arXiv:2610.15813v1 cs.CV

ChangeT$^3$: 원격 탐사 변화 탐지를 위한 비전 테스트 시간 학습 평가

ChangeT$^3$: Evaluating Vision Test-Time Training for Remote Sensing Change Detection

Sharukshan Niranjan, Oshadha Samarakoon, Nichula Wasalathilaka, Roshan Godaliyadda, Parakrama Ekanayake, Vijitha Herath

제출 2026-10-11

저자 비고

arXiv Comments

8 pages, 2 figures, 6 tables

한국어 초록

양시성(bitemporal) 원격 탐사 변화 탐지에는 촬영 시점 간의 변화와 관련된 문맥 정보를 포착하면서도 공간적 세부 정보를 보존하는 표현이 필요합니다. 시각적 테스트 시간 학습(visual test-time training)은 소형 내부 모델(inner model)을 각 이미지에 적응시킴으로써 명시적인 토큰 간 어텐션(token-to-token attention)에 대한 대안을 제시합니다. 본 논문(letter)에서는 기존의 계층적 ViT$^3$-Tiny 인코더와 다중 스케일 ChangeFormer 디코더를 결합한 바닐라 샴(Siamese) 구성인 ChangeT$^3$를 설명합니다. 두 이미지 스트림은 학습된 인코더 매개변수를 공유하는 반면, 이들의 빠른 가중치(fast weights)는 각자의 공간적 특징으로부터 독립적으로 계산됩니다. 각 인코더 블록은 계승된 전역 단순화 SwiGLU 및 국소 적응형 깊이별 합성곱(depthwise-convolution) 분기를 유지합니다. 시간적 비교는 디코더를 통해 네 가지 해상도에서 쌍을 이루는 특징들의 학습된 융합을 거쳐 수행되며, 이후 조방(coarse)-정밀(fine) 집계 및 이진 예측이 이어집니다. 이러한 분리는 추가적인 시간적 상호작용 모듈을 도입하지 않고도 이미지 조건부 내부 업데이트를 검토할 수 있는 직접적인 환경을 제공합니다. ChangeFormer 대조군과 동일한 디코더, 학습 레시피 및 계산 비용(budget)으로 LEVIR-CD+에서 처음부터 학습(trained from scratch)했을 때, ChangeT$^3$는 80.61$\pm$0.90의 F1 점수를 기록하여 ChangeFormer의 78.84$\pm$0.21과 대비되는 성능을 보였습니다(각각 세 개의 시드 기준). 본 데이터셋의 표준 프로토콜에 따라 체크포인트는 테스트 분할에서 선택되었습니다. 두 내부 업데이트를 모두 비활성화한 상태로 학습한 동일 인코더는 78.63$\pm$0.20을 기록했습니다. 두 모델 모두 SYSU-CD, DSIFN-CD 또는 WHU-CD로 제로샷(zero-shot) 전이되지 않으며, ChangeT$^3$는 매개변수 및 연산 수가 유사함에도 불구하고 작은 입력 크기에서 둘 중 더 느립니다.

원문 초록

Bitemporal remote sensing change detection requires representations that preserve spatial detail while capturing contextual information relevant to changes between acquisitions. Visual test-time training offers an alternative to explicit token-to-token attention by adapting a compact inner model to each image. This letter describes ChangeT$^3$, a vanilla Siamese configuration combining the existing hierarchical ViT$^3$-Tiny encoder with the multiscale ChangeFormer decoder. The two image streams share learned encoder parameters, while their fast weights are computed independently from their respective spatial features. Each encoder block retains the inherited global simplified SwiGLU and local adaptive depthwise-convolution branches. Temporal comparison is performed by the decoder through learned fusion of paired features at four resolutions, followed by coarse-to-fine aggregation and binary prediction. This separation provides a direct setting for examining image-conditioned inner updates without introducing an additional temporal interaction module. Trained from scratch on LEVIR-CD+ with the same decoder, recipe, and budget as a ChangeFormer control, ChangeT$^3$ reaches an F1 of 80.61$\pm$0.90 against 78.84$\pm$0.21 for ChangeFormer (three seeds each); as in the standard protocol for this dataset, checkpoints are selected on the test split. Trained with both inner updates disabled, the same encoder reaches 78.63$\pm$0.20. Neither model transfers zero-shot to SYSU-CD, DSIFN-CD, or WHU-CD, and ChangeT$^3$ is the slower of the two at small inputs despite similar parameter and operation counts.

제출 이력

확인된 버전만 표시합니다. 전체 제출 이력은 arXiv 원문에서 확인하세요.

