PulseAugur
中
实时 17:19:58
English(EN) Domain-Incremental Remote Sensing Change Detection via Difference-Guided Adaptation and Frequency-Decoupled Distillation

新的DG-FDD框架解决了遥感变化检测中的灾难性遗忘问题

作者 PulseAugur 编辑部 · [2 个来源] ·

研究人员开发了一个名为DG-FDD的新框架，以解决遥感变化检测模型在适应新域时出现的灾难性遗忘问题。该框架集成了差分引导动态适配器（DGDA）来模拟双时相特征差异，以及具有跨域合成（FDKD-CS）的频率解耦知识蒸馏策略，用于在没有历史数据的情况下稳定地转移知识。实验表明，DG-FDD能有效平衡保留历史知识与适应新域，其性能优于独立训练的模型。 AI

影响 这项研究可能为分析随时间变化的卫星图像提供更强大、更具适应性的AI模型，这对于环境监测和城市规划至关重要。

排序理由 该集群包含一篇研究论文，详细介绍了用于遥感变化检测中域增量学习的新框架。

在 arXiv cs.CV 阅读 →

AI 生成摘要 · Google Gemini · 来自 2 个来源。 我们如何撰写摘要 →

新的DG-FDD框架解决了遥感变化检测中的灾难性遗忘问题

报道来源 [2]

  1. arXiv cs.CV TIER_1 English(EN) · Daifeng Peng, Yaning Li, Haiyan Guan ·

    基于差分引导自适应和频域解耦蒸馏的域增量遥感变化检测

    arXiv:2607.12934v1 Announce Type: new Abstract: Remote sensing change detection (RSCD) models are prone to catastrophic forgetting when incrementally adapted to new domains. Existing domain-incremental learning (DIL) methods mainly preserve image-level representations but often o…

  2. arXiv cs.CV TIER_1 English(EN) · Haiyan Guan ·

    基于差分引导自适应和频域解耦蒸馏的域增量遥感变化检测

    Remote sensing change detection (RSCD) models are prone to catastrophic forgetting when incrementally adapted to new domains. Existing domain-incremental learning (DIL) methods mainly preserve image-level representations but often overlook bitemporal discrepancy cues, which are c…

相关实体

相关话题