (SCD) は、それぞれ変更を識別し、それらの変更に関連するオブジェクト カテゴリを区別するための一般的な方法です。
ただし、GCD によって提供されるバイナリ変更は十分に実用的でないことが多く、SCD モデルをトレーニングするためのセマンティック ラベルに注釈を付けるには非常にコストがかかります。
そのため、変化を意味的なカテゴリではなく直感的に 3 つの傾向 (「出現」、「消失」、「変換」) に分類する新しいソリューションがあり、この論文ではそれを傾向変化検出 (TCD) と名付けました。
GCD よりも詳細な変更情報を提供する一方で、SCD よりも手動の注釈コストが少なくて済みます。
ただし、TCD アプリケーションをサポートするために、特定のトレンド ラベルを持つ公開データ セットは限られています。
この問題に対処するために、トレーニングにTCDラベルの代わりにGCDラベルを使用して、単純なGCDモデルで弱く監視されたTCDブランチを構築するために使用されるソフトマッチ距離を​​提案します。
さらに、監視が不十分な TCD タスクにとって重要な背景情報を正常に探索および抽出するための戦略的アプローチが提示されます。
4 つの公開データ セットに対する実験結果は非常に有望であり、提案したモデルの有効性を示しています。

要約(オリジナル)

General change detection (GCD) and semantic change detection (SCD) are common methods for identifying changes and distinguishing object categories involved in those changes, respectively. However, the binary changes provided by GCD is often not practical enough, while annotating semantic labels for training SCD models is very expensive. Therefore, there is a novel solution that intuitively dividing changes into three trends (“appear”, “disappear” and “transform”) instead of semantic categories, named it trend change detection (TCD) in this paper. It offers more detailed change information than GCD, while requiring less manual annotation cost than SCD. However, there are limited public data sets with specific trend labels to support TCD application. To address this issue, we propose a softmatch distance which is used to construct a weakly-supervised TCD branch in a simple GCD model, using GCD labels instead of TCD label for training. Furthermore, a strategic approach is presented to successfully explore and extract background information, which is crucial for the weakly-supervised TCD task. The experiment results on four public data sets are highly encouraging, which demonstrates the effectiveness of our proposed model.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google