| عنوان مقاله به انگلیسی | Novel Change Detection Framework in Remote Sensing Imagery Using Diffusion Models and Structural Similarity Index (SSIM) | ||||||||
| عنوان مقاله به فارسی | ترجمه فارسی مقاله چارچوب جدید تشخیص تغییر در تصاویر سنجش از دور با استفاده از مدلهای انتشار و شاخص تشابه ساختاری (SSIM) | ||||||||
| نویسندگان | Andrew Kiruluta, Eric Lundy, Andreas Lemos | ||||||||
| فرمت مقاله انگلیسی | |||||||||
| زبان مقاله تحویلی | ترجمه فارسی | ||||||||
| فرمت مقاله ترجمه شده | به صورت فایل ورد | ||||||||
| نحوه تحویل ترجمه | دو تا سه روز پس از ثبت سفارش (به صورت فایل دانلودی) | ||||||||
| تعداد صفحات | 7 | ||||||||
| لینک دانلود رایگان مقاله انگلیسی | دانلود مقاله | ||||||||
| دسته بندی موضوعات | Computer Vision and Pattern Recognition,Artificial Intelligence,Image and Video Processing,چشم انداز رایانه و تشخیص الگوی , هوش مصنوعی , پردازش تصویر و فیلم , | ||||||||
| توضیحات | Submitted 20 August, 2024; originally announced August 2024. | ||||||||
| توضیحات به فارسی | 20 اوت 2024 ارسال شد.در ابتدا اوت 2024 اعلام شد. | ||||||||
| اطلاعات بیشتر از این مقاله در پایگاه های علمی |
INSPIRE HEP NASA ADS Google Scholar Semantic Scholar فرمت ارائه ترجمه مقاله |
تحویل به صورت فایل ورد |
زمان تحویل ترجمه مقاله |
بین 2 تا 3 روز پس از ثبت سفارش |
کیفیت ترجمه |
بسیار بالا. مقاله فقط توسط مترجمین با مدرک دانشگاهی مترجمی ترجمه میشود. |
جداول و فرمول ها |
کلیه جداول و فرمول ها نیز در فایل تحویلی ورد درج میشوند. |
|
چکیده
Change detection is a crucial task in remote sensing, enabling the monitoring of environmental changes, urban growth, and disaster impact. Conventional change detection techniques, such as image differencing and ratioing, often struggle with noise and fail to capture complex variations in imagery. Recent advancements in machine learning, particularly generative models like diffusion models, offer new opportunities for enhancing change detection accuracy. In this paper, we propose a novel change detection framework that combines the strengths of Stable Diffusion models with the Structural Similarity Index (SSIM) to create robust and interpretable change maps. Our approach, named Diffusion Based Change Detector, is evaluated on both synthetic and real-world remote sensing datasets and compared with state-of-the-art methods. The results demonstrate that our method significantly outperforms traditional differencing techniques and recent deep learning-based methods, particularly in scenarios with complex changes and noise.
چکیده به فارسی (ترجمه ماشینی)
تشخیص تغییر یک کار مهم در سنجش از دور ، امکان نظارت بر تغییرات محیطی ، رشد شهری و تأثیر فاجعه است.تکنیک های تشخیص تغییر متعارف ، مانند تفاوت تصویر و نسبت ، اغلب با سر و صدا مبارزه می کنند و نتوانسته اند تغییرات پیچیده ای را در تصاویر ضبط کنند.پیشرفت های اخیر در یادگیری ماشین ، به ویژه مدلهای تولیدی مانند مدل های انتشار ، فرصت های جدیدی را برای افزایش دقت تشخیص تغییر ارائه می دهد.در این مقاله ، ما یک چارچوب تشخیص تغییر جدید را پیشنهاد می کنیم که نقاط قوت مدل های انتشار پایدار را با شاخص شباهت ساختاری (SSIM) ترکیب می کند تا نقشه های تغییر قوی و قابل تفسیر ایجاد شود.رویکرد ما ، نامگذاری شده مبتنی بر انتشار ، در هر دو مجموعه داده سنجش از راه دور مصنوعی و واقعی ارزیابی می شود و با روش های پیشرفته مقایسه می شود.نتایج نشان می دهد که روش ما به طور قابل توجهی از تکنیک های متفاوت سنتی و روشهای اخیر مبتنی بر یادگیری ، به ویژه در سناریوهایی با تغییرات پیچیده و سر و صدا بهتر عمل می کند.
| فرمت ارائه ترجمه مقاله | تحویل به صورت فایل ورد |
| زمان تحویل ترجمه مقاله | بین 2 تا 3 روز پس از ثبت سفارش |
| کیفیت ترجمه | بسیار بالا. مقاله فقط توسط مترجمین با مدرک دانشگاهی مترجمی ترجمه میشود. |
| جداول و فرمول ها | کلیه جداول و فرمول ها نیز در فایل تحویلی ورد درج میشوند. |


نقد و بررسیها
هنوز بررسیای ثبت نشده است.