スケーラブルな多時相リモートセンシング変化データ生成手法： 確率的な変化プロセスのシミュレーションを用いて

地球表面の時間的動態を理解することは、多時相リモートセンシング画像分析のミッションであり、深層視覚モデル（その燃料となるラベル付き多時相画像）によって大きく推進されています。しかし、大規模な多時相リモートセンシング画像の収集、前処理、およびアノテーションは、費用が高く且つ専門知識が必要であるため、容易ではありません。本論文では、生成モデルを用いたスケーラブルな多時相リモートセンシング変化データジェネレーターを提案します。この方法は安価かつ自動的であり、上記の問題を軽減します。我々の主なアイデアは、時間にわたる確率的な変化プロセスをシミュレーションすることです。この確率的な変化プロセスを確率的な意味状態遷移と捉え、生成確率変化モデル（Generative Probabilistic Change Model, GPCM）として定式化します。これにより、複雑なシミュレーション問題が二つのより追跡可能なサブ問題に分解されます。すなわち、変化イベントのシミュレーションと意味的な変化の合成です。これらの二つの問題を解決するために、GANベースのGPCMである変化ジェネレーター（Changen）を提案します。Changenは制御可能な物体変化データ生成を可能にし、カスタマイズ可能な物体属性や変化イベントを含むことができます。広範囲にわたる実験結果から、我々のChangenは優れた生成能力を持ち、Changenで事前学習された変化検出器は実世界の変化データセットに対する優れた転移性を持つことが示されました。