Building Instance Change Detection from High Spatial Resolution Remote Sensing Images with Improved Instance Segmentation Architecture
Pourquoi ce travail est dans la base
Une base qui oublie comment elle a trouvé un travail ne peut pas être vérifiée. Voici les voies qui ont admis celui-ci.
Notice bibliographique
Résumé
The detection of ground surface changes can provide essential and valuable information for experts in the fields of geomatics, emergency management, and urban management. Many deep learning models have been proposed for detecting the change from remote sensing images. However, the majority of studies have not been able to simultaneously accomplish both building change detection and instance segmentation of changed buildings from high spatial resolution images. The information of the building instance change in high spatial resolution remote sensing images is crucial for disaster assessment and urban building management. To address these issues, we proposed a novel building instance change detection architecture based on the Cascade Mask R-CNN framework and designed a swin transformer siamese (STS) backbone to input the bi-temporal images and to improve the detection accuracy, called STS-ConcCMR. Due to the lack of remote sensing mask datasets, two building change detection datasets are transferred into the building instance change detection task. Our method achieves the best performance in F1 of90.7 and 94.5 points on the LEVIER-CD and WHU-CD datasets, respectively. And the performance of the proposed architecture can be effectively improved by substituting the siamese backbone for the non-siamese backbone. The AP and F1 are improved by 0.5 and 0.4 points on the LEVIR-CD test set, respectively, and by 2.6 points and 4.0 points on the WHU-CD test set. Experimental results demonstrated the superiority of the proposed architecture.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Prédiction distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,000 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,001 | 0,000 |
| Études des sciences et des technologies | 0,001 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 0,000 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découle