  1. arXiv:2610.15813v1

함께 살펴볼 논문

공통 태그를 근거로 연결했습니다. 실제 인용 관계나 논문의 우수성을 뜻하지 않습니다.

arXiv:2609.28192v1cs.CV공통 태그 Change Detection, remote sensing

변화 캡션에서 변화 탐지까지: 원격 탐사 변화 탐지를 위한 의미-외형 일치 프레임워크

From Change Captions to Change Detection: Semantic-Appearance Agreement Framework for Remote Sensing Change Detection

원격 탐사 변화 탐지(RSCD)는 토지 피복 변화 및 도시 개발을 모니터링하는 데 필수적입니다. 그러나 대부분의 방법은 픽셀 수준의 변화 마스크를 요구하며, 이는 주석 작업에 많은 비용과 시간이 소요됩니다. 약지도(weakly supervised) 방식은 이미지 수준의 변화 레이블을 사용하여 이러한 비용을 줄입니다. 하지만 이러한 레이블은 변화의 발생 여부만을 나타내므로, 모델이 추가적이고 복잡한 메커니즘을 통해 변화의 위치와 의미론적 의미를 복원해야 합니다. 이러한 누락된 정보는 무엇이 변하고 무엇으로 바뀌며 어디에서 발생하는지 설명하는 변화 캡션을 통해 직접 제공될 수 있습니다. 따라서 본 연구에서는 수동으로 주석을 단 변화 마스크 없이 변화 마스크를 학습하기 위한 유일한 태스크 특화 지도 정보로 변화 캡션을 활용하는 변화 캡션 유도 RSCD를 소개합니다. 제안하는 프레임워크는 두 가지 구성 요소로 이루어져 있습니다. 각 캡션과 일치하는 제어된 변화를 갖는 대규모 시계열 원격 탐사 이미지 쌍을 생성하는 캡션 기반 생성 파이프라인과, 캡션의 전이 의미론에 의해 유도되는 변화 탐지기입니다. 이 탐지기는 의미-외형 일치 프레임워크(SAAF)를 사용하여 캡션 기반 의미론적 반응과 RGB 차이를 결합해 변화 위치를 특정하며, 텍스트 조건화는 조밀 예측(dense prediction)을 유도합니다. 새롭게 구축된 Flair-RSGen 데이터셋 및 WHU-CDC에서의 실험 결과, SAAF가 평가 프로토콜 하에서 매크로 평균 IoU 및 F1 점수 모두 가장 유사하게 재현된 제한적 지도 베이스라인들을 능가함을 보여줍니다. 코드는 https://github.com/qianyuancs/SAAF 에서 공개되어 있습니다.

arXiv:2607.12934v1cs.CV공통 태그 Change Detection, remote sensing

차이 가이드 적응과 주파수 분리 지식 증류를 통한 도메인 점진적 원격 탐사 변화 탐지

Domain-Incremental Remote Sensing Change Detection via Difference-Guided Adaptation and Frequency-Decoupled Distillation

원격 탐사 변화 탐지(RSCD) 모델은 새로운 도메인에 점진적으로 적응할 때 재앙적 망각에 취약하다. 기존 도메인 점진적 학습(DIL) 방법은 주로 이미지 수준 표현을 보존하지만, 도메인 이동 하에서 견고한 변화 탐지에 필수적인 이중 시기 불일치 단서를 종종 간과한다. 이 한계를 해결하기 위해, 우리는 차이 가이드 적응(Difference-Guided Adaptation)과 주파수 분리 지식 증류(Frequency-Decoupled Distillation)를 통합한 도메인 점진적 변화 탐지 프레임워크인 DG-FDD를 제안한다. 구체적으로, 차이 가이드 동적 어댑터(DGDA)는 이중 시기 특징 불일치를 모델링하여 변화 인지 특징 적응을 촉진하고 도메인 특이적 간섭을 줄인다. 한편, 교차 도메인 합성(Cross-domain Synthesis)을 포함한 주파수 분리 지식 증류(FDKD-CS) 전략은 주파수 영역에서 구조적 정보와 도메인 스타일을 분리하여, 과거 데이터 없이 안정적인 지식 전이를 가능하게 한다. 2도메인 및 3도메인 점진적 프로토콜 하에서 세 개의 공개 고해상도 RSCD 데이터셋에 대한 광범위한 실험은 DG-FDD가 재앙적 망각을 효과적으로 완화함을 보여준다. 독립적으로 학습된 단일 작업 모델과 비교했을 때, DG-FDD는 6개의 2도메인 시퀀스 전체에서 F1과 IoU의 평균 상대 변화가 각각 -0.23%와 -0.45%에 불과하며, 평가된 3개의 3도메인 시퀀스에서는 각각 -0.69%와 -1.31%를 기록한다. 이 결과는 지속적인 교차 도메인 변화 탐지에서 과거 지식 보존과 새 도메인 적응 사이의 유리한 안정성-가소성 균형을 나타낸다.

