ChangeT$^3$: Evaluating Vision Test-Time Training for Remote Sensing Change Detection
Aggiunta all'archivio di AIChronos il (numero del 11 ottobre 2026 ricostruito)· fonte del · Sharukshan Niranjan, Oshadha Samarakoon, Nichula Wasalathilaka, Roshan Godaliyadda, Parakrama Ekanayake, Vijitha Herath
ChangeT$^3$ è un modello per il rilevamento delle variazioni in immagini remote sensing che utilizza la formazione nel tempo di test (test-time training) tramite una configurazione Siamese. Il sistema combina l'encoder ViT$^3$-Tiny con il decoder ChangeFormer, adattando pesi interni compatti a ciascuna immagine senza introdurre moduli aggiuntivi per le interazioni temporali. I risultati mostrano che questa architettura supera i modelli standard su LEVIR-CD+ e mantiene prestazioni elevate anche quando gli aggiornamenti interni sono disabilitati.
- Utilizza una configurazione Siamese vanilla con encoder condivisi ma pesi interni calcolati indipendentemente per ogni immagine.
- Il decoder esegue il confronto temporale attraverso la fusione di caratteristiche apprese a quattro risoluzioni diverse seguita da aggregazione fine-coarsa.
- Raggiunge un punteggio F1 del 80.61 su LEVIR-CD+, superando significativamente i modelli basati solo sull'attenzione token-to-token esplicita come ChangeFormer.
- Non trasferisce le prestazioni zero-shot a dataset diversi (SYSU-CD, DSIFN-CD) e presenta latenza maggiore per input piccoli rispetto ai controlli standard.
- Mantiene la struttura dell'encoder originale con rami SwiGLU globali semplificati e convoluzioni depthwise adattive locali.
Perché conta. Sebbene il dominio sia specifico, l'approccio di adattamento del modello in tempo reale (test-time training) è rilevante per sviluppatori che lavorano con agenti AI o modelli locali, poiché dimostra come ottimizzare le prestazioni inferenziali adattando dinamicamente i pesi interni senza richiedere grandi quantità di dati di addestramento aggiuntivi.
Scheda generata automaticamente da un modello AI locale a partire dalla fonte originale: può contenere imprecisioni.