arXiv:2607.04750v1cs.AI공통 태그 Change Detection, remote sensing

FM-ChangeNet: 경로별 특징 전송을 통한 변화 학습

FM-ChangeNet: Learning Change through Pathwise Feature Transport

우리는 변화 탐지를 위한 경로별 지도 학습 프레임워크인 FM-ChangeNet을 제안한다. 이 프레임워크는 이중 시점 추론을 정적인 끝점 비교가 아닌 특징 공간에서의 연속적 전송으로 재정식화한다. 인코딩된 사전·사후 시점 표현이 주어지면, 중간 잠재 상태를 구성하고 변환 궤적을 따라 시간 조건부 속도 장(velocity field) $\hat{v}_θ(z_t,t)$를 학습한다. 이 경로별 정식화는 예측기를 중간 상태의 연속체에 걸쳐 제약함으로써, 기존의 끝점만을 사용하는 세그멘테이션보다 더 밀도 있고 명확한 지도 신호를 제공하며, 모델이 시간적 변화를 명시적으로 포착할 수 있도록 한다. 학습된 속도 장은 전송 메커니즘일 뿐 아니라 변화의 해석 가능한 표현이기도 하다. 그 크기는 공간적으로 국소화된 변화 단서로 작용하여, 조명 변화나 공간적 정렬 오차 같은 노이즈 효과로부터 실제 구조적 변이를 구별하는 데 도움을 준다. 우리는 교차 시점 정렬, 시간 조건부 거친-세밀(coarse-to-fine) 흐름 디코딩, 그리고 흐름 지도 손실·궤적 일관성·공간 정규화·세그멘테이션 손실을 결합한 통합 목적 함수를 갖춘 계층적 다중 스케일 아키텍처를 개발한다. 원격 탐사 벤치마크에서의 실험 결과, 제안된 프레임워크는 최첨단 성능을 달성하는 동시에 더 구조적이고 강건한 변화 표현을 생성함을 보인다.

arXiv:2607.00638v1cs.CV공통 태그 Change Detection, remote sensing

불확실성 인식 수목 높이 변화 회귀

Uncertainty-aware tree height change regression

수관 높이 변화 모니터링은 탄소 흡수원과 산림 역학을 이해하는 데 필수적이다. 원격 탐사(remote sensing)는 이러한 변화에 대한 일관되고 대규모적인 관측을 가능하게 하며, 지리공간 기반 모델(GFMs, Geospatial Foundation Models)과 같은 심층 학습 아키텍처와의 통합이 점점 확대되고 있다. 그러나 기존 방법 및 데이터셋은 이 문제를 이진 변화 탐지(binary change detection)로 정의하고 있어, 특히 식생에서 두드러지는 변화의 연속적 특성과 레이블에 내재된 불확실성을 간과한다. 우리는 캐노피 높이 변화(CHC, Canopy Height Change) 데이터셋을 제시한다. 이 데이터셋은 스페인 북부 및 서부 10,598 km²에 걸쳐 3 m 해상도의 연속적인 수관 높이 차이와 공간적으로 분해된 불확실성을 제공한다. 또한 동일 위치에서 취득한 PlanetScope 위성 영상 시계열과 함께 구성된다. 이 데이터셋을 기반으로, 우리는 불확실성 인식 변화 회귀(uncertainty-aware change regression) 과제와 관련 평가 지표, 그리고 GFM 미세조정 전략을 제안한다. 나아가 최신 GFM들을 평가하고, 연속적인 수관 높이 변화 추정의 발전을 위한 유망한 방향과 남은 과제들을 제시한다.

arXiv:2606.27410v1eess.IV공통 태그 Change Detection, remote sensing

DFM: 원격 탐사 이미지 변화 캡셔닝을 위한 텍스트 유도 게이트 대조 손실 기반 차이 특징 모델링

DFM: Difference Feature Modeling with Text-Guided Gated Contrastive Loss for Remote Sensing Image Change Captioning

원격 탐사 이미지 변화 캡셔닝(Remote Sensing Image Change Captioning, RSICC)의 주요 목표는 서로 다른 시점에 촬영된 원격 탐사 이미지 간 변화에 대한 설명을 자동으로 생성하는 것이다. 기존 모델들은 여전히 단일 자기회귀(autoregressive) 생성 패러다임에 의존하며, 이는 이미지 간 판별적 차이를 포착하는 것보다 쉽게 생성되는 어휘 학습을 우선시하는 경향이 있다. 이를 해결하기 위해, 우리는 학습 패러다임을 재구성하고 새로운 차이 특징 모델링(Difference Feature Modeling, DFM) 프레임워크를 제안한다. 구체적으로, 텍스트 유도 게이트 대조 손실(Text-guided Gated Contrastive Loss, TGCL)을 도입하여 비전 인코더가 텍스트 모달 관점에서 핵심 특징을 추출하도록 유도한다. 또한, 사전학습된 변화 탐지(Change Detection) 모델을 통합하여 안정적인 변화 탐지 지식을 전이한다. 표현을 더욱 향상시키기 위해, 다중 스케일 차이 표현의 융합을 달성하고 이를 통해 다중 시점(multi-temporal) 이미지 간 포괄적인 시공간 변화를 포착하는 공동 특징 모델링(Joint Feature Modeling, JFM) 모듈을 설계한다. 여러 데이터셋에 대한 광범위한 실험을 통해 우리 접근법의 효과를 입증한다.

토론

이 논문과 연결된 포럼 글이 아직 없습니다.